market-sizing-analysis

market-sizing-analysis 技能概览

market-sizing-analysis 技能能做什么

market-sizing-analysis 技能帮助 AI agent 为创业项目和产品机会产出结构化的 TAM、SAM 和 SOM 估算。它面向的是更严肃的市场机会分析场景：你需要的不只是一个松散的“这个市场有多大”的回答，而是需要一套可辩护的测算方法、明确写出的假设，以及一套能被创始人、业务负责人或投资人审阅的方法论。

谁适合使用 market-sizing-analysis

这个 market-sizing-analysis skill 特别适合：

• 正在验证新市场的创始人
• 准备融资材料的 startup 运营负责人
• 需要快速但结构化机会分析的咨询顾问
• 希望在 Data Analysis 场景中使用可复用市场测算流程的分析师

如果你需要一个逻辑清晰的首版市场模型，它会非常合适。
如果你需要可审计的研究结论，或者面向强监管行业的高严谨度预测，那它更适合作为起始框架，而不应被当作最终事实依据。

用户真正要完成的任务

大多数用户并不只是想知道 TAM / SAM / SOM 的定义。更常见的真实需求，是把一个类似“面向中型零售商的 AI 软件”这样的粗略想法，转成下面这些可落地内容：

• 一个边界清晰的目标市场
• 分层到细分市场的关键假设
• 一种或多种市场测算方法
• 现实可行的 3-5 年可获取份额逻辑
• 可直接用于规划或路演的叙述框架

这正是 market-sizing-analysis 比通用 prompt 更有价值的地方。

相比普通 prompting 的关键差异

market-sizing-analysis 的核心价值在于，它会推动 agent 同时采用三种互补视角：

• 基于行业报告的 top-down 测算
• 基于客户数量和定价的 bottom-up 测算
• 基于支付意愿的 value-theory 测算

这一点非常重要，因为市场测算最常见的失败方式，就是整个模型只依赖单一视角。这个技能提供的是一个更接近决策所需的结构，并鼓励交叉验证，而不是给出一个看起来很漂亮、实际上很脆弱的单一数字。

安装前最需要确认的事

决定是否采用这个技能时，真正重要的问题不是“它能不能算 TAM”，而是“它能不能减少拍脑袋”。对这个技能来说，如果你能提供以下信息，答案通常是可以：

• 明确的产品或服务定义
• 目标客户特征
• 地理范围
• 粗略定价或合同价值
• 时间范围和 go-to-market 约束

缺少这些输入时，输出很快就会变得泛泛而谈。

如何使用 market-sizing-analysis 技能

market-sizing-analysis 的安装上下文

仓库片段里没有在 SKILL.md 中直接给出内置安装命令，所以用户通常是先添加上层 skills 仓库，再在 agent 环境里按名称调用该技能。如果你的环境支持 Skills 风格安装，常见方式是：

npx skills add https://github.com/wshobson/agents --skill market-sizing-analysis

安装完成后，确认你的 agent 能在 startup-business-analyst 插件路径下看到这个 skill。

先读这些文件

如果你想高效上手 market-sizing-analysis usage，建议先看：

• plugins/startup-business-analyst/skills/market-sizing-analysis/SKILL.md
• plugins/startup-business-analyst/skills/market-sizing-analysis/examples/saas-market-sizing.md
• plugins/startup-business-analyst/skills/market-sizing-analysis/references/data-sources.md

推荐按这个顺序阅读：

1. 先看 SKILL.md，了解完整 workflow 和方法选择
2. 再看 examples/saas-market-sizing.md，理解优质输出大致长什么样
3. 最后看 references/data-sources.md，明确假设应当从哪些来源获取

要让技能发挥效果，需要哪些输入

想获得高质量的 market-sizing-analysis usage，最好先给 agent 一份简洁但足够具体的 operating brief：

• 产品描述
• 买方类型
• 行业或使用场景
• 地理范围
• 定价模型
• 时间跨度
• 已知竞争对手
• 当前产品实际能服务的约束条件

一个较弱的输入是：
“Size the market for AI legal software.”

一个更强的输入是：
“Size the 3-5 year market for AI contract review software for U.S. mid-market legal teams at companies with 200-5000 employees. Assume annual pricing of $18k-$60k depending on seat count and a direct sales motion.”

