我结合麦肯锡分析师30年经验方法论做了一个「 行业分析 Skill」，能快速帮你了解任何行业，在公众号后台回复关键词「行业分析」就能直接获取一个你的私人商业分析员工。不过我还是建议你花一小段时间看完文章内容，这能让你更好理解未来生成的报告内容并形成自己的认知逻辑。

你有没有过这种经历——

老板突然丢过来一个行业，让你三天内出一份分析报告。你打开搜索引擎，输入行业名称，出来的要么是过时的新闻稿，要么是不知道谁写的「深度分析」。你硬着头皮拼凑了一堆数据。

又或者，你看好一个赛道想投资，看了几十篇研报、公众号、知识星球。信息堆了上百页，但你真的敢说「我了解这个行业」吗？同一个行业，A 报告说市场规模 500 亿，B 报告说 2000 亿，C 分析师看多，D 分析师看空。你该信谁？

还有一种情况：你是个创业者，盯上了一个新赛道——宠物经济火了、AI 应用层爆发了、咖啡赛道疯狂扩张——你想冲进去分一杯羹，但心里没底。你不知道这个行业到底在哪个阶段、现在进场还有没有机会、竞争对手的护城河有多深。你怕一进去就是「高位接盘」，又怕再等就错过窗口期。

这三种场景背后，是同一类人——需要在一个陌生行业里快速形成判断力的人。不管你是在做投资决策、创业方向选择，还是在准备跳槽、做竞品分析，你最想要的，是一种「短时间摸透一个新行业」的能力。

而大多数人缺的不是信息，缺的是一个能把所有碎片拼成完整图景的万能分析框架。

麦肯锡前分析师肖璟在他的新书《如何快速了解一个行业》里讲过一个细节：他刚进麦肯锡的时候，每次被分到一个全新行业，团队只给一周时间。过了这一周，你就得能跟行业专家坐在一张桌子上流畅对话，说出只在这个行业泡了三五年的人才说得出来的见解。

但肖璟说，等你真的掌握了方法，你会发现行业研究这件事的门槛，比你想的简单。不是分析师智商高，而是他们手里有一套经过 30 年验证的方法论框架。分析师的真正能力不是「知道更多」，而是知道该看什么——他们每一分钟都在框架里工作，把有限的精力花在对的问题上。

本文基于肖璟在麦肯锡多年的实战经验和他在新书《如何快速了解一个行业》中系统梳理的核心方法论，提炼出一套完整的行业研究框架。无论你是投资人判断赛道、创业者选择方向、产品经理做竞品分析、还是职场人准备跳槽，读完这篇文章，你也能在一周内对一个陌生行业形成有洞察力的判断。

一、你为什么总是研究不透一个行业？

很多人以为「了解一个行业」等同于「收集足够多的信息」。于是疯狂下载研究报告、关注行业公众号、在知识星球里囤资料、用 AI 工具批量抓取新闻。

但你有没有发现：信息越多，你反而越困惑。

问题不在信息量，在于你没有一个「坐标系」来组织这些信息。就像你拿着一堆拼图碎片，但手上没有参考图——你根本不知道哪块该放哪里。你甚至不知道哪些碎片是垃圾，哪些是核心。

肖璟在书里打了一个比方：行研框架相当于地图。没有地图，你只是在漫无目的地「逛」，逛一天也不知道这个行业在哪条路上、往哪个方向走。你看了很多「瓷砖行业深度报告」「中国宠物经济白皮书」「2025 年 AI 应用层全景图」——但每一份都是碎片，你没有框架把它们串起来。

而这恰恰是麦肯锡、波士顿咨询、贝恩这些顶级咨询公司最值钱的东西：不是某个具体行业的 Know-how，而是一套跨行业通用的分析框架。框架告诉你：不管面对什么行业，都应该从哪几个角度切入、先看什么后看什么，每个阶段关注什么核心问题。

而这本《如何快速了解一个行业》，就是把这个框架完整地拆给你看。

二、第一步：先想清楚你研究的是「哪个行业」

听起来像废话，但这一步错，后面全错。肖璟在书里花了整整一章来讲这个问题，因为这恰恰是初学者最容易踩的坑。

「同一个行业」其实不是同一个行业

我们来做一个测试：《南方周末》和今日头条算同一个行业吗？

按感性判断，它们都是「做内容的」。但一个是纸媒，核心成本是印刷和发行；一个是算法驱动的信息平台，核心成本是带宽和工程师。它们的商业模式、成本结构、增长引擎完全不同。

