昨天写了竞品分析，有人问："如果是完全陌生的行业呢？不知道竞品是谁、数据从哪找怎么办？"
这就是行业调研——比竞品分析高一个层级。
竞品分析是"已知对手，比谁强"；行业调研是"未知全貌，从零构建认知"。
这篇文章教你怎么用AI做出咨询公司卖几万块的那部分：市场规模估算、竞争格局判断、趋势洞察。看完你能搭出框架——完整的方法论和实操要点，关注后私信获取。
从一份行业调研报告说起
上周有个做SaaS的朋友跟我吐槽：
"老板让我出一份'智能客服赛道行业调研报告'，给投资人看。我上网搜了一圈，研报要么是两年前的，要么要花钱买。免费的数据东一块西一块，拼起来逻辑对不上。"
他的困境很典型：
竞品分析有明确的对象（你知道要查谁），但行业调研面对的是一片空白——市场有多大？谁是玩家？格局怎么分？趋势往哪走？
这些问题，百度搜不到完整答案，买研报动辄几万块，找咨询公司报价六位数起。
但他真正需要的，其实不是一份"完美报告"，而是一个能自圆其说的分析框架 + 够用的数据支撑。
AI恰好擅长干这件事。
行业调研 vs 竞品分析：难度升级了什么？
先看对比：
| 已知条件 | ||
| 数据来源 | ||
| 数据量级 | ||
| 分析深度 | ||
| 输出物 |
核心区别就一句话：竞品分析是做减法（筛选和对比），行业调研是做加法（拼接和推断）。
所以昨天的4步流水线不够用了。今天升级成5步：
信息采集 → 数据清洗 → 分析建模 → 可视化 → 报告生成 ↑ ↑ ↑ ↑ ↑ 5类数据源 非结构化 三维度 7种图 叙事链条下面一步步拆。
第一步：信息采集——5类数据源怎么选
行业调研的数据来源远比电商抓取复杂。我把常用数据源分成5类：
1. 财报和公告（硬数据）
上市公司财报（年报/Q季报） 招股说明书（含行业竞争格局章节） 巨潮资讯网、SEC EDGAR、公司投资者关系页面
能拿到什么：营收、毛利率、用户数、增速、市场份额（如果公司主动披露）
AI能做什么：批量下载PDF → 自动提取关键财务指标 → 跨公司对比
2. 行业研报（二手研究）
艾瑞/易观/IDC/Gartner等机构的公开摘要版 咨询公司官网的白皮书（麦肯锡/BCG/贝恩常免费放前几页） 高校/智库的研究论文
能拿到什么：市场规模数字（注意：不同机构统计口径差异很大）、增长率预测、产业链图谱
AI能做什么：多份研报交叉验证 → 找共识区间 → 标注矛盾点
3. 新闻和舆情（时效数据）
36氪/虎嗅/钛媒体等科技媒体的行业报道 公司官方新闻稿（融资/合作/产品发布） 微博/公众号的行业讨论
能拿到什么：最新动态、融资事件、舆论风向、关键人物观点
AI能做什么：自动分类（融资/产品/政策/人才）→ 提取结构化事件 → 时间线梳理
4. 招聘数据（侧面印证）
Boss直聘/拉脉/猎聘的岗位JD 关注：哪些公司在招人、招什么岗位、薪资范围、技能要求
能拿到什么：各家公司业务重心（招算法多=在搞AI）、扩张速度（岗位数量变化）、人才流向
AI能做什么：批量解析JD → 提取公司→岗位→技能→薪资的结构化数据
5. 专利和论文（技术前瞻）
国家知识产权局/Google Patents/USPTO arXiv/Semantic Scholar（学术论文）
能拿到什么：技术路线布局、研发投入方向、学术前沿
AI能做什么：专利文本分类 → 技术热点词云 → 申请趋势图
这里有个关键问题：不是每个行业都需要5类数据源都用。To B的SaaS行业，财报+研报+招聘数据权重高；To C的消费品牌，电商评论+社交媒体更重要。具体怎么选、每种数据源的采集方案怎么设计——这部分细节和注意事项，我整理在了配套资料里。
第二步：数据清洗——最容易被忽略的一步
竞品分析时，你抓下来的数据大概率是表格形式的（商品名/价格/销量），清洗工作量不大。
但行业调研不一样。你拿到的原始材料是这样的：
