TAM/SAM/SOM Calculator：用可辩护的底层估算为产品做市场规模测算（Product-Manager-Skills 实战指南）

AI 技能AI 插件【免费下载链接】Product-Manager-SkillsProduct Management skills framework built on battle-tested methods for Claude Code, Cowork, Codex, and AI agents.项目地址https://gitcode.com/gh_mirrors/pr/Product-Manager-Skills点击查看免费下载导读本文围绕 tam-sam-som-calculator 这一交互式技能展开系统讲解如何为产品创意、商业论证business case与高管评审计算 Total Addressable MarketTAM、Serviceable Available MarketSAM与 Serviceable Obtainable MarketSOM。你将掌握三种入口模式自带数据、引导式访谈、自主研究、四个自适应提问环节、确定性辅助脚本的用法以及一套带数据源引用、可逐年更新的完整市场分析输出结构最终能够为 CFO 或投资人交付经得起追问的市场规模估算。一、核心框架TAM / SAM / SOM 三级市场模型该技能以经典的三层市场分层模型为骨架每一层都有明确的问题与之对应Total Addressable Market总潜在市场TAM产品或服务的总市场需求回答的问题是如果我们拿下 100% 的市场收入是多少是最宽泛的市场定义不附加任何约束。Serviceable Available Market可服务市场SAMTAM 中你的公司现实可触及的那部分通过地域、企业画像firmographics、人口特征或产品约束进行收窄回答的问题是我们的产品实际能触达谁。Serviceable Obtainable Market可获取市场SOMSAM 中你在现实条件下能够拿下的部分需要考虑竞争、市场约束与 GTMgo-to-market能力回答的问题是未来 13 年内我们能拿到多少。为什么这套模型有效自上而下校验TAM → SAM → SOM 逐层收窄保证估算锚定现实而非空中楼阁对投资人友好这是 VC 与高管都熟悉的标准框架沟通成本低可引用背书真实数据源美国人口普查局 Census、Statista、世界银行 World Bank 等为数字增加可信度自适应提问问题会根据上下文B2B vs B2C、美国 vs 全球等动态调整。反模式这套技能不是什么不是一个单一数字的猜测例如市场有 100 亿美元却没有支撑数据不是静态结论市场会演变应每年重新评估不能替代客户验证市场规模 ≠ 产品市场契合product-market fit。使用边界适合使用的时机向投资人或高管路演PPT 中需要市场规模验证产品创意市场够不够大产品线优先级排序哪个机会更大设定增长目标现实可捕获多少。不适合的场景内部工具且用户被锁定没有外部市场问题空间尚未定义清楚之前市场规模测算依赖清晰的问题空间作为唯一验证手段需与客户研究配合。二、三种入口模式按你的证据状态选择技能支持三种进入方式取决于你的证据evidence目前在哪里自带数据Bring your own numbers——你已有人口与 ARPU每用户年均收入数字直接进入计算环节借助辅助脚本可做到完全确定性输出引导式访谈Guided interview——最多 4 个自适应问题帮你逐步构建输入即下文默认流程自主研究Autonomous research——Agent 依据政府统计与公开文件构建自底向上、带引用的估算你在旁审阅证据见下文Mode 3。典型调用示例Size the market: AI scheduling assistant for independent dental practices, US only, $99/mo price point.自带场景信息 或研究模式Research-mode market sizing: field-service dispatch software, DACH region; I have no numbers yet.无任何数据走自主研究无论哪种模式随调用一起提供的任何内容——技能名后的文本、粘贴的上下文、或追加的ARGUMENTS:行——都会被当作已回答的问题直接使用并跳过对应环节不重复提问。空手而来也没问题计算器会先问你要测算什么、为谁测算再逐步推进方法与假设。三、交互协议遵循 workshop-facilitation 的会话规则本技能默认遵循 workshop-facilitation 交互协议由它定义开场提示session heads-up与入口模式选择Guided 引导式 / Context dump 上下文粘贴 / Best guess 最佳猜测每轮只问一个问题的单问题回合使用平实语言进度标签例如Context Qx/8、Scoring Qx/5让用户始终清楚还剩多少中断处理与暂停/恢复行为决策点上的编号建议numbered recommendations常规问题的快捷编号选项必要时包含Other (specify)。