按照《国民经济行业分类》，它们都算「传媒行业」。但如果你分析今日头条的时候套用纸媒的分析框架——关注发行量、纸张成本、采编团队规模——结论基本没法用。

再比如「快消品」这个行业。雀巢、联合利华、宝洁都算快消品巨头，但雀巢的核心是食品饮料，联合利华的核心是日化，宝洁的核心是个人护理。这三个细分赛道的用户决策周期、渠道结构、品牌壁垒逻辑完全不同。

行业是有「颗粒度」的

肖璟给出了一个非常实用的操作建议：行业分析之前，先花 5 分钟确定颗粒度。

具体做法：

1. 查标准分类。去搜《申万行业分类标准》或者《国民经济行业分类》（GB/T 4754），找到你的目标行业在哪个层级。申万分类从一级行业（如「食品饮料」）到二级行业（如「白酒」）到三级行业（如「高端白酒」），颗粒度逐步细化。
2. 判断研究目的对应的颗粒度。如果你是做产业趋势判断，一级行业就够了；如果你是做个股投资决策，至少要到二三级行业；如果你是创业者要找一个具体的切入点，可能要更细——比如「宠物食品」可能还太粗，你真正需要分析的是「高端天然犬粮」。
3. 检查边界。画出你的研究范围的「边界线」——横向看，这个行业的上下游分别是什么？纵向看，这个行业下面还有哪些更细的子赛道？哪些纳入分析范围，哪些排除？这一步最重要的作用是让你自己清楚：我说的每一句话，对应的范围是什么。很多人在分析报告里写着「行业增速 30%」，但读者不知道这个 30% 是「整个宠物行业」还是「宠物食品」还是「高端天然宠物粮」——口径不同，结论可以天差地别。

常见错误：把行业分析写成「大杂烩」。一篇文章里一会儿在说整个互联网行业的趋势，一会儿跳到短视频的竞争格局，一会儿又分析直播带货的转化率。读者不知道你到底在分析哪个行业，你自己其实也不知道。先定颗粒度，再动笔。

三、第二步：用「渗透率」卡位

如果只从这本书里带走一个工具，那就是渗透率定位法。这是肖璟在传统产业生命周期理论基础上做的最关键的改进，也是整个框架的核心引擎。

传统生命周期理论的致命缺陷

商学院教科书把行业分成导入期、成长期、成熟期、衰退期四个阶段。这个框架理念是对的——不同阶段行业的核心矛盾确实不同。但问题在于：你到底用什么标准判断一个行业在哪个阶段？

• 用时间？有些行业从导入到成长只要 3 个月（比如 ChatGPT 带火的 AI 应用层），有些要 30 年（比如新能源汽车从 1990 年代开始研发到 2020 年才爆发）。时间尺度完全不可比。
• 用增速？有些行业今年翻倍明年腰斩，曲线根本不平滑。2021 年的社区团购增速超过 100%，第二年直接腰斩。如果只看增速，你会误判它已经进入了成长期，实际上它只是短暂「虚火」。
• 用体量？有些行业天生体量小（比如高端雪茄），按体量划分的话永远是「小市场」，但它可能已经非常成熟甚至衰退了。

渗透率：一个让阶段判断「可量化」的指标

肖璟的改进很简单：用渗透率代替「感觉」来划分行业阶段。

渗透率 = 存量用户（或存量市场规模）÷ 潜在客户群（或潜在市场规模）

为什么渗透率比时间、增速、体量都好用？因为它衡量的是「市场还有多少未被满足的空间」——而这恰恰是行业阶段的本质。「导入期」的本质不是「行业很新」，而是「大部分人还没用上」；「成熟期」的本质不是「行业很老」，而是「能用的基本都用了，增长只能靠抢存量」。

两个关键阈值

从全球主要行业的渗透率演进历史来看，有两个阈值反复出现：

• 15% ~ 20%：行业从导入期进入成长期的「爆发前夜」。当一个行业的渗透率突破这个区间，往往意味着供需两端的飞轮开始联动——供给端的规模效应开始显现、价格持续下降，需求端的示范效应和口碑传播开始加速。最典型的案例是智能手机，2010 年 iPhone 4 发布后全球智能手机渗透率一举突破 20%，行业正式进入爆发期，此后两年渗透率从 20% 飙到 40%。
• 35% ~ 40%：行业从成长期进入成熟期的「增速拐点」。当渗透率突破这个区间，意味着「最容易转化的用户已经被转化了」，剩下的要么是价格敏感型、要么是使用场景不匹配的潜在用户。转化难度急剧上升，增速开始放缓。2014 年全球智能手机渗透率超过 65%，连 iPhone 都被吐槽「没有创新」——不是库克不行，而是整个行业已经成熟，颠覆性创新本身就很难在这个阶段出现了。

