SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场market-research

market-research

营销与增长

查看项目

更新于 10-15 17:07

技能介绍

用途

market-research 是一个上游市场研究方法论技能，面向市场研究分析师、产品营销人员和战略团队。它的核心纪律是：方法与假设必须透明——TAM 从来不是一个单一数字，调查从来不能只在总体上具备统计功效，细分市场也从来不是一个简单的人口统计切片。该技能在任何人优化营销活动或制定策略之前，帮助结构化三个方法论决策。

主要能力

该技能提供三个确定性工具：

  • market_sizer.py：并排使用自上而下和自下而上两种方法计算 TAM/SAM/SOM，报告两者之间的差异，并标记三角验证失败。它从不返回单一数字。支持 b2b-saas、consumer、enterprise、marketplace、hardware、services 等市场画像。
  • sample_size_planner.py：根据置信度、误差范围和预期比例计算调查样本量，包含有限总体校正（FPC）和每个细分市场的最低样本量要求（仅在总体上具备统计功效的调查，不等于在每个报告细分市场上都具备统计功效）。该工具由参数驱动。
  • segmentation_scorer.py：按科特勒五项标准对候选细分市场评分，并执行实质性+可及性门槛；过小或不可触达的切片会被丢弃。支持与 market_sizer.py 相同的市场画像。

三个脚本均仅使用标准库，支持 --help、--sample 和 --output {human,json}。

使用方式

推荐的工作流程如下：

  1. 撰写简报：填写 assets/market_research_brief_template.md（目标、该研究将影响什么决策、规模测算方法、抽样计划、假设登记表）。
  2. 测算市场规模：运行 python3 scripts/market_sizer.py --input market.json --method both --profile {b2b-saas|consumer|enterprise|marketplace|hardware|services}。在引用任何数字之前，先调和自上而下与自下而上的差异。
  3. 规划调查：运行 python3 scripts/sample_size_planner.py --input survey.json。为每个细分市场的最低样本量提供资金，而不仅仅是总体 n。
  4. 评分细分市场：运行 python3 scripts/segmentation_scorer.py --input segments.json --profile <same>。丢弃未通过实质性/可及性门槛的细分市场。
  5. 组装证据包：合并为一份简报。每个数字都携带其方法、假设和置信度。

入门与自定义：在开始前运行一次入门问卷，它会捕获你的默认值，使技能中的每个工具都预先配置好。自定义是关键：答案会实际改变工具行为。

python3 scripts/onboard.py            # 交互式（也支持 --defaults, --set key=value, --reset）
python3 scripts/onboard.py --show     # 查看问题 + 当前有效配置

答案保存到 ~/.config/research-ops/market-research.json（全局）或 ./.research-ops/market-research.json（--scope project），并由 config_loader.py 自动读取。它们设置默认市场画像、默认调查置信度和误差范围，以及默认规模测算方法。CLI 标志始终覆盖已保存配置；RESEARCH_OPS_NO_CONFIG=1 会忽略配置。四个问题：市场画像 · 调查置信度 · 误差范围 · 规模测算方法。

使用 autoresearch 优化（可选）：该技能附带一个隔离的、可选的桥接到 engineering/autoresearch-agent。仅当你要求“优化”/“调和规模测算”/“运行循环”时，autoresearch 实验才会迭代调和你的市场模型，使自上而下和自下而上三角验证一致。scripts/ar_evaluator.py 是真实评估器；它打印 tam_divergence: <fraction>（越低越好）。

/ar:setup --domain custom --name tam-triangulation \
  --target market.json \
  --eval "python3 ar_evaluator.py --target market.json" \
  --metric tam_divergence --direction lower
/ar:loop custom/tam-triangulation

隔离性：无硬依赖——autoresearch 仅在按需时运行，循环编辑 market.json，从不编辑评估器。

适用场景

在以下情况调用此技能：

  • 董事会或高管问“这个市场有多大？”，你需要一个可辩护的、经过三角验证的答案。
  • 你正在开展一项调查，需要一个在每个细分市场都站得住脚的样本量，而不仅仅是总体。
  • 你有一份候选细分市场清单，需要知道哪些是真实市场，哪些只是人口统计切片。
  • 你正在综合竞争情报，需要一个方法论骨架。

