Mở đầu — vì sao bài này quan trọng
Có một câu hỏi mà gần như mọi PM đều phải đối mặt ít nhất một lần trong sự nghiệp: "Thị trường này lớn cỡ nào?" Câu hỏi này xuất hiện khi bạn pitch một ý tưởng sản phẩm mới cho ban lãnh đạo, khi bạn gọi vốn từ nhà đầu tư, khi bạn quyết định có nên mở rộng sang một phân khúc khách hàng mới hay không, hoặc đơn giản là khi bạn cần ưu tiên tính năng nào đáng làm nhất. Nếu bạn trả lời sai — phóng đại con số quá mức hay đánh giá thấp tiềm năng — bạn có thể dẫn cả công ty đi theo một hướng tốn kém hàng tỷ đồng.
Vấn đề là market sizing (ước lượng quy mô thị trường) theo cách truyền thống cực kỳ tốn công. Bạn phải lục tung các báo cáo của Statista, Euromonitor, Nielsen; bạn phải tìm số liệu dân số từ Tổng cục Thống kê; bạn phải ngồi ráp các mảnh ghép rời rạc thành một mô hình Excel. Một bản ước lượng tử tế có thể ngốn của bạn cả tuần. Và tệ hơn, với thị trường Việt Nam hay Đông Nam Á, dữ liệu thường thiếu, cũ, hoặc không tồn tại ở mức chi tiết bạn cần.
Đây chính là chỗ AI thay đổi cuộc chơi. Một mô hình ngôn ngữ lớn như Claude hay ChatGPT không phải là một cơ sở dữ liệu thị trường, nhưng nó là một "đối tác tư duy" cực kỳ giỏi: nó giúp bạn dựng khung ước lượng, gợi ý các biến số bạn quên, đề xuất nhiều phương pháp tiếp cận, và phản biện chính những giả định của bạn. Trong bài này, bạn sẽ học cách dùng AI để biến một bài toán market sizing từ chỗ "vài ngày mò mẫm" thành "vài giờ có mô hình rõ ràng, minh bạch và bảo vệ được trước hội đồng".
Khái niệm cốt lõi
TAM, SAM, SOM — ba lớp của thị trường
Trước khi nói về AI, bạn phải nắm chắc bộ ba khái niệm nền tảng. Chúng giống như ba vòng tròn lồng nhau, từ rộng nhất đến hẹp nhất.
TAM (Total Addressable Market) — Tổng thị trường khả dụng. Đây là toàn bộ doanh thu có thể đạt được nếu sản phẩm của bạn chiếm 100% thị trường, không bị giới hạn bởi địa lý, năng lực hay cạnh tranh. Ví dụ: nếu bạn làm app học tiếng Anh, TAM là toàn bộ chi tiêu cho việc học tiếng Anh trên toàn cầu. Đây là con số "trần lý thuyết" — to nhất, mơ mộng nhất.
SAM (Serviceable Addressable Market) — Thị trường khả dụng phục vụ được. Đây là phần TAM mà sản phẩm và mô hình kinh doanh của bạn thực sự có thể chạm tới. Nếu app của bạn chỉ làm tiếng Anh, chỉ phục vụ người Việt nói tiếng Việt, chỉ trên nền tảng di động, thì SAM là chi tiêu học tiếng Anh online của người Việt trên mobile. SAM cắt TAM xuống bằng các ràng buộc thực tế: ngôn ngữ, kênh phân phối, mô hình giá, quy định pháp lý.
SOM (Serviceable Obtainable Market) — Thị trường thực tế giành được. Đây là phần SAM mà bạn thực sự có thể chiếm trong 1–3 năm tới, sau khi tính đến cạnh tranh, ngân sách marketing, năng lực đội ngũ. SOM là con số mà nhà đầu tư quan tâm nhất, vì nó phản ánh doanh thu khả thi chứ không phải giấc mơ. Thường SOM chỉ là vài phần trăm của SAM.
Một cách ví von dễ nhớ: TAM là cả cái bánh, SAM là miếng bánh bạn với tay tới được, còn SOM là phần bạn thực sự ăn được trong bữa này.
Hai phương pháp ước lượng: Top-down và Bottom-up
Top-down (từ trên xuống) bắt đầu từ một con số thị trường tổng lớn (thường lấy từ báo cáo ngành) rồi chia nhỏ dần bằng các tỷ lệ phần trăm. Ví dụ: "Thị trường thương mại điện tử Việt Nam 25 tỷ USD → ngành thời trang chiếm 15% → phân khúc cao cấp chiếm 10%..." Cách này nhanh nhưng dễ bị "ảo" vì những tỷ lệ phần trăm thường là phỏng đoán.