渗透率对准的完整决策表

这就是为什么有些行业分析让人感觉「隔靴搔痒」——明明一个行业还在导入期，生存都是问题，你却在分析它的竞争格局和护城河。明明一个行业已经成熟到「躺平」了，你还在算它的潜在市场规模。

问题不对，答案自然没用。框架的意义，首先在于帮你提出对的问题。

更多行业的渗透率数据

渗透率不是一个「定数」，是一个「趋势」。同样的渗透率，在快速上升通道中和在横盘阶段含义完全不同。所以在判断阶段时，要看渗透率的「最近 2-3 年的变化斜率」，而不是只看绝对数值。

四、第三步：按阶段选对「武器」

渗透率帮你定位了阶段，接下来就是针对这个阶段，用对的工具解决对的问题。

阶段一：导入期——核心是「商业模式能不能跑通」

导入期的行业有一个共同特征：看起来都很美，但大部分会死掉。Gartner 技术成熟度曲线显示，超过 80% 的新兴技术会在「期望膨胀期」之后进入「泡沫破裂低谷」，很多就再也爬不起来了。

所以在导入期，你的核心任务不是「预测这个行业能做多大」，而是「判断这个行业是不是伪命题」。

第一步：销售可行性——需求是真实存在的吗？

如果商业模式满足的需求是「假」的，后面所有分析都是空中楼阁。

肖璟给出了一个极其好用的方法，叫做时间对标法（Historical Analogy）：往前回溯，看看历史上有没有过类似的需求存在。

底层逻辑：需求是永恒的，产品和解决方案一直在变。

• 「在家快速搞定一顿饭」这个需求

  从人类社会的早期开始就一直存在。最早是干粮和腌制食品，后来有了方便面，再后来有了电话外卖和连锁快餐，现在变成了互联网外卖平台（美团、饿了么）和预制菜。每一种新形态，都在用不同的方式满足同一个底层需求——「我不想花时间做饭，但我想吃上饭」。这个需求贯穿了人类历史，所以外卖平台和预制菜的「需求真实性」不需要怀疑。

• 「碎片化时间娱乐」这个需求

  以前是看报、听收音机，后来是电视综艺、手机小游戏，现在是短视频。这个需求也是永恒的——人总有等待、通勤、排队的缝隙时间，需要内容填满。

• 反例：共享篮球

  反过来，如果一种商业模式所满足的需求「以前从未出现过」，那它有很大概率是伪需求。共享篮球就是一个经典教训——篮球本身不贵、不占地方、打球的人通常自己就有。篮球的打球场景本身就高度稳定（去球场、自己带球），不存在「临时突然想打球但没带球」的强刚需。这个赛道很快就凉了。

• 为什么共享充电宝活下来了？

  因为它满足的需求「手机没电时的紧急充电」，以前也有（随身带充电宝、找插座），但解决方案不够方便。共享充电宝把这个需求的满足效率提升了几个量级，所以它不是「创造新需求」，而是「更好地满足已有需求」。

实操检查清单

在判断一个导入期行业的需求真实性时，先问自己三个问题：

1. 这个需求在 10 年前是什么？人们当时是怎么满足的？
2. 现在这个新方案，比旧方案「好多少」？（不只是「不一样」，必须是「明显更好」）
3. 这个「更好」是不是用户愿意付费的？

