市場大小估計 – 了解你的產品有多少潛在客戶

%e8%a1%a8%e6%a0%bc123

記得我在大三(2013年)的時候,很流行所謂的「平台創業」,人人都想建立自己的大!平!台!創業平台、媒合平台、交友平台、募資平台、社群平台等,如雨後春筍般冒出來,為什麼會那麼多人想建立滿滿的大平台呢?我想主要的原因有二:一是點子容易想而且有成功的典範,二是技術門檻低,如同創建論壇一樣,要創造出一個自己的平台相對容易。(當然,當平台擴大時,資料的倉儲將會是一大技術挑戰)

 

然而,當時的許多不夠大的平台現在逐漸消失了,卻又興起了一些有趣的大平台,像是以教育為主打的線上教學平台Hahow,就是一個我滿喜歡的平台。到底為什麼有些平台可以如此蓬勃,有些卻逐漸消聲匿跡呢?其實有一個很重要的問題是「使用者的基數」,潛在使用者(potential user)的量如果夠大,那個光靠廣告收入就可以過得很不錯了,最最最知名靠廣告生活的大平台就是Facebook跟Youtube了!然而,潛在使用者(potential user)的量如果不夠,可以依靠收費的方式創造營收,像是 Netflix、Spotify等。如果使用者的量太少的話,就無法成為滿滿的大平台,想靠這個平台賺錢有點困難。因此在許多網路平台的pitch deck,都會有市場大小的估計,像是下圖是Airbnb的pitch deck,裡面就有市場大小估計。

 

airbnb-pitch-deck-5-638

 

估計市場大小有兩種常用的方法,分別是由上而下 (top-down) 以及由下而上 (bottom-up) 的方法。由上而下的方式主要用來估計目標市場的大小,透過滲透的方式,分析「潛在市場機會」(potential market opportunity) →「潛在市場範圍」(Total Addressable Market, TAM) →「可服務市場範圍」(Serviceable Available Market, SAM) →「可獲得市場範圍」(Serviceable Obtainable Market, SOM)。由下而上的方式則用來估計總市場大小,首先必須辨認出目前的市場區隔 (market segmentation),透過估計每個市場區隔的大小,進而計算出總市場的大小。Top-down的方法我覺得比較適合運用在「在全新的市場創建一個全新的服務」時估計該服務的潛在客戶,而 bottom-up 的方法我覺得適合運用在「在全新的市場建立一個既有的服務」,比如說在選擇不同國家做服務擴張時,此時根據既有的服務我們已經有了客戶分群,想了解當地目前潛在的使用者有多少,就適合用bottom-up的方法去估計。

 

由上而下(top-down)的估計方式

 

剛剛有提到,由上而下的方式主要用來估計目標市場的大小,透過滲透的方式,分析「潛在市場機會」(potential market opportunity) →「潛在市場範圍」(Total Addressable Market, TAM) →「可服務市場範圍」(Serviceable Available Market, SAM) →「可獲得市場範圍」(Serviceable Obtainable Market, SOM)。在這裡,我們使用Bain & Company 的中國財富管理市場大小估計的模型來作說明,原始的報告請至此瀏覽

 

「潛在市場機會」是最一般化的情況來看,可以做為服務客戶的市場大小,以中國財富管理的市場來說,就是「中國所有資產的總價值」。然而,真正可以用來做財富管理的是「可投資資產」,像是股票債券等金融資產,或是可投資的不動產等,因此「可投資資產」是中國財富管理市場的「潛在市場範圍」(TAM)。而財富管理鎖定的客群是前 1% 富裕的高淨值客戶 (High Net Worth Individuals, HNWIs),因此財富管理市場的「可服務市場範圍」(SAM) 應當是中國「前1%富裕的HWNIs所持有的可投資資產總額」。

 

%e5%9c%96%e7%89%87-2

 

Bain & Comany 就是透過一層層滲透的方式,找出中國財富管理的SAM市場大小。然而,中國許多資料並不是透明或是齊全的,如:「前1% HWNIs持有的財富佔全國財富的比率」這樣的資料在中國是相當難取得的,因此必須運用許多benchmark或是估計的方式。或許有人會質疑:這樣比較或是估計怎麼可能算的準呢?還記得之前提到,top-down的方法比較適合運用在「在全新的市場創建一個全新的服務」,因此能夠估出個有感覺得數字就很好了,其實我們很難真的要求精準。重點是「這個感覺」準不準,我估出來如果中國財富管理市場很大,那不管大小是人民幣 10 trillion 還是 20 trillion,都應該是個做得起來的市場。反之,如果估出來的財富管理市場很小,那不管是人民幣 1 million還是 2 million,都是個做不起來的市場。

 

由下而上(bottom-up)的估計方式

 