Bottom-up (từ dưới lên) xây dựng con số từ những đơn vị nền tảng: số khách hàng tiềm năng × tần suất mua × giá trị mỗi giao dịch. Cách này tốn công hơn nhưng đáng tin cậy hơn nhiều, vì mỗi biến số đều có thể kiểm chứng và tranh luận được. Nhà đầu tư giàu kinh nghiệm gần như luôn ưu tiên bottom-up.
Nguyên tắc vàng: hãy làm cả hai cách độc lập, rồi so sánh. Nếu hai con số chênh nhau gấp 10 lần, chắc chắn có giả định nào đó sai và bạn cần đào sâu. AI đặc biệt hữu ích ở đây vì nó có thể dựng cả hai mô hình song song trong vài phút.
AI giúp được gì — và KHÔNG giúp được gì
AI rất giỏi ở: dựng khung mô hình, liệt kê các biến số cần thiết, đề xuất nhiều cách phân khúc, ước lượng các con số "đại khái hợp lý" (order-of-magnitude), và phản biện giả định. Nhưng AI KHÔNG phải nguồn dữ liệu chính xác — nó có thể "bịa" ra con số nghe rất thuyết phục nhưng sai (hiện tượng hallucination). Vì vậy quy tắc bất di bất dịch: dùng AI để dựng cấu trúc và logic, còn các con số đầu vào quan trọng thì phải tự xác minh từ nguồn thật.
Tình huống thực tế
Ví dụ 1: Startup giao đồ ăn chay ở TP.HCM
Linh là PM của một startup muốn ra mắt app giao đồ ăn chay theo tháng (meal subscription) tại TP.HCM. Sếp yêu cầu một slide TAM/SAM/SOM cho buổi gọi vốn vòng seed, hạn nộp là sáng mai. Linh mở Claude và mô tả bài toán, yêu cầu dựng mô hình bottom-up.
AI gợi ý chuỗi logic: dân số TP.HCM khoảng 9 triệu → tỷ lệ người ăn chay thường xuyên hoặc bán phần (ước 10%) → trong số đó người có thu nhập đủ chi cho dịch vụ subscription (ước 20%) → người dùng smartphone và quen đặt đồ ăn online (ước 70%) → tần suất sẵn lòng đặt theo gói tháng (ước 15% nhóm trên). Nhân ra: 9.000.000 × 10% × 20% × 70% × 15% ≈ 18.900 khách hàng tiềm năng. Với giá gói trung bình 2,5 triệu đồng/tháng, SAM hàng năm ≈ 18.900 × 2,5 triệu × 12 ≈ 567 tỷ đồng.
Điều quan trọng: Linh không nhận con số một cách mù quáng. Cô hỏi AI: "Giả định nào trong chuỗi này yếu nhất?" AI chỉ ra rằng tỷ lệ "10% ăn chay" là nhạy cảm nhất và thiếu căn cứ. Linh dành 30 phút tìm khảo sát thực tế, điều chỉnh xuống 6%, và ghi rõ nguồn vào slide.
Bài học: AI dựng được khung và phép tính trong 5 phút, nhưng giá trị thật nằm ở việc bạn dùng AI để soi ra giả định yếu nhất rồi tự đi xác minh đúng chỗ đó.
Ví dụ 2: SaaS quản lý kho cho SME Đông Nam Á
Một công ty SaaS B2B muốn ước lượng TAM cho phần mềm quản lý kho hàng dành cho doanh nghiệp vừa và nhỏ (SME) tại 5 nước: Việt Nam, Indonesia, Thái Lan, Philippines, Malaysia. PM dùng ChatGPT để làm top-down nhưng nhanh chóng nhận ra rủi ro: khi hỏi "có bao nhiêu SME ở Indonesia có kho hàng", AI đưa ra con số 64 triệu SME nghe rất tự tin.
Đây là cái bẫy điển hình. Con số 64 triệu SME của Indonesia có thật, nhưng phần lớn là hộ kinh doanh siêu nhỏ (warung, bán hàng rong) — hoàn toàn không phải khách hàng tiềm năng cho phần mềm quản lý kho. PM phải prompt lại: "Hãy chỉ tính các SME có ít nhất 10 nhân viên VÀ có hoạt động lưu kho hàng hóa vật lý." Con số khả dụng thực tế tụt xuống chỉ còn vài trăm nghìn.
Để dựng mô hình minh bạch, PM yêu cầu AI xuất ra dạng bảng: mỗi nước một dòng, các cột gồm số SME đủ điều kiện, tỷ lệ sẵn sàng số hóa, ARPU dự kiến (USD/năm), và TAM từng nước. Sau đó PM thay từng con số bằng dữ liệu xác minh được từ báo cáo của từng nước.