如果三个问题你都答不上来，或者答案很勉强，大概率是伪需求。

第二步：利润可行性——UE 模型，算清楚到底能不能赚钱

即使需求是真实的，如果赚不到钱，这个商业模式依然不成立。肖璟推荐的核心工具是单位经济模型（Unit Economics，简称 UE 模型）。

核心思想：找到「最小运作单位」，算清楚这个单位能不能赚钱。如果最小单位都赚不到钱，规模化只会亏更多。

不同行业的最小运作单位：

UE 模型的具体计算（以连锁咖啡品牌门店为例）

单店月赚 3.5 万，年赚 42 万。如果单店投资是 50 万，大约 14 个月回本。这个 UE 模型是健康的。

但如果一家门店一天只能卖出 80 杯，月营收只有 6 万元，扣完成本后月亏损 2 万元——那开 100 家店只会亏 200 万。

大量创业者在拿融资后做的事情，恰恰是「把亏钱的模型规模化」。

肖璟的一个重要提醒：做 UE 分析时，要区分「当前亏损」和「永远亏损」。

当前不赚钱不代表永远不赚钱。要判断有没有「规模效应改善空间」。最典型的案例是美团外卖——早期每单都严重亏损，但随着订单密度提高，骑手每趟能送更多单、每单配送成本从 12 元降到 6 元以下。UE 模型从「每单亏 3 元」变成了「每单赚 1.5 元」。这才是商业模式进化的真正逻辑——不是靠讲故事，是靠配送密度的物理规律。

你需要问的关键问题：

• 成本结构里，哪些是固定成本（租金、开发人员工资）？哪些是可变成本（原材料、营销费用）？
• 可变成本能否随着规模扩大而下降？（供应链议价能力、数据飞轮效应）
• 固定成本能否被摊薄？（用户规模增长后，单用户分摊的开发成本下降）
• 如果以上三条的答案都是「否」，那这个 UE 模型就基本没有改善空间，「当前亏损」很可能是「永远亏损」。

常见错误：做 UE 分析时只看「毛利」，不看「净利」。很多创业者的 BP 里写着「毛利率 60%」，但扣除营销费用、管理费用、研发费用后，净利润是 -30%。高毛利不代表能赚钱——要看钱花在了哪里，以及这些花费能不能随着规模下降。

阶段二：成长期——核心是「这个市场到底有多大」

当渗透率突破 15%-20%，行业进入爆发期。这时候的核心问题是：天花板到底有多高？

肖璟引入了三个市场规模口径，这是麦肯锡等咨询公司的标准工具：

• TAM（潜在市场总额）：理论上这个市场最大能做多大——假设所有可能用户都开始使用，并且消费量达到峰值。TAM 问的是「终极状态」。
• SAM（可服务市场）：当前实际的市场规模——现在有多少需求已经被满足。SAM 问的是「已经发生的事情」。
• SOM（可获得市场）：某家公司现在实际拿到的份额——它的实际营收。SOM 问的是「我做到了多少」。

（注：文献中存在 Served Available Market 和 Serviceable Obtainable Market 两种表述，行业通用。本文采用上述定义，聚焦「全量-现有-可得」三层逻辑，后文一致。）

三个口径之间的关系：

• SAM ÷ TAM ≈ 渗透率（市场开发程度）
• SOM ÷ SAM ≈ 市场份额（某公司的竞争地位）

对于大多数分析目的，TAM 是最重要的判断基准。如果一个行业的 TAM 不到 300 亿，就算你拿到 10% 的市场份额也只有 30 亿营收——在中国 A 股上市都勉强。这就是为什么很多 VC 明确表示「稳态市场规模不到 500 亿的行业不投」。

怎么算 TAM？三种方法

核心心法：把算不出来的变量，拆成几个算得出来的变量。

方法一：需求导向法

从「人」出发，一层一层往下拆：

市场规模 = 目标用户数 × 渗透率 × 消费频次 × 客单价

以中国宠物食品市场为例：

适用场景：C 端消费品（食品、服装、教育、医疗等），只要你能找到「目标人群」和「人均消费」的可靠数据。

方法二：供给导向法

从「产能」或「供应量」出发：

市场规模 = 总产能 × 开工率 × 出厂均价

以中国动力电池行业为例：

适用场景：制造业、重资产行业（钢铁、化工、光伏、电池等），产能数据通常比需求数据更容易获取且更可靠。

方法三：供需匹配法（关联指标法）

找与该行业高度相关的「锚点指标」，通过稳定的比例关系推算市场规模：

市场规模 = 锚点指标 × 行业乘数

适用场景：行业直接数据难以获取，但相关宏观指标数据质量高的情况；跨行业对标分析。

市场规模的三大常见错误

1. 把 SAM 当 TAM——用当前已开发的市场规模，去代表整个行业的终极潜力，严重低估天花板。比如 2015 年有人说「中国咖啡市场规模只有 700 亿」，他们算的其实是 SAM，不是 TAM。
2. TAM 的「潜在用户」定义过于宽泛——把「所有人」都算成目标用户。比如早期共享单车算 TAM 的时候，把「中国所有城市居民」都算进去，但实际上大量老年人和农村居民根本不可能用共享单车。
3. 不同来源的数据口径不统一——一份报告用「出厂价」算市场规模，另一份用「零售价」算。两者可能相差两三倍。引用数据前一定要搞清楚口径。

