market-research

市场研究

上游市场研究方法：市场规模估算、调查与抽样设计，以及细分。本领域的核心是 方法 + 假设：TAM 从来不是单一数字，调查不能只看整体样本量是否充足，细分也绝不只是人口统计切片。

目的

市场研究分析师、产品营销人员和战略团队需要在任何人优化营销活动或制定战略之前，获得严谨的证据。本技能围绕三项方法决策展开：

三个确定性工具：

1. market_sizer.py — 并列使用自上而下和自下而上两种方法计算 TAM/SAM/SOM，报告差异并标记三角验证失败的情况。绝不只返回单一数字。
2. sample_size_planner.py — 根据置信水平、误差范围和预期比例计算调查样本量，同时考虑有限总体修正和 各细分的最低样本量（整体样本量足够的调查，并不意味着每个需要报告的细分样本量也足够）。
3. segmentation_scorer.py — 根据 Kotler 的五项标准为候选细分评分，并执行规模可观性 + 可触达性门槛；规模过小或无法触达的细分将被剔除。

适用场景

在以下情况下调用本技能：

• 董事会或高管询问“这个市场有多大？”，你需要给出站得住脚、经过三角验证的答案。
• 你正在开展调查，需要确保每个细分的样本量都足够，而不只是整体样本量足够。
• 你有一份候选细分清单，需要判断哪些是真正的市场，哪些只是人口统计切片。
• 你正在综合竞争情报，需要一套方法论框架。

请勿将本技能用于：衡量正在进行的营销活动（归因、ROAS、CPA → marketing-skill/campaign-analytics）、制定需求生成 / 付费媒体计划（marketing-skill/marketing-demand-acquisition）、制定定位 / GTM 战略（marketing-skill/marketing-strategy-pmm）或制定定价（commercial/pricing-strategist）。

工作流

1. 撰写简报 — 填写 assets/market_research_brief_template.md（目标、所支持的决策、规模估算方法、抽样计划、假设登记表）。
2. 估算市场规模 — 运行 market_sizer.py --input market.json --method both --profile {b2b-saas|consumer|enterprise|marketplace|hardware|services}。引用任何结果前，先核对自上而下与自下而上的差异。
3. 规划调查 — 运行 sample_size_planner.py --input survey.json。确保各细分达到最低样本量，而不只是整体样本量达标。
4. 评估细分 — 运行 segmentation_scorer.py --input segments.json --profile <same>。剔除未通过规模可观性 / 可触达性门槛的细分。
5. 整理证据包 — 汇总为一份简报。每个数字都须附有方法、假设和置信度。

脚本

脚本	用途	配置档
scripts/market_sizer.py	自上而下和自下而上的 TAM/SAM/SOM 计算 + 三角验证标记	b2b-saas、consumer、enterprise、marketplace、hardware、services
scripts/sample_size_planner.py	调查样本量 + 有限总体修正 + 各细分最低样本量	不适用（由参数驱动）
scripts/segmentation_scorer.py	Kotler 五项标准评分 + 门槛检查	b2b-saas、consumer、enterprise、marketplace、hardware、services

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

入门与自定义

开始前运行一次入门问卷，即可记录你的默认设置，为本技能中的每个工具预先配置。自定义正是关键：你的回答会实际改变工具行为。

python3 scripts/onboard.py            # interactive (also: --defaults, --set key=value, --reset)
python3 scripts/onboard.py --show     # see the questions + current effective config

答案保存在 ~/.config/research-ops/market-research.json（全局），或 ./.research-ops/market-research.json（使用 --scope project 时），并由 config_loader.py 自动读取。这些答案会设置默认市场 配置档、默认调查 置信水平 和 误差范围，以及默认 规模估算方法。CLI 标志始终优先于已保存的配置；RESEARCH_OPS_NO_CONFIG=1 会忽略配置。

**四个问题：**市场配置档 · 调查置信水平 · 误差范围 · 规模估算方法。

使用 autoresearch 进行优化（可选）

此技能提供与 engineering/autoresearch-agent 隔离且可选启用的桥接。只有当你要求“优化”／“协调市场规模估算”／“运行循环”时，autoresearch 实验才会迭代协调你的市场模型，使自上而下和自下而上的估算相互印证。scripts/ar_evaluator.py 是真实依据评估器；它会输出 tam_divergence: <fraction>（数值越低越好）。