Bài học: AI thường trộn lẫn các định nghĩa (mọi SME vs. SME đủ điều kiện). Nhiệm vụ của PM là siết chặt định nghĩa trong prompt và buộc AI tách bạch từng giả định ra thành bảng có thể kiểm chứng.
Ví dụ 3: Mở rộng thị trường khi hoàn toàn không có báo cáo
Một fintech Việt Nam muốn ước lượng thị trường cho dịch vụ "mua trước trả sau" (BNPL) nhắm vào sinh viên đại học. Vấn đề: không có báo cáo Statista nào về "chi tiêu trả góp của sinh viên Việt Nam". Đây là tình huống AI tỏa sáng với kỹ thuật "ước lượng Fermi" — chia bài toán lớn thành các mảnh nhỏ mà ta có thể đoán hợp lý.
PM yêu cầu Claude dựng ước lượng Fermi: số sinh viên đại học tại Việt Nam (~2,1 triệu) → tỷ lệ có smartphone và tài khoản ngân hàng/ví điện tử (~85%) → tỷ lệ sẵn sàng dùng BNPL cho mua sắm (~25%) → chi tiêu mua sắm trung bình có thể trả góp mỗi năm (~3 triệu đồng). Ra TAM ≈ 2.100.000 × 85% × 25% × 3 triệu ≈ 1.339 tỷ đồng/năm chi tiêu, từ đó suy ra doanh thu phí dịch vụ.
PM còn yêu cầu AI chạy ba kịch bản: thận trọng (conservative), cơ sở (base), và lạc quan (optimistic), bằng cách điều chỉnh tỷ lệ chấp nhận từ 15% lên 35%. Kết quả là một dải giá trị thay vì một con số đơn lẻ — điều này thuyết phục nhà đầu tư hơn nhiều vì nó cho thấy bạn hiểu sự bất định.
Bài học: Khi không có dữ liệu sẵn, đừng bỏ cuộc. Dùng AI dựng mô hình Fermi với các giả định minh bạch và chạy nhiều kịch bản. Một dải số có cơ sở luôn tốt hơn một con số chính xác giả tạo.
Hướng dẫn từng bước
Bước 1 — Định nghĩa rõ sản phẩm và khách hàng. Trước khi mở AI, hãy viết một câu mô tả chính xác: bạn bán cái gì, cho ai, ở đâu, mô hình giá ra sao. Càng mơ hồ ở bước này, AI càng dễ "đi lạc". Ví dụ: "App subscription đồ ăn chay, cho người trưởng thành thu nhập từ 15 triệu/tháng, tại TP.HCM, giá 2,5 triệu/gói tháng."
Bước 2 — Yêu cầu AI dựng khung cả top-down lẫn bottom-up. Prompt mẫu: "Tôi cần ước lượng TAM/SAM/SOM cho [mô tả ở bước 1]. Hãy dựng MỘT mô hình bottom-up và MỘT mô hình top-down độc lập. Với mỗi mô hình, liệt kê tất cả biến số đầu vào dưới dạng bảng, ghi rõ giả định và đơn vị. KHÔNG bịa số liệu — nếu cần dữ liệu thị trường, hãy đánh dấu [CẦN XÁC MINH]."
Bước 3 — Buộc AI làm rõ giả định. Đừng để các tỷ lệ phần trăm trôi qua mà không chất vấn. Hỏi: "Trong các biến số trên, biến nào có ảnh hưởng lớn nhất tới kết quả cuối, và biến nào yếu cơ sở nhất?" Đây là cách tìm ra chỗ bạn cần đầu tư công sức xác minh.
Bước 4 — Tự xác minh các biến số then chốt. Với những biến mà AI đánh dấu [CẦN XÁC MINH] hoặc bạn thấy nhạy cảm, hãy tra cứu nguồn thật: Tổng cục Thống kê, báo cáo ngành, khảo sát nội bộ, hoặc dữ liệu khách hàng hiện có của công ty. Thay con số ước của AI bằng con số có nguồn.
Bước 5 — Chạy phân tích độ nhạy và nhiều kịch bản. Yêu cầu AI: "Hãy tạo ba kịch bản (thận trọng / cơ sở / lạc quan) bằng cách điều chỉnh hai biến nhạy cảm nhất. Trình bày kết quả dạng bảng." Việc này biến con số đơn lẻ thành một dải giá trị đáng tin.
Bước 6 — Kiểm tra chéo top-down vs bottom-up. So hai con số. Nếu lệch quá lớn, yêu cầu AI giải thích nguồn gốc khác biệt. Quá trình hòa giải này thường lòi ra một lỗi tư duy quan trọng.