由下而上的估計方式,首先必須辨認出目前的市場區隔 (market segmentation),接著透過估計每個市場區隔的大小,計算出總市場的大小。在這裡我舉的例子是 Mckinsey & Company 的照明市場大小估計,請見Mckinsey 2011年的報告。首先,將照明市場拆成四個子項目,分別是 light engine、CCG/ECG、fixture、lighting system control components,接著再把前三個項目在拆解成「新安裝」與「替換」,接著再繼續細分下去。而在 light engine中,為了計算每年的燈具(fixture)數量,又依據燈具的終端應用類型進行拆分。在建好這樣的issue tree之後,只要把每個node的數字計算出來,就能夠知道整個市場大小,同時也可以知道每個segment的市場規模。

 

%e5%9c%96%e7%89%87-3

 

在建立bottom-up的議題樹 (issue tree)時,要把握 MECE 原則。所謂的MECE包含兩個部分,也就是彼此獨立(mutually exclusive)、互無遺漏 (collectively exhaustive),比如說,在 light engine 的第二層,New Installation 跟 Replacement兩者不會重複計算到個數,也就是「彼此獨立」,同時,也沒有第三種 light engine 的來源,也就是互無遺漏。 MECE 原則可以幫助我們找到所有影響市場大小的segmentation,因此只要能夠將每個segmentation的數量算出來,就可以得到原本的總市場大小。之前也提到,bottom-up的方式適合用在已經有了客戶區隔方法的情況,就是因為這類的市場大小估計方法需要遵守MECE原則,才不會有重大遺漏。

 

實務上的一些問題

 

當然,上面講的case是顧問絞盡腦汁才想出的模型,到底實務上在建立模型時有哪些眉角呢?之前在台大商學研究社分享建模技巧時,有些社員問了一些在進行市場大小估計時實務上的問題,在這裡分享給大家我的經驗與看法。

 

Top-down Approach

  1. 能不能分享幾個比較常被用到的top-down framework呢,非常感謝!
    我覺得最常用的就是在計算營運現金流量 (operating cash flow, OCF) 時的 top-down approach,可以見此說明。其實我覺得只要能夠拆成 「C大小 = ((A大小 * A比率) *B比率) * C比率,C包含於B包含於A」的這種問題都可以用top-down approach。
  1. 有一些沒辦法驗證的比率(例如:進入新市場前五年的市佔率),想詢問有沒有好的預估/假設方法?
    (1) Benchmark:找過去同類型產品的市佔率
    (2) Comparison:找目前市場上同類競爭者的市佔率
    (3) Survey Research:做市場調查蒐集問卷資料
    (4) Testing:實際選定一個測試市場發售

 

Bottom-up Approach

  1. 我們應該要在進行資料分析之前就選定好segment,還是直接多嘗試以不同的segment來分析資料,再來看看哪種方式得到的結果最有洞見呢?
    在事前就要先選定好,也就是,你必須根據你建立的架構以及這個產業的domain knowledge,決定適當的segment,再去去蒐集資料。
  2. 如何訓練自己在衡量「哪些數字資訊是重要/必須的」的能力呢?
    在建好自己的架構與假說之後,要不斷去尋問自己:「如果我要證明這個假說,我應該要用哪些資料?」
  3. 對於資料庫比較找不到的資料像是各部門較為詳細的財報或是各種產品銷售額的狀況,除了找認識的內部人員之外有沒有其他關於撈資料的建議呢?
    這種資料通常不會有地方有,你只能拿其他公司來benchmark,或是花資料庫買資料,但基本上很難。(這就是為什麼券商/投顧都要派人去聽法說會,call公司的原因。)但一般如果你是在公司內部工作,這種情況很少會發生。

 

好啦!今天關於市場大小的估計就到這裡結束,下次當你腦中浮現出一個大平台的點子,不妨簡單的想想看,這個平台到底有多大,平台到底能不能滿滿der,這樣可以讓你在更了解一個點子的價值喔!有關 David’s Perspective 的最新文章,都會發布在大鼻的 Facebook 粉絲專頁,如果你喜歡大鼻的文章,還請您不吝嗇地按讚或留言給我喔!

大鼻觀點:https://www.facebook.com/davidperspective/

About David Huang

目前於哈佛大學商學院攻讀量化行銷博士,曾任 Migo.tv Data Lead、Mastercard Data & Services 顧問、InrayTek 資料科學家。過去曾協助東南亞與大中華區的領先企業導入資料科學架構,解決使用者體驗優化、個人化推薦演算法設計、客戶偏好分析、新產品導入與訂價、客戶長期價值管理等重要商業問題。

5 Comments

  1. Hi 很感謝您的資料
    對於我這種化學工程背景
    從沒上過市場相關課程卻直接上英文版的新創企業課程幫助很大

發表迴響

你的電子郵件位址並不會被公開。 必要欄位標記為 *