交互式技能interactive type在 skills-index.yaml 中被登记为type: interactive主题标签为market-intelligence隶属于 v0.83 发布的 Market Intelligence Suite见 Market Intelligence Suite Summary。该技能自身只定义领域内的评估内容若与协议冲突以本文档的领域逻辑为准。四、Step 0提问前先收集上下文正式提问前Agent 会建议用户提供产品上下文已有自有产品时可提供网站文案首页、产品页、价值主张陈述营销邮件或落地页产品描述或定位陈述案例研究或客户证言销售 deck 或路演材料。还没有产品时找一个相似或相邻的产品竞品或对标物复制其网站首页、产品描述或落地页以此为市场规模的参考点。为什么这有帮助营销材料中已经包含了目标受众、痛点与价值主张基于真实内容自己的或竞品的分析能让测算扎根于现实还可以对照相似产品的市场定位做基准对比。上下文可直接粘贴也可以仅提供一段简短描述后继续。五、确定性辅助脚本market-sizing.py 的用法与实现原理如果已经掌握人口与 ARPU 数字或一个 TAM 估值可以运行确定性辅助脚本计算 TAM/SAM/SOM 并生成 Markdown 表格。该脚本不联网取数、不写文件只向 stdout 输出摘要python3 skills/tam-sam-som-calculator/scripts/market-sizing.py --population 5400000 --arpu 1000 --sam-share 30% --som-share 10%在仓库中实际运行该命令输出如下# Market Size Summary Inputs: - Population x ARPU: 5,400,000 x $1,000 - SAM share of TAM: 30% - SOM share of SAM: 10% | Metric | Formula | Estimate | | --- | --- | --- | | TAM | Population x ARPU: 5,400,000 x $1,000 | $5,400,000,000 | | SAM | TAM x 30% | $1,620,000,000 | | SOM | SAM x 10% | $162,000,000 |从 market-sizing.py 源码可以看到几个关键实现细节两种输入基座互斥--tam直接给 TAM 值与--population人口数构成 argparse 互斥组且必选其一若用--population则--arpu为必填否则直接报错L31-L43百分比与小数皆可parse_share兼容30%与0.3两种写法统一转为小数L11-L16份额合法性校验sam-share与som-share必须落在 (0, 1) 开区间等于 0 或 1即声称 0% 或 100% 捕获都会被拒绝L46-L48货币符号可定制默认$可用--currency换成€等其他符号输出自动保留两位小数并去掉多余的.00L19-L24。计算关系即为TAM population × ARPU或直接采用--tam输入、SAM TAM × sam-share、SOM SAM × som-share。脚本的确定性意味着只要输入相同任何人运行都会得到完全一致的表格这本身就是可审计性的一部分。六、Mode 3自主研究模式用户没有任何数字时当用户选择研究模式——或带着一个市场和决策、却没有数据抵达时——技能会按 autonomous-investigation 协议把测算当作一次调查来执行只问剩余未答的问题展示一个 3 条要点的搜索计划3-bullet search plan然后自底向上构建估算每个数字都标注 Fact / Inference / Assumption事实 / 推断 / 假设并给出引用。自底向上配方配方来自 intelligence-collection-disciplines 中的 GEOINT/DEMOINT 纪律TAM: 该市场的机构数量establishment counts来自 Census/NAICS、Eurostat/NACE 或对应国别的等效统计 × 就业/支出基准BLS、Eurostat、行业协会数据 与两份独立分析师报告交叉验证若两者相差 3 倍以上如实说明 SAM: TAM 按你的实际约束过滤地域、细分、合规要求、 技术前提technographics谁*能*买你、适用的供应商注册资格 SOM: SAM × 从竞品公开文件推导的现实捕获率 竞品收入 ÷ 其宣称客户数 客单价现实校验为什么自底向上更经得起质询一个自上而下的数字500 亿美元市场里的 2%借用的是别人的分母把所有假设都藏在了里面。机构数量 × 基准则把计算过程摊开让持怀疑态度的 CFO 可以一次攻击一个假设而不是整页推翻。捕获率技巧capture-rate trick把 SOM 锚定在在位者incumbent实际达成的水平而不是美好的愿望。研究模式的输出与标准分析结构一致另加两项内容每个数字附证据标签以及一份Assumptions to Validate待验证假设清单。