“这个市场有多大？”Data Agent 最容易给出的，是一个看起来很精确的数字。最难交付的，是一套能追问、能调整的估算。
Market Sizing 这个 Skill 的重点不是帮答案补几个零，而是让规模估算有边界、有来源、有假设，并且在证据不足时明确说出不足在哪里。
先说清楚在估什么
原文要求在估算之前锁定五件事：
| 要素 | 需要明确的内容 |
|---|---|
| 对象 | 产品类别、工作流、问题、用例，还是某类活动 |
| 范围 | 地区、细分、时间跨度、市场成熟度 |
| 成员 | 谁或什么算在市场内：人群、需求单位、交易类型 |
| 单位 | 支出、收入、数量、创造的价值 |
| 问题类型 | TAM／SAM／SOM、进入机会、扩张空间、支出池、收入池 |
这一步看起来像流程形式，实际上是估算质量的分水岭。估“收入”和估“交易额”会得到完全不同的数量级；把“意向客户”算进市场，和只算“付费客户”，结论可能差一个量级。
TAM、SAM、SOM 也不必每次都凑齐三层。原文的口径是按问题需要选择，而不是按模板填满。
选择最简单、站得住的方法
原文给出三类方法，各自适用条件不同：
- 自上而下：存在可靠的市场总量数据时，从总量拆解。
- 自下而上：市场可以由可观察的单元和假设搭建时，从单元累加。
- 价值法：估算应从创造的价值出发，而不是从已发布的市场总额出发。
混合方法适合交叉核验，但原文并没有要求每次必须双算。只有当交叉核验能实质提升信心时才值得做。
如果两条路径差得很远，正确动作是先查边界、单位、覆盖和假设，而不是把两个结果平均成一个“更稳”的数。平均会掩盖真正的分歧来源。
把三类输入分开
这是整个 Skill 里最实用的一条约束：把已查证的事实、用于替代直接数据的代理输入、以及主观判断，分别标注来源与可信度。
| 输入类型 | 例子 | 处理方式 |
|---|---|---|
| 已查证事实 | 公开财报中的市场规模、官方统计 | 标注来源与日期 |
| 代理输入 | 用相邻品类的客单价替代本品类 | 说明为什么可替代、局限在哪 |
| 主观假设 | 采用率、渗透速度、转化比例 | 标注为假设，给出区间 |
常见的失真发生在边界处：行业均值悄悄变成自己的成交价，意向客户被当作付费客户，试点转化率被外推到全量。
原文还设了一条硬规则：如果缺少的是必需的权威来源，应暂停这条估算路径，请用户补充或认可替代来源，不能拿更弱的数据冒充同等证据。如果缺的只是可选的补充信息，可以继续，但要在影响结论时标注缺口。
模型要能改，别只留最终值
原文要求模型可审计、可修改，至少包含：
- 市场定义与计量单位
- 假设与来源上下文
- 计算链与派生值
- 基准情形、实质区间与敏感性逻辑
- 验证优先级
每个主要输入都要能看到来源路径：结构化数据、上下文渠道、公开来源、用户输入，还是代理假设。派生值应当能追溯到公式或代码，而不是硬编码的结果。
教学示例：1 万家企业 × 40% 可服务比例 × 2,000 元年费 = 800 万元的年收入池。这是满足假设时的可服务规模，不是已经实现的收入。
再假设其中 5%、10%、20% 采用，对应 40 万、80 万、160 万元。改一个输入，结论就会变；这个变化本身比“精确到个位”更值得看。
敏感性分析回答的是“先验证什么”
敏感性分析的用途不是制造更多情景，而是排出验证顺序。
原文的建议是：找出最影响结果的输入，展示它们上下浮动时估算如何变化，优先用简单、对决策有用的分析，而不是穷举情景。当不确定性很大时用区间，不要用单点估计掩盖它。
因此，一份好的市场估算在结尾应该能回答：
- 市场怎么定义、用什么单位衡量。
- 估算值或区间是多少。
- 方法和计算链是什么。
- 关键假设有哪些、各自的来源支撑如何。
- 主要不确定性来自哪里。
- 下一步最该验证哪个输入。
一个常见的失败模式
把估算当成结论，而不是当成待验证的模型。
一旦数字被写进汇报材料，它就开始脱离假设独立存在：三个月后没人记得 40% 的可服务比例是估的，只记得“市场是 800 万”。这就是为什么原文坚持要让假设可见、让模型可改、让敏感性写在结论旁边。
设计自己的估算流程时
三个可以立刻用的检查：
- 估算对象和计量单位，能不能用一句话说清？
- 每个输入是否都标注了身份（事实、代理、假设）？
- 如果只允许再验证一个输入，应该是哪一个？为什么？
好的市场估算交付的是“当前证据支持到哪里，以及哪条新证据最可能改变判断”，而不是一个无法追溯的大数字。