市场调研

market-research

上游市场研究方法论：市场规模测算、调研/抽样设计以及市场细分。这里的核心原则是 方法 + 假设：TAM 绝不能是一个单一数字，调研不能仅在总体层面具备统计效力，细分市场绝不能仅仅是人口统计学切片。

目的

在任何人优化活动或制定战略*之前*，市场研究分析师、产品营销人员和战略团队需要严谨的证据。本技能为以下三种方法论决策提供结构化支持：

三个确定性工具：

1. market_sizer.py —— 通过自上而下和自下而上两种方法并行计算 TAM/SAM/SOM，报告两者之间的差异，并标记三角校验失败的情况。绝不返回单一数字。
2. sample_size_planner.py —— 根据置信度、误差幅度及预期比例计算调研样本量，包含有限总体修正和分段最小样本量（仅在总体层面具备统计效力的调研，在报告的细分维度上可能不具备效力）。
3. segmentation_scorer.py —— 根据 Kotler 的五项标准对候选细分市场进行评分，并强制执行“实质性 + 可触达性”门槛；规模过小或无法触达的切片将被剔除。

使用场景

在以下情况调用此技能：

• 董事会或高管询问“这个市场有多大？”，而你需要一个有据可查、经过三角校验的答案。

• 你正在开展调研，需要确保每个细分市场的样本量（而非仅总体样本量）足以支撑结论。

• 你有一组候选细分市场，需要区分哪些是真正的市场，哪些仅仅是人口统计学切片。

• 你正在综合竞争情报，需要一个方法论支撑骨架。

不要将此技能用于：衡量实时活动（归因、ROAS、CPA $\rightarrow$ 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 战略 (marketing-skill/marketing-strategy-pmm) 或设定定价 (commercial/pricing-strategist)。

工作流

1. 撰写简报 —— 填写 assets/market_research_brief_template.md（目标、该研究支撑的决策、规模测算方法、抽样计划、假设登记表）。
2. 测算市场规模 —— 运行 market_sizer.py --input market.json --method both --profile {b2b-saas|consumer|enterprise|marketplace|hardware|services}。在引用任何数据前，先协调自上而下与自下而上结果之间的偏差。
3. 规划调研 —— 运行 sample_size_planner.py --input survey.json。确保分段最低样本量获得资金/资源支持，而不仅仅是总体样本量 $n$。
4. 细分评分 —— 运行 segmentation_scorer.py --input segments.json --profile <same>。剔除不合格切片。
部分细分市场未能通过实质性/可触达性门槛。
5. 汇总证据包 —— 将其整合为一份简报。每个数字必须附带其计算方法 + 假设条件 + 置信度。

脚本

| 脚本 | 用途 | 配置文件 (Profiles) |
|---|---|---|
| scripts/market_sizer.py | TAM/SAM/SOM 自上而下及自下而上分析 + 三角校验标志 | b2b-saas, consumer, enterprise, marketplace, hardware, services |
| scripts/sample_size_planner.py | 调研样本量 n + 有限总体修正 (FPC) + 各细分市场最小值 | 不适用 (参数驱动) |
| scripts/segmentation_scorer.py | Kotler 五项标准评分 + 门槛筛选 | b2b-saas, consumer, enterprise, marketplace, hardware, services |

以上三个脚本均：仅依赖标准库，支持 --help、--sample、--output {human,json}。

入职引导与自定义

在开始之前运行一次入职问卷 —— 它会记录你的默认设置，以便该技能中的每个工具都能预先配置。自定义是核心：你的回答将直接改变工具的行为。

python3 scripts/onboard.py            # 交互式 (支持: --defaults, --set key=value, --reset)
python3 scripts/onboard.py --show     # 查看问题及当前生效的配置

答案保存至 ~/.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。这些设置决定了默认的市场配置文件 (profile)、默认的调研置信度和误差幅度，以及默认的规模测算方法。CLI 标志始终优先于保存的配置；设置 RESEARCH_OPS_NO_CONFIG=1 可忽略配置。

四个问题： 市场配置文件 · 调研置信度 · 误差幅度 · 规模测算方法。

使用 autoresearch 优化 (可选)

本技能提供了一个隔离的、可选的桥接接口，连接至 engineering/autoresearch-agent。只有当你要求“优化”/“调和规模测算”/“运行循环”时，autoresearch 实验才会迭代地调和你的市场模型，使自上而下和自下而上的结果达成三角校验。scripts/ar_evaluator.py 是基准评估器，它会打印 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：无硬性依赖 —— autoresearch 仅在按需时运行，且循环仅修改 market.json，绝不修改评估器。