完成输出后除常规下一步外还要提供重新运行选项——基于统计发布构建的市场规模会缓慢但确实地腐化sizing built from statistics releases rots slowly but really按融合节奏fusion cadence每年重跑一次。七、四个自适应问题完整交互流程这是默认的引导式访谈路径每步都提供带编号的上下文感知选项用户可按编号选择或自定义输入。问题 1问题空间Problem SpaceAgent 提问基于你提供或即将描述的上下文你正在为哪个问题空间做市场规模测算4 个枚举示例可输入编号或自定义B2B SaaS 生产力——例如面向小企业运营的工作流自动化类似 Zapier、Integromat消费金融科技Consumer fintech——例如面向 Gen Z 用户的个人记账应用类似 Mint、YNAB医疗 / 远程医疗——例如面向远程工作者的心理健康支持类似 BetterHelp、Talkspace电商使能——例如面向在线卖家的支付处理类似 Stripe、Square。技巧若提供了网站文案或营销材料Agent 可从类似句式提取问题空间我们帮助 [目标] 解决 [问题]、[用例] 的头号解决方案、证言或案例研究中的客户痛点。问题 2地理区域Geographic RegionAgent 提问你瞄准哪个地理区域4 个枚举选项根据问题空间自适应调整美国——人口普查局 Census Bureau 数据最细、BLS 统计与行业报告最扎实欧盟——使用 Eurostat 与各国统计机构注意 GDPR / 合规考量全球——世界银行、IMF 数据覆盖广但粒度粗特定国家 / 区域——例如加拿大东南亚拉丁美洲。自适应逻辑若问题 1 选了 B2B SaaS选项 1→ 侧重美欧市场SaaS 采纳成熟若选了消费金融科技选项 2→ 提及新兴市场移动端采纳率更高。问题 3行业 / 细分市场Industry/Market SegmentsAgent 提问该问题空间对应哪些具体行业或细分市场示例枚举当问题 1 B2B SaaS、问题 2 美国时SMB 服务业——540 万家企业收入 1.2 万亿美元US Census, 2023专业服务法律、会计——110 万家公司收入 8500 亿美元IBISWorld, 2023医疗服务提供商——90 万家诊所行业规模 4 万亿美元BLS, 2023科技 / 软件公司——50 万家公司收入 1.8 万亿美元Statista, 2023。自适应逻辑若问题 1 消费金融科技改为提供消费者细分如Gen Z 18-25千禧一代 25-40若问题 1 医疗提供如基层保健医生治疗师 / 咨询师等细分。问题 4潜在客户人口 / 企业画像Agent 提问谁是被此问题影响的潜在客户示例枚举当问题 1 B2B SaaS、问题 3 SMB 服务业时10-50 人的 SMB——120 万家企业收入 4000 亿美元Census Bureau, 202350-250 人的 SMB——60 万家企业收入 8000 亿美元Census Bureau, 2023个体创业者 / 自由职业者——350 万自雇人士收入 2000 亿美元BLS, 2023有线上业务的服务型企业——200 万家企业6000 亿美元电商规模Statista, 2023。也可自定义客户细分企业画像、人口特征、收入水平等。每轮作答后Agent 基于前序回答调整下一题选项——这就是自适应adaptive的含义。八、输出生成完整的 TAM/SAM/SOM 分析收集完四个问题的回答后Agent 生成结构化分析。完整输出骨架如下可对照 template.md 的填空结构# TAM/SAM/SOM Analysis **Problem Space:** [问题 1 的输入] **Geographic Region:** [问题 2 的输入] **Industry/Market Segments:** [问题 3 的输入] **Potential Customers:** [问题 4 的输入] --- ## Total Addressable Market (TAM) **Definition:** 若在问题空间捕获 100% 潜在客户时的总市场需求。 **Population Estimate:** [由数据源计算] - **Source:** [引用例如 US Census Bureau, 2023] - **Calculation:** [展示数学过程例如 5.4M SMBs × $1.2T revenue $1.2T TAM] **Market Size Estimate:** $[X] billion/million - **Source:** [行业报告引用] - **URL:** [可点击的数据源链接] --- ## Serviceable Available Market (SAM) **Definition:** TAM 中产品可现实触达的细分按地域、企业画像、产品契合度收窄。 **Segment of TAM:** [问题 4 收窄后的细分] **Population Estimate:** [计算值] - **Source:** [引用] - **Calculation:** [展示数学过程例如 1.2M SMBs with 10-50 employees] **Market Size Estimate:** $[X] billion/million - **Source:** [引用] - **URL:** [链接] **Assumptions:** - [列出关键假设例如 假设 50% 的 SMB 有自动化工具预算] --- ## Serviceable Obtainable Market (SOM) **Definition:** 未来 1-3 年现实可捕获的 SAM 部分考虑竞争与市场约束。 **Realistically Capturable Market:** [基于市场成熟度与竞争的估算] **Population Estimate:** [计算值] - **Source:** [引用] - **Calculation:** [展示数学过程例如 1.2M SMBs × 5% market share (Year 1) 60K customers] **Market Size Estimate:** $[X] million - **Assumptions:** - [竞争假设例如 5 个主要竞品领导者占 15% 份额] - [GTM 假设例如 销售产能第 1 年每月 50 个客户] - [转化假设例如 10% 试用转付费率] **Year 1-3 Projections:** - **Year 1:** [X]K customers, $[X]M revenue (5% of SAM) - **Year 2:** [X]K customers, $[X]M revenue (10% of SAM) - **Year 3:** [X]K customers, $[X]M revenue (15% of SAM) --- ## Data Sources Citations - [Source 1: 例如 US Census Bureau (2023). County Business Patterns.] - [Source 2: 例如 IBISWorld (2023). Professional Services Industry Report.] - [Source 3: 例如 Statista (2023). SMB Software Market Size.] - [列出所有用到的数据源] --- ## Validation Questions 1. **Does TAM align with industry reports?** [与第三方市场研究对比] 2. **Is SAM realistically serviceable?** [GTM 动作能否触达该细分] 3. **Is SOM achievable given competition?** [3 年内 5-15% 份额现实吗] --- ## Next Steps 1. **Validate with customer interviews:** 问题是否在目标细分中引起共鸣 2. **Benchmark against competitors:** 在位者占有多少市场份额 3. **Refine SOM based on GTM capacity:** 销售 / 营销能否支撑该增长 4. **Update annually:** 市场会变——每年重新评估 TAM/SAM/SOM --- **Would you like to refine any assumptions or explore a different segment?**这套输出结构的关键点在于每个数字都有来源与计算过程、每个收窄步骤都明确假设、SOM 附带逐年预测与 GTM 约束、结尾用三个验证问题自检。九、示例对照好的分析与坏的分析完整的实战示例见 examples/sample.md其中包含正反两个案例。好示例的要点以 B2B SaaS 工作流自动化为背景从 Zapier 官网文案提取问题空间automates workflows、busy people随后一路应答B2B SaaS 生产力 → 美国 → SMB 服务业 → 10-50 人 SMB。最终分析里 TAM 引用 Gartner 报告$50B且拆分为大企业 $30B / 中端 $15B / SMB $5BSAM 用 Census 数据推导5.4M × 22% 1.2M 家企业× $3,000 年均软件支出 $3.6B并明确列出50% SMB 有预算年均 $3,000 软件支出等假设SOM 给出 1% → 5% → 15% 的三年爬坡12K → 60K → 180K 客户竞争假设Zapier 20%、Integromat 10%、GTM 产能PLG 模式试用注册从月 1K 爬升到 15K、转化率10%与流失率15%全部写明验证环节甚至主动标注SOM 是 stretch goal延展目标——因为 Zapier 已占 20% 份额。坏示例则是典型反例TAM 只写生产力市场很大大概 1000 亿美元SAM 写我们面向小企业所以大概 100 亿SOM 写第一年拿 1%即 1 亿美元。它失败的四个原因无引用$100B 从哪来、细分模糊小企业有多少多大规模、假设未记录SAM 的 1% 凭什么、无人口估算、无验证问题与下一步。