阶段三：成熟期——核心是「护城河够不够宽」

当一个行业渗透率超过 40% 进入成熟期，增速放缓是必然的。这时候你的分析重心从「增长多快」转向「能不能守住」。

成熟期的行业只有三条出路：被替代品干掉、成功防守延续稳态、或者找到第二增长曲线。

第一类护城河：资源垄断——独占「生产要素」

• ① 劳动力垄断（人才壁垒）某些行业的核心竞争力高度依赖稀缺人才。芯片设计依赖顶尖架构师，量化交易依赖数学/物理 PhD，AI 大模型依赖顶级算法研究员。判断标准：这个行业里「前 10% 的人才」和「平均水平的人才」，产出差距是多少？如果是 10 倍以上差距（如顶尖基金经理 vs 普通基金经理），人才壁垒就是真实存在的护城河。
• ② 土地/地理位置垄断（资源禀赋）最典型的是茅台。离开茅台镇 7.5 平方公里核心产区，酿不出茅台酒——独特的水源、微生物菌群、气候条件无法复制。类似的还有法国波尔多的列级庄、云南的普洱茶核心产区。判断方法：如果竞争对手可以在别的地方以相似成本产出同等质量的产品，那地理垄断就不成立。
• ③ 资本壁垒（资金门槛+马太效应）不是「需要很多钱」就叫壁垒——是「新进入者融不到这么多钱」才叫壁垒。在重资产行业（芯片制造、光伏、动力电池），单座工厂投资动辄百亿起步。当已有巨头还能持续用利润再投入扩大产能时，新进入者面临的就不是「一次性」的资金门槛，而是持续的资金消耗战。
• ④ 技术壁垒（专利/版权/秘方/know-how）注意区分「技术壁垒」和「技术先进」。壁垒的关键在于「别人做不出来」还是「别人不愿意做」。可口可乐的配方、ASML 的高端光刻机、台积电的先进制程——属于前者。某个功能稍微好一点的 APP——属于后者。APP 的功能可以被快速复制，但 3nm 芯片的制造工艺需要 20 年的工程积累。
• ⑤ 数据壁垒（训练样本+算法沉淀）谷歌的搜索引擎、字节跳动的推荐算法、特斯拉的自动驾驶数据——它们的壁垒不在于「算法好」，而在于「有更多数据用于训练」。搜索量大 → 用户行为数据多 → 搜索结果更准 → 更多人来搜索，这是数据飞轮。判断数据壁垒真假的方法：新进入者能不能通过公开数据或购买数据达到类似的数据量和数据质量？如果能，壁垒就是纸糊的。

第二类护城河：网络效应——独占「生产关系」

• ① 与政府的关系壁垒（牌照/特许经营权）免税牌照、支付牌照、保险牌照、稀土开采配额、卫星频率资源……这些都是明确的政策性护城河。分析牌照壁垒时，最关键的问题不是「现在有没有牌照」，而是「牌照会不会放开」。如果政策明确表示未来 5 年内不发放新牌照，这就是硬护城河。如果每年都在增发新牌照，壁垒就在逐年变薄。
• ② 与同行的关系壁垒（行业标准/价格联盟）当一个行业的标准由某几家公司主导制定时，新进入者面临「不兼容」的风险。比如高通在通信标准上的话语权、ARM 在移动芯片架构上的垄断地位。你想做一个新东西？得先通过标准认证，而标准是谁定的？正是你的竞争对手。
• ③ 与供应商的关系壁垒（排他协议/规模议价）沃尔玛对供应商的议价能力、苹果对富士康的产能锁定、大型连锁餐饮对优质食材的产地包断——都属于这一类。判断标准：供应商离开这个客户，会损失多少收入？如果超过 20%，说明采购方有强议价权。如果不到 5%，说明供应商随时可以换客户。
• ④ 与客户的关系壁垒（品牌/渠道/转换成本）
• 品牌壁垒：不是「听说过这个牌子」就叫品牌壁垒。真正的品牌壁垒体现在两点：消费者愿意为它支付溢价（同品质下愿意多花多少钱？），以及消费者主动搜索它而非被动看到（自然流量占比多少？）。茅台、爱马仕、苹果是品牌壁垒的典范。
• 渠道壁垒：产品再好，铺不到消费者面前等于零。农夫山泉的 400 多万个零售终端、伊利蒙牛覆盖到村镇小卖部的冷链——这不是一两年能建起来的。判断标准：新品牌要铺到同等渠道覆盖率，需要多少钱、多长时间？
• 转换成本壁垒：用户换产品的代价有多大？企业级 SaaS（如 Salesforce、SAP）是最典型的例子——一旦用上了，所有业务流程、员工培训、历史数据都绑定在上面，迁移成本动辄几百万上千万。个人用户的转换成本相对低，但也有——比如你微信有 5000 个好友、几百个群，换一个社交 APP 的代价几乎不可承受。