Bước 7 — Đóng gói minh bạch. Cuối cùng, yêu cầu AI giúp viết phần ghi chú phương pháp: liệt kê mọi giả định, nguồn dữ liệu, và giới hạn của ước lượng. Một slide market sizing tốt luôn kèm phần "chúng tôi đã giả định gì" — đó là dấu hiệu của PM chuyên nghiệp.
Lỗi thường gặp & mẹo
Lỗi 1: Tin con số AI đưa ra như sự thật. AI có thể tạo ra "12,3 tỷ USD" với độ tự tin tuyệt đối mà không có cơ sở nào. Luôn yêu cầu AI tách số liệu giả định khỏi phép tính, và tự xác minh mọi con số đầu vào quan trọng. Quy tắc: AI lo logic, bạn lo dữ liệu.
Lỗi 2: Lẫn lộn TAM với SOM. Nhiều người pitch "thị trường 50 tỷ USD" (TAM toàn cầu) trong khi sản phẩm chỉ thực sự với tới vài chục tỷ đồng (SOM). Nhà đầu tư tinh ý sẽ thấy ngay sự thiếu trung thực. Luôn trình bày đủ ba lớp và nhấn mạnh SOM khi nói về doanh thu khả thi.
Lỗi 3: Định nghĩa khách hàng quá rộng. Như ví dụ 64 triệu SME Indonesia — nếu định nghĩa lỏng lẻo, con số sẽ phồng lên vô lý. Mẹo: luôn thêm các điều kiện loại trừ rõ ràng trong prompt ("chỉ tính những ai có X và Y").
Lỗi 4: Dùng một con số duy nhất. Thực tế đầy bất định. Mẹo: luôn trình bày dải (range) với ít nhất ba kịch bản. Điều này vừa trung thực hơn vừa thể hiện bạn đã suy nghĩ thấu đáo.
Lỗi 5: Quên kiểm chứng chéo. Chỉ làm một phương pháp rồi dừng. Mẹo: bắt buộc làm cả top-down và bottom-up, rồi hòa giải. Đây là "kiểm tra sức khỏe" rẻ nhất cho mọi mô hình.
Mẹo tăng tốc: Lưu một prompt template market sizing của riêng bạn (xem bước 2) để tái sử dụng. Mỗi lần có sản phẩm mới, chỉ cần thay phần mô tả là có khung ngay.
Bài tập thực hành
Hãy chọn một trong hai đề sau và hoàn thành bằng AI:
Đề A: Bạn là PM của một startup muốn ra mắt app dạy lập trình cho học sinh cấp 3 tại Việt Nam, giá 500.000 đồng/khóa. Dùng AI dựng mô hình bottom-up cho SAM. Yêu cầu cụ thể:
- Viết câu định nghĩa sản phẩm/khách hàng rõ ràng trước khi mở AI.
- Prompt AI dựng bảng biến số với cờ [CẦN XÁC MINH].
- Tìm ít nhất 2 con số thật để thay thế giả định của AI (gợi ý: số học sinh cấp 3 từ Tổng cục Thống kê).
- Chạy 3 kịch bản và trình bày dải SAM.
Sản phẩm cuối: một bảng TAM/SAM/SOM kèm phần ghi chú giả định và nguồn. Hãy tự chấm: nếu một nhà đầu tư hỏi "con số này từ đâu ra?", bạn có trả lời được từng dòng không?
Tóm tắt
Market sizing là kỹ năng nền tảng giúp PM ra quyết định và thuyết phục người khác bằng con số thay vì cảm tính. Ba khái niệm cốt lõi là TAM (trần lý thuyết), SAM (phần phục vụ được) và SOM (phần thực giành được), kết hợp với hai phương pháp top-down và bottom-up nên làm song song để kiểm chứng chéo.
AI rút ngắn quá trình này từ nhiều ngày xuống vài giờ, nhưng vai trò của nó là dựng khung logic, liệt kê biến số, đề xuất kịch bản và phản biện giả định — chứ KHÔNG phải nguồn dữ liệu chính xác. Quy tắc bất biến: AI lo cấu trúc và phép tính, bạn lo xác minh dữ liệu đầu vào quan trọng. Hãy luôn siết chặt định nghĩa khách hàng, đánh dấu các con số cần xác minh, chạy nhiều kịch bản để có một dải giá trị, và đóng gói mọi giả định một cách minh bạch. Làm được như vậy, bản market sizing của bạn không chỉ nhanh hơn mà còn đáng tin và bảo vệ được trước bất kỳ hội đồng khó tính nào.