十、五个常见陷阱与修复方法陷阱 1TAM 无引用症状市场有 500 亿美元无来源。后果无法向投资人或高管捍卫这个数字。修复引用行业报告Gartner、IBISWorld、Statista并附 URL。陷阱 2SOM 等于 SAM症状SAM 是 50 亿SOM 也是 50 亿假设 100% 捕获。后果不现实的预测——不存在零竞争的市场。修复考虑竞争后SOM 应为 SAM 的 1-20%第 1-3 年。陷阱 3没有人口估算症状只有金额没有客户数。后果不知道客户量就无法制定销售 / 营销计划。修复始终包含人口数字例如120 万家企业或第 1 年 6 万客户。陷阱 4假设静止不变症状TAM/SAM/SOM 只算一次从不更新。后果市场变化导致数据陈旧。修复每年重新评估。市场增长/收缩、竞争变化、新数据出现。陷阱 5忽视 GTM 约束症状第 1 年 SOM 是 SAM 的 50%但没有销售团队。后果SOM 脱离了 GTM 产能不现实。修复把 SOM 锚定在 GTM 约束上销售产能、营销预算、转化率。十一、相关技能与数据源相关技能同一仓库内的协同关系positioning-statement —— TAM/SAM/SOM 为For [target]的细分规模提供依据problem-statement —— 问题空间定义市场recommendation-canvas —— 市场规模支撑商业结果预测autonomous-investigation —— 管辖 Mode 3研究模式的协议intelligence-collection-disciplines —— 自底向上配方的 GEOINT/DEMOINT 数据源FININT 用于捕获率market-landscape-scan —— 先绘制值得测算的细分先结构后规模。辅助工具market-sizing.py —— 确定性 TAM/SAM/SOM 计算器无网络访问。外部方法论框架Steve Blank《The Four Steps to the Epiphany》2005—— 面向创业公司的市场规模测算精益创业方法论Lean Startup—— 用实验而非仅桌面研究验证市场规模。可引用数据源清单美国US Census Bureau人口普查局、Bureau of Labor StatisticsBLS、IBISWorld、Statista欧洲Eurostat、各国统计机构全球World Bank、IMF、Gartner、Forrester。十二、使用建议与操作清单在实际项目中按以下顺序使用本技能效果最佳先判断证据状态有数据走自带数据 脚本有上下文走引导式访谈两手空空走自主研究准备好营销材料无论自有还是竞品对标物Step 0 的上下文会让四个问题精准收敛坚持每个数字带引用、每个收窄带假设这是让 CFO 无从挑剔的根本SOM 必须锚定竞争与 GTM 产能宁可保守并标注stretch goal也不要写 100% 捕获输出后用三个验证问题自检并列出 Assumptions to Validate每年重跑市场规模随时间腐化按年更新并融合最新统计发布。技能元信息类型为 interactive预计耗时 20-40 分钟无外部依赖独立交互式技能在技能目录中登记路径为 skills/tam-sam-som-calculator/SKILL.md也收录于 skills-by-type.md 的市场情报类目下。完整填空模板见 template.md。赞分享AI 技能AI 插件【免费下载链接】Product-Manager-SkillsProduct Management skills framework built on battle-tested methods for Claude Code, Cowork, Codex, and AI agents.项目地址https://gitcode.com/gh_mirrors/pr/Product-Manager-Skills点击查看免费下载相关推荐Product-Manager-Skills 中的 TAM/SAM/SOM 市场规模计算模板从模板骨架到可辩护的规模估算Product Manager Skills 中的 TAM/SAM/SOM 市场规模计算模板从模板骨架到可辩护的规模估算 导读 本文讲解 Product MaAI 技能AI 插件Product Manager 技能库中的 TAM/SAM/SOM 市场测算从可辩护的三层市场规模到实战示例Product Manager 技能库中的 TAM/SAM/SOM 市场测算从可辩护的三层市场规模到实战示例 本文以 Product Manager SkilAI 技能AI 插件PM Skills 之市场容量估算实战用 TAM、SAM、SOM 与自顶向下/自底向上双轨法量化市场机会PM Skills 之市场容量估算实战用 TAM、SAM、SOM 与自顶向下/自底向上双轨法量化市场机会 市场容量估算是产品经理评估机会、准备投资人汇报、判断AI 技能AI 插件上一篇Typora插件图表功能4种引擎从安装到出图的实操笔记下一篇m4s-converter免费一键 m4s 转 MP4 完整上手指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考