market-tam-som

name	market-tam-som
description	当需要评估目标市场的TAM/SAM/SOM规模时使用。市场规模自动测算，支持自上而下与自下而上双路径交叉验证，差异>20%时标注并升级人类判断，输出区间估计与置信度评估。关键词：市场规模、TAM、SAM、SOM、市场容量、区间估计、双路径交叉验证、市场有多大、天花板、能做多大。
metadata	{"module":"产品探索与发现","sub-module":"市场竞品","type":"pipeline","version":"2.1","domain_tags":["互联网","金融","通用"],"trigger_examples":["这个市场有多大","帮我算一下市场规模","我们的天花板在哪"],"interaction_mode":"ai_suggest_human_approve"}

市场规模自动测算

核心原则

1. 双路径交叉验证——自上而下与自下而上两条路径独立测算，差异>20%时必须标注并升级人类判断，单一路径结论不可信
2. 区间优于点估计——所有规模数字输出区间估计（乐观/中性/保守），不输出单一确定值，因为市场规模的确定性是幻觉
3. 假设显式化——每个测算步骤的假设必须显式列出（assumption/basis/impact_direction），假设变化对结果影响>30%的标注为高敏感
4. 置信度分层——TAM置信度最高（行业数据支撑），SAM次之（叠加过滤系数），SOM最低（叠加竞争与资源约束），逐层递减是正常的

交互模式

🤖→👤 AI建议人类审批

输入

输入项	类型	必填	来源	说明
category_keywords	string	是	用户提供	品类关键词，如"在线教育""SaaS CRM"
geographic_scope	string	是	用户提供	目标市场地理范围，如"中国大陆""东南亚"
time_range	string	是	用户提供	测算时间范围，如"2025-2027"

执行步骤

Step 1: TAM测算

采用双路径交叉验证：

自上而下路径：

• 获取行业总规模数据（统计局/行业协会/第三方研报）
• 确定目标品类在行业中的占比
• 计算：TAM = 行业总规模 × 目标品类占比

自下而上路径：

• 估算目标用户总数（人口基数 × 目标人群渗透率）
• 获取ARPU（每用户年均收入）参考值
• 计算：TAM = 目标用户数 × ARPU

输出要求：

• 区间估计：乐观值 / 中性值 / 保守值
• 每个估计值标注数据来源
• 两条路径结果差异>20%时标注需人类判断

Step 2: SAM测算

在TAM基础上逐层过滤：

过滤维度	说明
地理范围限制	根据geographic_scope裁剪至目标区域市场规模
目标客群过滤	排除非目标客群，叠加客群画像过滤系数
服务能力边界	扣除自身渠道/技术/合规无法覆盖的部分

计算逻辑： SAM = TAM × 地理系数 × 客群系数 × 服务能力系数

输出要求：

• 各过滤系数及依据
• SAM区间估计（乐观/中性/保守）

Step 3: SOM测算

在SAM基础上叠加竞争与资源约束：

约束维度	说明
竞争格局	现有竞品已占据份额 + 竞品壁垒强度
自身资源约束	团队规模 / 资金 / 技术储备 / 渠道资源
获客能力预估	预期获客渠道效率 + 转化率 + 留存率

计算逻辑： SOM = SAM × (1 - 竞争约束%) × (1 - 资源约束%) × (1 - 获客约束%)

SOM以SAM为基数，逐层扣除竞争、资源、获客三方面约束后得到可获取市场份额。

输出要求：

• SOM区间估计（乐观/中性/保守）
• 可达时间线（6个月/12个月/24个月里程碑）

Step 4: 置信度评估

对整体测算结果进行可信度评估：

评估维度	方法
数据来源可靠性	对每个数据源评估可靠性评分（0-1），来源包括官方统计、行业协会、第三方研报、专家访谈等
假设敏感度分析	对关键假设做±20%变动，观察对最终结果的影响幅度
关键假设标注	列出所有核心假设，标注假设内容、依据、对结果影响方向