/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

隔离运行：没有硬性依赖——autoresearch 仅会按需运行，循环只会编辑 market.json，绝不会修改评估器。

参考资料

• references/market_sizing_canon.md — TAM/SAM/SOM 框架（Bessemer、a16z）；自上而下与自下而上；费米估算；市场模型惯例；常见的市场规模估算谬误。
• references/survey_methodology.md — Cochran 的 Sampling Techniques；Dillman 的 Tailored Design Method；Groves 的 Survey Methodology；问题措辞偏差（Schuman & Presser）；AAPOR 标准。
• references/segmentation_and_ci.md — Kotler 的细分标准；基于需求与基于企业特征的细分；Porter 五力；SCIP 伦理规范；Christensen 的 JTBD；联合分析／MaxDiff 入门。

假设

• 规模估算工具会报告两种方法的结果，但无法验证你的输入——自上而下估算得出的“40B 美元市场的 1%”，其可靠性取决于所引用的来源和可服务比例。
• 样本量默认采用保守的 p=0.5（最大方差），除非你提供预期比例。
• 细分市场评分由你提供；工具会强制执行准入门槛和权重，但不会收集底层证据。
• 竞争情报必须遵守 SCIP 伦理规范——不得虚假陈述或获取受保护信息。

反模式

• 只有一个 TAM 数值，没有估算方法。 始终用自下而上的估算与自上而下的估算相互印证。
• 虚假的精确度。 根据决策所需的容差估算规模；“3.7142B 美元”暗示了你并不具备的置信度。
• 只为总量计算统计效力。 每个报告的细分市场都需要达到各自的最低样本量。
• 带有诱导性或双重问题的调查题目。 依据偏差研究对题目措辞进行预测试。
• 把人口统计学切片称为细分市场。 它必须既有相当规模，又易于触达。

与以下项目的区别

相邻项目	范围	区别
marketing-skill/campaign-analytics	归因、ROAS、CPA、实时营销活动的漏斗	该项目衡量已投放的支出；本项目属于上游方法论
marketing-skill/marketing-demand-acquisition	需求开发、付费媒体、渠道组合	该项目负责获客；本项目构建证据
marketing-skill/marketing-strategy-pmm	定位、GTM、品类	该项目制定战略；本项目估算市场规模并进行市场细分
commercial/pricing-strategist	定价模型 + WTP + 套餐设计	该项目制定价格；本项目估算市场规模
product-research（同级项目）	用户／产品发现方法	该项目研究用户；本项目研究市场

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 1.47B 美元的自上而下 SAM 与自下而上的估算进行交叉验证，并标记两者的差异；细分示例则剔除了“可能想要分析工具的个体创业者”这一切片，因为它未能通过规模和可触达性门槛。

强制追问问题库（Matt Pocock 式追问规范）

由 /cs:grill-research-ops 或编排器逐个提问。每个问题都附有推荐答案和权威引用。绝不打包提问。

1. “你的 TAM 是自上而下还是自下而上估算的？是否两种方法都算过，以便交叉验证？” 推荐：两种方法都用；在引用数字前先调和差异。 权威来源：Bessemer / a16z 的市场规模估算；费米估算。

2. “这个市场规模具体要支持什么决策？需要多高的精度才有意义？” 推荐：根据决策的容许误差来估算，不要追求虚假的精确数字。 权威来源：市场模型惯例（Gartner/Forrester）；决策驱动型分析。

3. “你的目标误差范围和置信度是多少？每个细分群体的样本量都达标了吗，还是只有整体达标？” 推荐：确保每个报告的细分群体都有足够的统计效力，而不只是整体样本。 权威来源：Cochran《Sampling Techniques》；AAPOR 标准。

4. “你的问卷问题是否避免了诱导性措辞和双重问题？” 推荐：预先测试问题措辞；引用偏差来源。 权威来源：Schuman & Presser；Dillman《Tailored Design Method》。

5. “你的细分是否满足可衡量、规模可观、可触达、可执行这几项标准？还是仅仅按人口统计特征划分？” 推荐：剔除未达到规模可观性或可触达性标准的细分。 权威来源：Kotler 的细分标准。

按深度优先的顺序推进。在开始 3–5 之前，先敲定 1–2。全部回答完毕后，调用 market_sizer.py → sample_size_planner.py → segmentation_scorer.py。