不要使用此技能来：衡量实时营销活动（归因、ROAS、CPA → marketing-skill/campaign-analytics）、构建需求生成/付费媒体计划（marketing-skill/marketing-demand-acquisition）、设定定位/GTM 策略（marketing-skill/marketing-strategy-pmm）或设定定价（commercial/pricing-strategist）。

限制与假设

  • 规模测算工具报告两种方法，但无法验证你的输入——自上而下的“40B 美元市场的 1%”仅与所引用的来源和可服务比例一样可靠。
  • 样本量默认使用保守的 p=0.5（最大方差），除非你提供预期比例。
  • 细分市场评分是你提供的输入；工具执行门槛和加权，但不收集底层证据。
  • 竞争情报必须遵循 SCIP 道德准则——不得虚假陈述，不得使用受保护信息。

反模式

  • 没有方法的单一 TAM 数字。始终用自上而下与自下而上进行三角验证。
  • 虚假精确。按决策的容差来测算规模；“$3.7142B”暗示了你并不具备的置信度。
  • 只对总体计算统计功效。每个报告的细分市场都需要自己的样本底线。
  • 引导性或双重装填的调查问题。根据偏差文献预测试措辞。
  • 把人口统计切片称为细分市场。它必须是实质性的且可触达的。

与其他技能的区别

  • marketing-skill/campaign-analytics：衡量已部署的支出（归因、ROAS、CPA、实时活动漏斗）；本技能是上游方法论。
  • marketing-skill/marketing-demand-acquisition：运行获客（需求生成、付费媒体、渠道组合）；本技能构建证据。
  • marketing-skill/marketing-strategy-pmm：设定策略（定位、GTM、品类）；本技能测算市场规模并细分市场。
  • commercial/pricing-strategist：设定价格（定价模型 + WTP + 包装）；本技能测算市场规模。
  • product-research（同级）：研究用户（用户/产品发现方法）；本技能研究市场。

快速示例

python3 scripts/market_sizer.py --sample
python3 scripts/sample_size_planner.py --population 62000 --confidence 0.95 --moe 0.05
python3 scripts/segmentation_scorer.py --sample --output json

示例市场将约 14.7 亿美元的自上而下 SAM 与自下而上数字进行三角验证，并标记差异；细分市场示例丢弃了“可能想要分析的独立创业者”切片，因为它未通过实质性和可及性门槛。

参考文档

  • references/market_sizing_canon.md — TAM/SAM/SOM 框架（Bessemer、a16z）；自上而下 vs 自下而上；费米估算；市场模型惯例；常见规模测算谬误。
  • references/survey_methodology.md — Cochran 抽样技术；Dillman 定制设计方法；Groves 调查方法论；问题措辞偏差（Schuman & Presser）；AAPOR 标准。
  • references/segmentation_and_ci.md — 科特勒细分标准；基于需求 vs 公司特征；波特五力；SCIP 道德；Christensen JTBD；联合分析/MaxDiff 入门。

强制问题库（Matt Pocock 拷问纪律）

由 /cs:grill-research-ops 或编排器逐一提问。每个问题附推荐答案和经典引用。从不打包提问。

  • “你的 TAM 是自上而下还是自下而上——你是否两种方式都计算过以进行三角验证？”推荐：两者都做；在引用数字前调和差异。经典：Bessemer / a16z 市场规模测算；费米估算。
  • “这个市场规模实际将驱动什么决策——在什么精度下才重要？”推荐：按决策的容差测算规模，而不是虚假精确的数字。经典：市场模型惯例（Gartner/Forrester）；决策驱动分析。
  • “你的目标误差范围和置信度是多少——你的样本在每个细分市场都达标吗，而不仅仅是总体？”推荐：为每个报告的细分市场提供统计功效，而不仅仅是总体。经典：Cochran 抽样技术；AAPOR 标准。
  • “你的调查问题是否没有引导性和双重装填措辞？”推荐：预测试措辞；引用偏差来源。经典：Schuman & Presser；Dillman 定制设计方法。
  • “你的细分市场是否通过可测量/实质性/可及性/可行动性——还是只是人口统计切片？”推荐：丢弃未通过实质性或可及性的细分市场。经典：科特勒细分标准。

深度优先。在打开 3-5 之前锁定 1-2。所有问题回答后，依次调用 market_sizer.py → sample_size_planner.py → segmentation_scorer.py。