如何把一个粗略想法写成完整 prompt

在 Data Analysis 场景下使用 market-sizing-analysis for Data Analysis 时，一个好的调用 prompt 应该在一次请求里同时说清方法、假设和输出结构。比如：

“Use the market-sizing-analysis skill to estimate TAM, SAM, and SOM for an AI-powered email marketing platform for North American e-commerce companies with $1M+ revenue. Use bottom-up as the primary method, top-down as a cross-check, and state all assumptions. Include segment counts, ACV ranges, 3-5 year obtainable share logic, and a short risk section on uncertainty in the source data.”

这会明显优于“estimate the market size”，因为它减少了以下方面的歧义：

• 目标细分市场
• 优先采用的方法论
• 输出格式
• 置信度与限制说明

先选对方法，再开始测算

不要因为 top-down 看起来更快，就默认从它开始。这个技能最有说服力的时候，是方法和市场本身匹配：

• 当你知道客户细分、定价或 seat 数量时，用 bottom-up
• 当该市场已有公开发布的类别估值时，用 top-down
• 当定价更多取决于创造的经济价值，而不是标准品类价格时，用 value theory

在 startup 场景里，bottom-up 往往是更好的主方法，因为它更容易在董事会材料或融资 pitch 中自圆其说。

实际使用中的推荐 workflow

使用 market-sizing-analysis 的一个实用 workflow 通常是：

1. 先定义清楚具体 offering 和 buyer。
2. 再收窄 geography 和 segment 的边界。
3. 选定一种主要测算方法。
4. 如果不确定性很高，先让 agent 输出假设，再给最终数字。
5. 用第二种方法做一次 cross-check。
6. 根据产品边界、GTM 能力和竞争情况调整 SAM 与 SOM。
7. 最后把结果整理进 memo、pitch slide 或 planning doc。

这个顺序能避免一个很常见的问题：TAM 看起来很大，但和你实际上能做出来、能卖出去的业务没有关系。

把示例文件当成质量基准

examples/saas-market-sizing.md 特别值得参考，因为它展示了什么叫“完整到可用”：

• 清楚的 segment 划分标准
• 基于数量的 bottom-up 逻辑
• 明确写出的 ACV 假设
• 公式
• 现实可行的 obtainability 表述

如果你的输出不包含这些要素，不要直接接受只有叙述、没有推导的答案，应该要求 agent 重新修改。

能显著提升结果的数据来源

references/data-sources.md 是这个技能里很强的一部分。它会把用户引向：

• Gartner、Forrester、IDC 这类付费分析机构
• Statista 这类更容易获取的数据源
• CB Insights、PitchBook 这类 startup 和私募市场工具
• McKinsey insights 这类更偏战略层面的来源

在实际使用中，最好把一个公开市场规模来源和一个基于数量的验证来源结合起来。比如：

• 来自 Statista 的品类市场规模估值
• 来自 Census、平台生态数量或 LinkedIn 筛选结果的买方数量校验

这种组合通常比只引用一份行业报告更可靠。

好的输出应该包含什么

高质量的 market-sizing-analysis guide 输出，通常应该包含：

• 结合你具体场景解释的 TAM、SAM、SOM 定义
• 公式或计算逻辑
• 细分市场假设
• 时间范围
• 定价假设
• 关键不确定性
• 可获取份额的依据说明

如果输出只给出看起来很整齐的市场数字，却没有展示这些数字是如何形成的，就应该要求按“显式列出假设”的方式重新计算。

常见约束与取舍

这个技能很好用，但它并不能消除市场测算本身的根本局限：

• 公开数据源的类别定义，可能与你的产品并不一致
• 客户数量数据可能已经过时，或不同来源彼此不一致
• 基于价值的测算很容易快速滑向猜测
• SOM 往往更多取决于 GTM 的现实能力，而不是市场数学本身

应该把它当成帮助你结构化判断的工具，而不是制造精确幻觉的工具。

market-sizing-analysis 技能 FAQ

market-sizing-analysis 适合新手吗？

适合，尤其是在你对产品和客户的理解强于对正式市场测算方法的理解时。这个技能提供了一个比从空白 prompt 开始更容易跟随的框架。
不过新手仍然需要仔细审查假设，因为只要 scope 定义错了，后面的数字基本都会跟着偏掉。

