大多數候選人在 Market Sizing 上浪費時間，不是因為算得慢，而是因為問題設定效率低。根據我們對 400+ 場模擬面試的分析，花 20-30 秒認真做問題設定的候選人，最終完成估算的速度反而更快、準確度更高。問題設定才是真正決定速度的環節。
設定與求解的時間悖論
一個反直覺的事實：
flowchart LR
A[普通候選人] --> B["設定：10 秒"]
B --> C["求解：3+ 分鐘"]
C --> D["經常返工"]
E[高效候選人] --> F["設定：30 秒"]
F --> G["求解：2 分鐘"]
G --> H["一氣呵成"]
style A fill:#ffebee
style E fill:#e8f5e9
前期多花時間選對方法、找準關鍵驅動因素，可以避免計算中途的方向調整——那才是真正浪費時間和讓面試官困惑的地方。目標不是"更快開始算"，而是"更快算完"。
策略一：方法選擇決策樹
第一個提速技巧是在 5 秒內判斷用 Top-Down 還是 Bottom-Up。聽完題目後，立刻過一遍這棵決策樹：
flowchart TD
A[Market Sizing 題目] --> B{你知道<br>總人口/總量嗎？}
B -->|知道| C{有多個明顯不同的<br>客戶群體嗎？}
B -->|不知道| D[Bottom-Up]
C -->|有| E[Top-Down<br>+ 分層]
C -->|沒有| F{是本地/特定<br>市場嗎？}
F -->|是| D
F -->|不是| G[Top-Down 簡化]
style E fill:#e3f2fd
style D fill:#fff3e0
style G fill:#e8f5e9
| 方法 | 適用場景 | 典型題目 |
|---|---|---|
| Top-Down 簡化 | 全國性消費市場，使用者行為相對一致 | “美國牙刷市場規模？” |
| Top-Down + 分層 | 不同年齡/收入/地區行為差異大 | “美國健身市場規模” |
| Bottom-Up | 本地市場、B2B、或缺乏總量資料 | “一家星巴克門店的年收入” |
根據我們的輔導經驗，選錯方法會浪費 60-90 秒。用決策樹可以徹底避免這個問題。
策略二：三問澄清法
在任何計算之前，只問三個澄清問題。問多了浪費時間，問少了會在中途被迫修正。
必問三題：
- 範圍：“我們估算的是美國市場還是全球？”
- 指標：“是收入還是銷量？”
- 時間：“年度資料？”
這三個問題只需 15 秒，卻能預防最常見的設定錯誤。不要糾結邊緣情況——它們通常對估算結果的影響不超過 5%。
| 問題型別 | 好的問法 | 浪費時間的問法 |
|---|---|---|
| 範圍 | “僅限美國？” | “需要包括波多黎各嗎？” |
| 指標 | “收入還是銷量？” | “毛收入還是淨收入？” |
| 時間 | “年度？” | “日曆年還是財年？” |
策略三：常見市場的模式識別
有經驗的顧問做 Market Sizing 更快，是因為他們能識別模式。以下是五種最常見的市場型別及其最優結構：
mindmap
root((市場模式))
耐用消費品
家庭數 × 擁有率 × 替換週期
例：電視、冰箱、汽車
快消品
人口 × 使用頻率 × 單價
例：咖啡、牙膏、汽油
服務類
目標人群 × 滲透率 × 頻次 × 單價
例：理髮、健身房、流媒體
B2B 產品
企業數 × 員工數 × 人均用量
例：辦公用品、軟體
基礎設施
地理面積 × 密度係數 × 單位數
例：加油站、ATM、基站
模式 → 公式速查表：
| 模式 | 公式 | 關鍵估算項 |
|---|---|---|
| 耐用消費品 | 家庭數 × 擁有率 × (1/替換年限) × 單價 | 替換週期 |
| 快消品 | 人口 × 使用頻率 × 單價 | 日/周使用率 |
| 服務類 | 目標人群 × 滲透率 × 年度使用次數 × 單價 | 滲透率 |
| B2B 產品 | 企業數 × 平均員工數 × 人均用量 × 單價 | 員工滲透率 |
| 基礎設施 | 面積或人口 × 密度係數 | 每萬人/每平方公里數量 |
在 10 秒內識別出模式，就能跳過"該用什麼公式"的糾結。
策略四：MECE 分層捷徑
需要對市場分層時，預設使用以下三種經過驗證的 MECE 結構：
按年齡分（最常用）
