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

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 Market（TAM）、Serviceable Available Market（SAM）与 Serviceable Obtainable Market（SOM）。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，SAM）

• TAM 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，SOM）

• SAM 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 GTM（go-to-market）能力；
• 回答的问题是"未来 1～3 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：

1. 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）；
2. 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）；
3. 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.00（L19-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 Space）

Agent 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）：

1. 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）；
2. 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）；
3. 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）；
4. 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 Region）

Agent 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）：

1. 美国——人口普查局 Census Bureau 数据最细、BLS 统计与行业报告最扎实；
2. 欧盟——使用 Eurostat 与各国统计机构；注意 GDPR / 合规考量；
3. 全球——世界银行、IMF 数据；覆盖广但粒度粗；
4. 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 Segments）

Agent 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）：

1. SMB 服务业——540 万家企业，收入 1.2 万亿美元（US Census, 2023）；
2. 专业服务（法律、会计）——110 万家公司，收入 8500 亿美元（IBISWorld, 2023）；
3. 医疗服务提供商——90 万家诊所，行业规模 4 万亿美元（BLS, 2023）；
4. 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）：

1. 10-50 人的 SMB——120 万家企业，收入 4000 亿美元（Census Bureau, 2023）；
2. 50-250 人的 SMB——60 万家企业，收入 8000 亿美元（Census Bureau, 2023）；
3. 个体创业者 / 自由职业者——350 万自雇人士，收入 2000 亿美元（BLS, 2023）；
4. 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 $5B）；SAM 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 1：TAM 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 2：SOM 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 Statistics（BLS）、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：

1. 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"；
2. 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；
3. 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；
4. 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；
5. 输出后用三个验证问题自检，并列出 Assumptions to Validate；
6. 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。

• AI 技能
• AI 插件