什么情况下 market-sizing-analysis 不适合？

在下面这些情况下，market-sizing-analysis 并不合适：

• 你需要可审计的市场研究
• 市场本身过于模糊，连 buyer 都难以描述
• 定价未知，而且几乎无法合理估算
• 真正的问题是需求验证，而不是市场规模测算

对于那些高度技术化、公开细分数据极少、必须依赖领域专家的品类，它的适配度也比较弱。

它和普通 AI prompt 有什么不同？

普通 prompt 也许能生成看起来像样的 TAM / SAM / SOM 文字，但往往会跳过真正难的部分：细分、方法选择和可辩护的假设。
当你要的是一个可复用 workflow，而不是一次性的回答时，market-sizing-analysis skill 会更合适。

可以把 market-sizing-analysis 用在投资人 deck 里吗？

可以，但不要把第一版输出原封不动塞进 pitch deck。更合理的用法是：先用这个技能生成一个可追溯的模型，再补强数据来源、简化叙事，并确认 SAM 和 SOM 反映的是你真实的 launch scope 与 GTM 能力。

它只适用于 SaaS 吗？

不是。虽然附带的示例偏向 SaaS，但这套框架同样可以用于 services、marketplaces、fintech、healthtech 以及其他 startup 品类。
它最适合那些你能够估算客户数量、支出水平或所创造经济价值的场景。

如何改进 market-sizing-analysis 技能的输出

把市场定义收得更窄

提升 market-sizing-analysis 输出质量最快的方法，就是把市场定义收窄。明确说明：

• 具体 buyer 是谁
• 公司规模或用户画像
• 地理范围
• 部署模式
• 当前产品边界

“Healthcare AI” 太宽泛。
“AI prior-authorization automation for U.S. regional health insurers” 就可用得多。

提供定价与包装假设

只要你能提供以下任意一种信息，bottom-up 测算就会强很多：

• annual contract value
• monthly subscription range
• seat-based pricing
• transaction take rate
• average deal size

如果没有定价信息，模型往往只能自己补一些很弱的代理变量。

不只要一个数字，要它做 cross-check

一个更强的 prompt 应该要求 agent 同时给出：

• 主方法
• 次级验证方法
• 两者出现差距时的解释

这样更容易建立信任。top-down 和 bottom-up 差距大的时候，往往反而最有价值，因为这通常暴露了品类定义有问题，或定价假设不现实。

强制 agent 分开说明 TAM、SAM 和 SOM 的逻辑

一个常见失败模式是，模型只是机械地按百分比往下砍，却没有解释为什么。要改进结果，可以要求它分别说明：

• TAM 基于全部潜在支出
• SAM 基于当前产品边界和地理限制
• SOM 基于现实可行的获客能力与竞争格局

这样产出的 market-sizing-analysis guide 会更有实际操作价值。

要求标注来源质量和不确定性

你可以让 agent 把假设标成：

• sourced
• inferred
• placeholder

同时要求它为每个主要输入增加 confidence note。
如果你是在早期战略阶段使用这个技能，这一点尤其有帮助，因为有些数字注定只能是方向性判断，而不是精确值。

第一稿之后一定要迭代

不要把第一次运行结果当终稿。一个比较好的 revision loop 是：

1. 修正 buyer 和 geography 的错误
2. 用真实输入替换掉薄弱假设
3. 收紧定价假设
4. 质疑 SOM 是否现实
5. 再增加一个数据源做 cross-check 后重跑

通常这样做，比单纯让模型多写一些文字，更能显著提升输出质量。

把示例结构迁移到你的领域里

如果第一版结果很乱，可以明确要求 agent 参照 examples/saas-market-sizing.md 的结构来写：

• segment table
• formula section
• calculation walkthrough
• takeaway summary

即使你的市场不是 SaaS，这个文件仍然是一个很好用的格式模板。

留意这些常见失败模式

market-sizing-analysis 最常见的质量问题包括：

• TAM 出现品类膨胀
• segment 数量模糊
• 定价假设没有依据
• SOM 建立在希望之上，而不是 GTM 能力之上
• 把 user 数、company 数和 revenue 混在一起，却没有清楚的转换逻辑

只要看到这些问题，就应该要求它把具体推导链路重新搭出来。

为 Data Analysis workflow 优化输出格式

在 market-sizing-analysis for Data Analysis 场景里，最好要求 agent 用结构化形式返回假设：

• segment
• count
• pricing metric
• annual revenue assumption
• source
• confidence

这样会更容易把结果接进 spreadsheets、notebooks、BI tools 或后续 forecasting models。