一份50页的PDF研报（文字+表格+图片混排） 200篇新闻稿（每篇格式不同） 500条招聘JD（半结构化，字段不统一） 10份财报（专业术语+附注）
这些全是非结构化或半结构化数据。
数据清洗这一步要做三件事：
1. 格式统一
把PDF/网页/文档全部转成结构化文本。AI在这里特别好用：
PDF解析（PyMuPDF/pdfplumber提取文字和表格） 网页清洗（BeautifulSoup去掉标签和广告） 文档转换（python-docx/pptx提取正文）
2. 信息抽取
从非结构化文本中提取你需要的关键实体：
公司名 → 统一简称（"字节跳动"="ByteDance"="字节"） 金额 → 统一单位和币种（"3亿人民币"="300M CNY"） 时间 → 统一格式（"2026Q1"="2026-03-31"） 百分比 → 数值化（"同比增长23%"=0.23）
3. 交叉验证
同一个指标在不同来源出现时，判断哪个更可信：
上市公司财报 > 媒体报道 > 公司PR稿 多源交叉验证：如果3份研报都给出相近的市场规模数字，可信度更高 标记异常值：某份报告的数字和其他来源差10倍以上，需要重点核查原因
这一步最容易踩的坑：不同来源的"市场规模"定义可能完全不同。有的按GMV算，有的按营收算，有的只算头部玩家。直接拿来对比会得出错误结论。具体怎么处理这些坑、Prompt怎么写才能让AI准确抽取——配套资料里有完整的清洗流程和检查清单。
第三步：分析建模——三个维度建立认知
数据洗干净之后，进入核心分析环节。行业调研通常覆盖三个维度：
维度一：市场规模估算（TAM/SAM/SOM）
这是投资人最看重的数字。
- TAM（Total Addressable Market）
：总潜在市场——理论上这个行业最多能做多大 - SAM（Serviceable Available Market）
：可服务市场——你的产品/模式能覆盖的部分 - SOM（Serviceable Obtainable Market）
：可获得市场——realistically 能拿下的份额
常用的估算方法：
- 自上而下法
：从宏观数据推演 例：中国SaaS市场 = 企业数量 × 平均IT预算 × SaaS渗透率 × 你的目标细分占比 数据来源：统计局/工信部/行业协会 - 自下而上法
：从微观数据累加 例：头部玩家公开营收 ÷ 估算市场份额 ≈ 总市场 数据来源：上市公司财报 + 合理假设 - 类比推导法
：参考成熟市场 例：美国SaaS市场占GDP的0.8%，中国市场目前0.3%，假设5年后达到0.6% 适用于新兴行业缺乏直接数据时
关键原则：不要只给一个数字。给一个区间 + 推导过程 + 关键假设。比如"中国智能客服市场规模在80-120亿之间，主要取决于如何定义'智能化'的边界"。
维度二：竞争格局分析
知道市场有多大之后，要知道蛋糕怎么分。
我习惯用一个简单的框架来定位玩家：
高技术含量 ↑ │ ┌────────────┼────────────┐ │ │ │ 领军者 │ 挑战者 │ 利基玩家│ (高市占)│ (高增长) │ (细分领域) │ │ │ │ └────────────┼────────────┘ │ 低技术含量 ← 低市场份额 —— 高市场份额 →四个象限各有含义：
- 领军者
：大公司、稳扎稳打（如智能客服领域的科大讯飞、网易七鱼） - 挑战者
：增长快、野心大（如创业公司拿到大额融资后快速扩张） - 利基玩家
：专注细分场景（如只做金融行业的客服解决方案） - 第四象限
：低市占+低技术，基本会被淘汰或被收购
AI能帮你做的：自动收集各玩家的公开数据（融资轮次/团队规模/客户案例/技术专利）→ 打标签 → 归入象限 → 输出格局图谱
维度三：趋势研判
最后一步是回答"这个行业的未来往哪走"。