输出要求：

• 整体confidence评分（0-1）
• 关键假设清单及敏感度分析结果
• 低置信度数据点标注

输出

输出文件：output/pm-discovery/market-tam-som/tam-som.json

输出Schema：

{
  "type": "object",
  "required": ["category_keywords", "geographic_scope", "time_range", "tam", "sam", "som", "confidence"],
  "properties": {
    "category_keywords": {"type": "string", "description": "品类关键词"},
    "geographic_scope": {"type": "string", "description": "目标市场地理范围"},
    "time_range": {"type": "string", "description": "测算时间范围"},
    "tam": {"type": "object", "description": "TAM总可达市场规模测算，含自上而下和自下而上双路径"},
    "sam": {"type": "object", "description": "SAM可服务市场规模测算"},
    "som": {"type": "object", "description": "SOM可获取市场规模测算"},
    "confidence": {"type": "object", "description": "置信度评估，含数据源可靠性和敏感度分析"}
  }
}

输出校验规则：

字段路径	类型	必填	说明
category_keywords	string	是	品类关键词，不可为空
geographic_scope	string	是	目标市场地理范围，不可为空
time_range	string	是	测算时间范围，格式如"2025-2027"
tam	object	是	TAM测算结果，必须包含top_down和bottom_up两个子对象
tam.top_down	object	是	自上而下测算路径，必须包含industry_total、category_ratio、estimates、data_sources
tam.top_down.industry_total	string	是	行业总规模，需带单位
tam.top_down.category_ratio	string	是	目标品类占比，百分比格式
tam.top_down.estimates	object	是	必须包含optimistic、neutral、conservative三个区间值
tam.top_down.data_sources	array	是	数据来源列表，可为空数组但不可缺失
tam.bottom_up	object	是	自下而上测算路径，必须包含target_users、arpu、estimates、data_sources
tam.bottom_up.target_users	string	是	目标用户总数，需带单位
tam.bottom_up.arpu	string	是	每用户年均收入，需带单位
tam.bottom_up.estimates	object	是	必须包含optimistic、neutral、conservative三个区间值
tam.bottom_up.data_sources	array	是	数据来源列表，可为空数组但不可缺失
sam	object	是	SAM测算结果
sam.geo_coefficient	string	是	地理过滤系数，0-1之间
sam.audience_coefficient	string	是	客群过滤系数，0-1之间
sam.service_coefficient	string	是	服务能力系数，0-1之间
sam.estimates	object	是	必须包含optimistic、neutral、conservative三个区间值
sam.data_sources	array	是	数据来源列表
som	object	是	SOM测算结果
som.base	string	是	计算基数，固定为"SAM"
som.competition_constraint	string	是	竞争约束百分比，0-1之间
som.resource_constraint	string	是	资源约束百分比，0-1之间
som.acquisition_constraint	string	是	获客约束百分比，0-1之间
som.calculation	string	是	计算公式，展示完整乘法过程
som.estimates	object	是	必须包含optimistic、neutral、conservative三个区间值
som.timeline	object	是	可达时间线，必须包含6m、12m、24m三个里程碑
som.data_sources	array	是	数据来源列表
confidence	object	是	置信度评估
confidence.overall_score	number	是	整体置信度评分，0-1之间
confidence.data_source_reliability	array	是	各数据源可靠性评分列表
confidence.sensitivity_analysis	array	是	敏感度分析结果列表
confidence.key_assumptions	array	是	关键假设清单，每项必须包含assumption、basis、impact_direction
confidence.key_assumptions[].assumption	string	是	假设内容描述
confidence.key_assumptions[].basis	string	是	假设依据
confidence.key_assumptions[].impact_direction	string	是	对结果影响方向：正向/负向/双向
confidence.key_assumptions[].sensitivity	string	否	敏感度标注，影响>30%时标注为"高"
confidence.key_assumptions[].needs_human_validation	boolean	否	是否需要人类验证，高敏感假设默认为true