参考资料

• references/market_sizing_canon.md —— TAM/SAM/SOM 框架 (Bessemer, a16z)；自上而下 vs 自下而上；费米估算；市场模型惯例；常见的规模测算误区。

• references/survey_methodology.md —— Cochran 的《抽样技术》；Dillman 的《定制设计法》；Groves 的《调研方法论》；问题措辞偏差 (Schuman & Presser)；AAPOR 标准。

• references/segmentation_and_ci.md —— Kotler 细分标准；基于需求 vs 基于企业特征；波特五力模型；SCIP 伦理规范；Christensen 的 JTBD 理论；联合分析/MaxDiff 入门。

假设条件

• 规模测算工具会报告两种方法的结果，但无法验证你的输入 —— 自上而下的“400 亿美元市场的 1%”其准确性取决于引用来源和可服务比例。

• 除非你提供预期比例，否则样本量计算采用保守的 p=0.5 (最大方差)。

• 细分市场评分由你提供；工具负责执行门槛筛选和权重计算，不负责收集底层证据。

• 竞争情报必须遵循 SCIP 职业道德准则 —— 不误导，不使用受保护的信息。

• 只有 TAM 数字而无计算方法。 务必将自上而下（top-down）与自下而上（bottoms-up）的结果进行交叉验证。

• 伪精度。 根据决策的容差来确定规模；“$37.142 亿”暗示了你并不具备的置信度。

• 仅对总量进行样本量计算。 每个报告的细分市场都需要有自己的样本量底线。

• 引导性或双管齐下的调研问题。 根据偏差相关文献对措辞进行预测试。

• 将人口统计切片等同于细分市场。 细分市场必须同时具备“规模显著”且“可触达”的特点。

区分于

| 相关领域 | 范围 | 区别 |
|---|---|---|
| marketing-skill/campaign-analytics | 归因、ROAS、CPA、实时活动的漏斗分析 | 前者衡量已投入的支出；本项是上游方法论 |
| marketing-skill/marketing-demand-acquisition | 需求生成、付费媒体、渠道组合 | 前者执行获客；本项构建证据 |
| marketing-skill/marketing-strategy-pmm | 定位、GTM、品类 | 前者制定战略；本项测算市场规模并细分 |
| commercial/pricing-strategist | 定价模型 + 支付意愿 (WTP) + 包装 | 前者设定价格；本项测算市场规模 |
| product-research (同级) | 用户/产品探索方法 | 前者研究用户；本项研究市场 |

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

示例市场分析将约 14.7 亿美元的自上而下 SAM 与自下而上的数据进行交叉验证并标记差异；细分样本则剔除了“可能需要分析工具的独立创业者”这一切片，因为其未通过规模显著性和可触达性筛选。

强制性提问库 (Matt Pocock 质询法)

由 /cs:grill-research-ops 或编排器逐一引导。每个问题配有推荐答案 + 权威引用。严禁打包提问。

1. “你的 TAM 是自上而下还是自下而上——你是否两种方法都计算过以进行交叉验证？”
推荐答案：两者都做；在引用数字前先调和两者之间的差异。
权威引用：Bessemer / a16z 市场测算；费米估算法。

2. “这个市场规模实际上将驱动哪个决策——且在什么精度下该决策才会受到影响？”
推荐答案：根据决策的容差来确定规模，而非追求伪精度数字。
权威引用：市场模型惯例 (Gartner/Forrester)；决策驱动分析。

3. “你的目标误差范围和置信度是多少——你的样本是否在每个细分市场（而非仅在总量）中都达到了该标准？”
推荐答案：为每个报告的细分市场提供足够的样本量，而非仅针对总量。
权威引用：Cochran $\textit{Sampling Techniques}$；AAPOR 标准。

4. “你的调研问题是否避免了引导性措辞和双管齐下的提问方式？”
推荐答案：对措辞进行预测试；引用偏差来源。
权威引用：Schuman & Presser；Dillman $\textit{Tailored Design Method}$。

5. “你的细分市场是否通过了‘可衡量/规模显著/可触达/可执行’的验证——还是仅仅是人口统计切片？”
推荐答案：剔除不符合规模显著性或可触达性的细分市场。
权威引用：Kotler 细分标准。

采用深度优先遍历。在开启 3-5 题之前，必须先锁定 1-2 题。全部回答完毕后，依次调用 market_sizer.py $\rightarrow$ sample_size_planner.py $\rightarrow$ segmentation_scorer.py。