我从三个层面来看趋势：
1. 政策层（PEST框架中的P）
相关监管政策（如《生成式AI服务管理办法》对AI客服的影响） 产业扶持方向（如"新质生产力""人工智能+"行动） 数据安全要求（影响部署方式：公有云vs私有化）
2. 技术层
大模型能力边界的变化（GPT-4o的多模态能力让语音客服有了新可能） 成本曲线（API价格下降速度决定产品形态） 开源 vs 闭源的格局演变
3. 市场层
客户需求变化（从"有没有"到"好不好用"再到"能不能定制"） 付费意愿变化（SaaS订阅制接受度的提升） 人才流动方向（从大厂到创业公司的跳槽趋势反映行业热度）
这三个维度的分析方法论、具体的Prompt框架、以及怎么把分析结论写成"像咨询公司出品"的叙述风格——都在配套资料里。
第四步：数据可视化——7种图表怎么选
行业调研的可视化比竞品分析更复杂，因为要讲的故事线更长。
我整理了一张图表选择指南：
| 堆叠面积图 | ||
| 分组柱状图 | ||
| 散点矩阵图 | ||
| 桑基图 | ||
| 时间轴 | ||
| 雷达图 | ||
| 热力图 |
比昨天的6种多了桑基图（产业链）和时间轴（发展历程）——因为行业调研天然需要讲"来龙去脉"。
可视化的一条铁律：每张图只回答一个问题。
堆叠面积图回答"市场有多大、在怎么变" 分组柱状图回答"谁强谁弱" 散点矩阵回答"谁有潜力" 桑基图回答"钱从哪流到哪"
一张图塞太多信息，读者什么都记不住。
配色方案、布局参数、以及每种图表的matplotlib/Plotly实现要点——配套资料里有完整的可视化规范表。
第五步：报告生成——从数据到叙事
前面四步产出一堆图表和分析结论。最后一件事是把它们串成一个有逻辑的故事。
一份好的行业调研PPT，叙事结构通常是：
封面
标题 + 副标题（明确范围和时间）+ 日期
P1：执行摘要（最重要的一页）
用3个 bullet points 说清楚核心结论 这是大多数投资人只会认真看的一页 写完所有其他页面后再回来写这一页
P2-P3：市场概况
市场规模（TAM/SAM/SOM）+ 增长率 驱动因素（为什么在增长）+ 制约因素（瓶颈在哪） 配图：堆叠面积图
P4-P5：竞争格局
玩家分层（领军者/挑战者/利基） 各家优劣势对比 配图：分组柱状图 + 散点矩阵
P6：产业链分析
上游（技术供应商/数据源） 中游（产品方） 下游（客户群体） 配图：桑基图
P7：趋势与机会
政策/技术/市场三层面趋势 2-3个具体的机会点（越具体越好，不要泛泛而谈） 配图：热力图或时间轴
P8：建议与下一步
如果是对内报告：战略建议（进入/观望/退出） 如果是对外报告：为什么我们有机会 不要超过3条建议，每条要有数据支撑
这里有个昨天提到过的坑：用python-pptx生成PPT时，坐标系统是从左上角算的，(0,0)是左上角，y轴向下增长。如果你按照直觉去放元素，内容会跑到幻灯片外面去。具体的坐标计算方法、母版设计、字体选择规范——配套资料里有完整的模板和避坑指南。
总结：你用AI做了什么
回看这5步流水线：
┌─────────────────────────────────────────────────┐│ AI驱动的行业调研流水线 │├──────────┬──────────┬──────────┬────────────────┤│ 信息采集 │ 数据清洗 │ 分析建模 │ 可视化→报告 ││ │ │ │ ││ 5类数据源 │ 非结构化 │ 三维度 │ 7种图表 ││ AI采集 │ →结构化 │ 分析 │ PPT叙事链 ││ │ AI抽取 │ AI建模 │ AI生成 │└──────────┴──────────┴──────────┴────────────────┘咨询公司卖的是"分析师的时间 + 方法论 + 行业积累"。
其中"方法论"这部分，AI已经能做到80分了。