{
  "category_keywords": "在线教育",
  "geographic_scope": "中国大陆",
  "time_range": "2025-2027",
  "tam": {
    "top_down": {
      "industry_total": "5000亿",
      "category_ratio": "8%",
      "estimates": {
        "optimistic": "400亿",
        "neutral": "300亿",
        "conservative": "200亿"
      },
      "data_sources": []
    },
    "bottom_up": {
      "target_users": "1.2亿",
      "arpu": "3000元/年",
      "estimates": {
        "optimistic": "360亿",
        "neutral": "280亿",
        "conservative": "200亿"
      },
      "data_sources": []
    }
  },
  "sam": {
    "geo_coefficient": "0.85",
    "audience_coefficient": "0.35",
    "service_coefficient": "0.60",
    "estimates": {
      "optimistic": "120亿",
      "neutral": "85亿",
      "conservative": "55亿"
    },
    "data_sources": []
  },
  "som": {
    "base": "SAM",
    "competition_constraint": "0.60",
    "resource_constraint": "0.65",
    "acquisition_constraint": "0.50",
    "calculation": "SAM × (1 - 0.60) × (1 - 0.65) × (1 - 0.50) = SAM × 0.07",
    "estimates": {
      "optimistic": "9亿",
      "neutral": "6亿",
      "conservative": "3亿"
    },
    "timeline": {
      "6m": "完成产品MVP，获取首批1000名付费用户",
      "12m": "产品迭代至v2.0，付费用户突破1万",
      "24m": "建立品牌影响力，付费用户达10万"
    },
    "data_sources": []
  },
  "confidence": {
    "overall_score": 0.0,
    "data_source_reliability": [],
    "sensitivity_analysis": [],
    "key_assumptions": [
      {
        "assumption": "K12在线教育渗透率将持续增长",
        "basis": "教育部推进教育数字化政策",
        "impact_direction": "正向",
        "sensitivity": "高",
        "needs_human_validation": false
      }
    ]
  }
}

决策规则

规则	触发条件	动作
数据源可靠性低	数据来源可靠性评分 < 0.5	标注需人类验证，暂停该数据点使用
假设敏感度高	关键假设变化对结果影响 > 30%	标注为高敏感假设，建议人类确认
双路径差异大	自上而下与自下而上结果差异 > 20%	标注需人类判断，提供差异分析

质量检查

• TAM/SAM/SOM三层测算完整
• 每层均含区间估计（乐观/中性/保守）
• 关键假设已标注
• 数据来源已列出
• 置信度评分已完成
• 低可靠性数据源已标注需人类验证
• 高敏感假设已标注

---

降级策略

当上游文件不存在时，本Skill仍可独立执行：

缺失的上游输入	降级方案	输出影响
无强依赖	本Skill可独立运行，用户提供品类关键词和目标市场即可执行	无影响，输出完整
所有上游文件均缺失	用户提供品类关键词和目标市场 → 基于AI知识库中的公开数据估算TAM/SAM/SOM	数据来源可靠性评分降低，confidence.overall_score可能<0.5，标注"基于AI知识库推算"
若用户未提供category_keywords	提示用户提供品类关键词，否则无法执行市场规模测算	无法生成输出，流程阻塞
若用户未提供geographic_scope	提示用户提供目标市场地理范围，否则默认使用"全球"	sam.geo_coefficient默认为1.0（无地理过滤），SAM=TAM，置信度降低
若用户未提供time_range	提示用户提供测算时间范围，否则默认使用当前年份起3年	time_range字段为推断值，标注"默认值"，趋势预测准确性降低

数据获取说明

本Skill需要品类关键词和目标市场信息，请通过以下方式之一提供：

1. 直接输入品类关键词（如"在线教育""SaaS CRM"）和目标市场（如"中国大陆"）
2. 上传市场调研数据文件
3. 提供数据文件路径

• AI不负责外部数据采集，仅负责分析

上游变更响应

上游变更影响表

上游文件	变更类型	影响范围	影响说明
pest.json	政策法规变化	SAM地理系数、SAM客群系数	新政策可能扩大或缩小可服务市场范围，需重新评估geo_coefficient和audience_coefficient
pest.json	经济指标变化	TAM行业总规模	GDP/消费支出等指标变化直接影响top_down路径的industry_total
pest.json	技术动态变化	SAM服务能力系数	新技术突破可能提升service_coefficient，扩大可服务边界
competitor-intel.json	竞争格局变化	SOM竞争约束系数	新竞品进入或竞品份额变化直接影响competition_constraint
competitor-intel.json	竞品定价策略变化	SOM获客约束系数	竞品价格战可能提高获客成本，影响acquisition_constraint

下游通知机制表

触发事件	通知目标	通知内容	优先级
TAM中性值变化>20%	competitor-report	TAM规模显著变化，建议重新评估市场吸引力与竞争策略	高
SAM过滤系数调整>0.1	competitor-report	可服务市场范围变化，建议更新竞品覆盖分析	中
SOM可获取份额变化>30%	opportunity-definition	可获取市场规模显著变化，建议重新评估机会评分	高
关键假设新增或变更	所有下游Skill	新增/变更关键假设，可能影响依赖本Skill输出的分析结论	中
confidence.overall_score降至<0.5	所有下游Skill	整体置信度低于阈值，下游使用本输出时需附加不确定性说明	高