- 0-18 歲：依賴型消費者（父母決策）
- 18-65 歲：工作成年人（主力消費群體）
- 65+ 歲：退休人群（行為/預算不同）
按收入分
- 底部 50%：價格敏感，基本消費
- 中間 40%：主流市場
- 頂部 10%：高階市場
按地理分
- 城市（美國約 80% 人口）
- 郊區（大多數情況併入城市）
- 農村（美國約 20% 人口）
分層速度法則： 只用 2-3 個分層。更多分層會增加計算複雜度，但準確度提升不成比例。
flowchart LR
A[2 個分層] --> B["快：1 分鐘計算"]
C[3 個分層] --> D["適中：2 分鐘計算"]
E[4+ 分層] --> F["慢：3+ 分鐘計算"]
A --> G["準確度：85%"]
C --> H["準確度：90%"]
E --> I["準確度：92%"]
style B fill:#e8f5e9
style F fill:#ffebee
4+ 分層帶來的邊際準確度提升很少能抵消時間成本。面試官評估的是你的方法，不是精度。
策略五：“錨點優先"設定法
在構建公式之前，先確定你的起始錨點數字。這能避免一個常見錯誤：構建出的公式需要你根本不知道的資料。
美國市場常用錨點：
| 如果估算… | 從…開始 | 數值 |
|---|---|---|
| 消費市場 | 美國人口 | 3.3 億 |
| 家用物品 | 美國家庭數 | 1.3 億 |
| 職業服務 | 美國勞動力 | 1.6 億 |
| 科技產品 | 美國智慧手機使用者 | 2.8 億 |
| 本地市場 | 城市人口 | 查詢或估算 |
錨點檢驗： 在確定方法之前，驗證你能否估算公式中的每個變數。如果某個變數實在無法估算，就換一個錨點重新構建。
策略六：時間分配法則
有意識地分配你的時間：
| 階段 | 時間 | 做什麼 |
|---|---|---|
| 澄清 | 0:00-0:15 | 問三個必要問題 |
| 選方法 | 0:15-0:25 | 應用決策樹 |
| 陳述結構 | 0:25-0:45 | 宣佈公式和分層方式 |
| 計算 | 0:45-2:30 | 代入數字，完成運算 |
| 檢驗 | 2:30-3:00 | 人均檢驗或反向檢驗 |
設定階段（前 45 秒）應該幾乎是指令碼化的。計算階段才是你根據具體問題靈活應變的地方。
綜合應用：一個快速設定示例
題目： “美國狗糧市場年規模是多少？”
快速設定（30 秒）：
- 澄清（10 秒）：“美國市場，年度收入——對嗎？”
- 模式識別（5 秒）：快消品 → 人口 × 使用率 × 單價
- 錨點選擇（5 秒）：美國家庭數（1.3 億）比人口更適合估算寵物擁有率
- 陳述結構（10 秒）：“我用這個公式：家庭數 × 養狗率 × 每隻狗年消費”
然後計算：
- 1.3 億家庭 × 35% 養狗 = 4,500 萬養狗家庭
- 平均每戶 1.5 只狗 = 約 6,800 萬隻狗
- 每隻狗年消費 $500 = 340 億美元市場
合理性檢驗： $340 億 ÷ 3.3 億人 = 約 $100/人。大約 1/3 家庭養狗，每隻狗 $150-200，合理。
總用時：不到 3 分鐘，高置信度。
拖慢速度的常見設定錯誤
| 錯誤 | 為什麼浪費時間 | 解決方法 |
|---|---|---|
| 問太多澄清問題 | 延遲開始 | 只問必要的三個 |
| 開始算了才選方法 | 需要中途轉向 | 先用決策樹 |
| 分層過細 | 計算量翻倍 | 限制在 2-3 層 |
| 先寫公式後找錨點 | 造出無解方程 | 錨點優先，公式其次 |
| 跳過結構陳述 | 獨白式計算讓人困惑 | 計算前必須說明方法 |
核心要點
- 設定階段決定速度的程度超過計算速度——花 30 秒設定可以省 90 秒計算
- 用決策樹在 5 秒內選定 Top-Down 或 Bottom-Up
- 只問三個澄清問題：範圍、指標、時間
- 識別五種市場模式（耐用品、快消品、服務、B2B、基礎設施）及其標準公式
- 分層只用 2-3 組——更多分層浪費時間但準確度提升有限
- 先確定錨點數字，再構建公式
想練習這些策略，可以使用案例庫中的 Market Sizing 案例。當你的設定已經自動化後，用 AI 模擬面試 測試端到端速度，獲取時間反饋。關於計算技巧，請參考我們的姊妹篇 Market Sizing 計算捷徑。