AI陪伴产品的总体可寻址市场（TAM）如何测算？-发现报告

好的，这个问题问得很到位。我们前面聊了AI陪伴产品的渗透率测算，现在你问到了TAM（Total Addressable Market，总体可寻址市场）——这其实是所有市场测算的起点，渗透率只是TAM计算中的一个环节。

我把TAM的测算逻辑拆开来讲，尽量说得接地气一点。

一、TAM的底层公式

TAM的计算逻辑其实就一个核心公式【1】：

TAM = 目标用户数/需求单元数 × 终局渗透率 × 稳态ARPU/单位价值

拆开来看：

这是最常用的方法——从宏观市场出发，逐层缩小到目标市场。

步骤：

优点：数据容易获取，适合快速估算
缺点：容易“拍脑袋”，如果宏观数据本身不准，结果偏差会很大【4】【5】

从单个用户/单个需求出发，逐层累加。

步骤：

优点：更贴近实际业务，可信度更高
缺点：耗时耗力，且容易遗漏潜在用户群体

从替代/转移的存量市场出发。

步骤：

优点：逻辑清晰，适合判断“需求是否真实存在”
缺点：替代率的假设难度较大

这三个概念经常被混用，但含义完全不同【3】：

注意：很多公司喜欢用TAM讲故事，但真正决定商业价值的是SOM 【4】【5】。

TAM不是一成不变的——随着技术演进和市场变化，TAM会动态调整。比如有公司对数据中心TAM进行上修，从750亿美金上调至940亿美金，增长近30% 【2】。AI陪伴的TAM同样会随着模型能力提升、用户接受度提高而持续上修。

TAM测算最大的坑是**“乐观偏差”**——把渗透率和ARPU都设得很高，算出一个巨大的市场，但实际根本达不到【1】。比如电商行业在2021年市值高峰时，市场给行业的PE超过43倍，背后是“渗透率持续上升+消费增速超GDP”的极乐观假设，被证伪后引发估值大幅下修【1】。

规避方法：做敏感性分析——把渗透率、ARPU分别设悲观/中性/乐观三档，看TAM的波动范围。

以中国AI陪伴产品为例，做一个简化的TAM测算：

注意：这只是粗略估算，实际测算需要更精细的用户分层和ARPU假设。

说句实在话，TAM测算这件事，既是科学也是艺术。科学的部分在于公式和数据的严谨性；艺术的部分在于——你怎么定义“目标用户”和“终局渗透率”，这两个参数稍微动一动，TAM可能就差出好几倍。

我的建议是：

最后送你一句话：TAM是望远镜，SOM是显微镜——望远镜让你看到远方，显微镜让你看清脚下。两者缺一不可。