剩下的20%——行业insight、对未言明信息的解读、对数据矛盾的判断——还是需要人来完成。
但80分已经够用了。对于大多数"老板突然要一份报告"的场景，一个能自圆其说的框架 + 够用的数据支撑，比没有强一万倍。
但我知道你会碰到这些问题
根据实际经验，以下是做行业调研时最高频出现的5个问题：
问题1：找不到数据
现象：某个细分行业几乎没有公开数据，搜出来的全是广告
原因：太细分的领域确实缺乏系统性的数据采集
解决方向：用代理数据间接推断（如通过招聘数据反推公司规模，通过招投标公告反推项目金额）
问题2：数据打架
现象：A研报说市场100亿，B研报说300亿，C研报说50亿
原因：统计口径不同（是否包含上下游、是否只算软件不含服务、地域范围等）
解决方向：不纠结"正确答案"，而是呈现"不同口径下的区间"，并说明你采用的口径和理由
问题3：分析太浅
现象：堆了一堆图表，但结论都是"市场在增长""竞争激烈"这种废话
原因：只有描述性分析，没有归因分析和洞察
解决方向：每个结论后面跟"因为……所以……"的因果链，至少追问三次"为什么"
问题4：PPT排版丑
现象：数据分析做得不错，但PPT出来像Word文档
原因：没有提前定义视觉规范（配色/字体/间距/图表风格）
解决方向：先定一套design system（主色/辅色/标题字号/正文字号/留白规则），全程严格执行
问题5：老板不满意
现象：辛苦做了两周，老板看了说"这不是我要的东西"
原因：一开始没对齐预期（老板想要的是什么深度的东西、给谁看、用来做什么决策）
解决方向：开工前花10分钟确认三个问题：①报告给谁看 ②用来做什么决策 ③需要什么程度的详细程度
资料获取
这篇文章讲了框架和思路。完整的实操方法论和注意事项，我整理成了5份配套资料：
1. 《行业调研5步 Prompt 链》：从信息采集到报告生成的完整串联Prompt框架，含每一步的关键参数和衔接逻辑
2. 《行业调研PPT模板》：12页标准结构设计，每页写什么、放什么图、数据从哪读，含配色方案和数据模型说明
3. 《数据源选择与采集方案》：5类数据源的适用场景、优先级排序、采集工具选择、反爬应对策略
4. 《市场规模估算方法手册》：三种估算方法的完整公式、适用条件、常见误区、交叉验证技巧
5. 《行业调研踩坑记录》：全流程30个坑（采集5个/清洗5个/分析6个/可视化5个/PPT 5个/流程4个），每个坑含现象→原因→解决方向
关注「阿莱巫的智能巫术」，私信"行业调研"获取全部资料。
这套东西还能做什么？
同样的"5步流水线"思路，换个场景就能用：
- 尽职调查
：投资前摸底目标公司（数据源侧重财报/专利/诉讼）— 比行业调研更深一层 - 竞品追踪
：定期监控竞品动态（数据源侧重新闻/招聘/产品更新）— 可以做成自动化周报 - 用户研究
：深入了解目标用户群（数据源侧重评论/问卷/社交讨论）— 补充定性洞察
底层能力是一样的：AI采集 → AI清洗 → AI分析 → AI可视化 → AI生成报告。
换的是数据源和分析框架，不变的是流水线思维。
为什么我值得你关注？
市面上讲AI的文章分两类：
一类讲认知："AI会改变世界""你要拥抱变化"。看完觉得有道理，然后呢？没有然后。
一类讲工具："这个按钮点那个菜单"。学会了一个功能，换个场景又不会了。
我做的事情介于两者之间：
- 不只告诉你AI能做什么
，还告诉你具体怎么做、做到什么程度、哪里会踩坑 - 不只给你代码
，还告诉你背后的思考方式——这样下次遇到新场景你能自己推导 - 不只讲成功案例
，还会说"这里容易翻车"，省得你重走弯路
认知看完就忘了。能力学会了就是你的。
关注「阿莱巫的智能巫术」，私信"行业调研"获取完整资料包。下一篇，教你怎么用AI搭建一套自动化竞品监控系统——不用每次手动跑脚本，系统自己定时干活。