护城河自查终极问题

如果有一家新公司，带着足够的钱、用你已经验证过的商业模式，进入这个行业——它能不能在 3 年内抢走你 20% 的市场份额？

如果答案是「能」，那你的护城河就是纸糊的。真正的护城河，会让竞争对手即使有钱也打不进来——不是因为它们不想，而是因为它们做不到。

常见错误：把「先发优势」当成护城河。先进入一个市场不代表能守住。如果护城河不存在，后发者带着更好的技术和更低的价格来的时候，先发者死得更快。滴滴比快的、Uber 都先进入中国市场，但最终胜出的是滴滴——不是因为先发，是因为它在关键窗口期建立了网络效应壁垒（更多司机 → 更少等待 → 更多乘客 → 更多司机）。先发优势只有转化成某种不可逆的壁垒，才有意义。

阶段四：PEST 分析——找到推动变化的「主导因子」

做完前面三步，你有了一个「静态快照」——行业在什么阶段、当前阶段的核心问题是什么、应该用什么分析工具。

但真实世界里的行业是一直在变的。而且变化往往不是来自行业内部，而是来自外部的宏观力量。一个看起来完美的商业模式，可能在政策变化、技术替代或消费习惯迁移面前瞬间失效。

关键升级：不是把所有 PEST 因素罗列一遍，而是找到当前阶段推动行业变化的那个「主导因子」。

P：政治与政策（Political）

在中国做行业分析，政策是第一变量。

• 准入政策：牌照制度（金融、医疗、教育、烟草）、外资限制清单
• 补贴政策：新能源汽车补贴、光伏补贴——注意补贴退坡的时间表
• 监管收紧：反垄断、数据安全法、双减政策——这类变化往往是突发的，冲击巨大
• 税收政策：关税调整（对进出口相关行业影响最大）、增值税率变化

判断主导性的方法：这个政策变化是否直接改变了行业的「游戏规则」？如果答案是「是」，那政策就是当前阶段的主导因子。2021 年的「双减」政策直接改变了 K12 教培行业的游戏规则——行业从「扩张竞赛」瞬间切换到「转型求生」。

E：经济（Economic）

宏观经济对行业的影响通过几条传导链发生：

• 居民可支配收入 → 可选消费：经济下行期，高端消费和有「平替」的消费品最先受影响
• 利率 → 重资产/高杠杆行业：加息周期中，房地产、基础设施行业资金成本大幅上升
• 汇率 → 进出口行业：人民币贬值利好出口型制造业，不利于进口依赖型行业
• PPI-CPI 剪刀差 → 中游制造业利润：原材料涨价而终端售价无法同步涨价，中游制造业利润被挤压

S：社会文化（Social）

社会因素变化慢，但一旦形成趋势就很难逆转：

• 人口结构：老龄化利好医疗养老，少子化冲击母婴和教育
• 消费观念：从「性价比」到「质价比」（为品质溢价付费的意愿增强）、从「拥有」到「使用」（共享经济崛起）、从「物质消费」到「精神消费」（宠物经济、盲盒潮玩、知识付费）
• 生活方式：独居人口增加利好小家电和预制菜，健康意识觉醒利好运动健身和低糖食品

经典失败案例：中国 SaaS 行业。在美国，SaaS 是长期高估值赛道，因为订阅模式天然有规模效应和网络效应。但在中国，SaaS 一直「水土不服」——国内企业主长期习惯买断模式，不愿意为软件持续付费；中小企业生命周期短，续费率低；大客户要求私有化部署和高强度定制，破坏了 SaaS 的标准化逻辑。这不是技术问题，是纯粹的社会文化和商业习惯因素。

T：技术（Technological）

技术变革是最不可预测但也最能带来颠覆性机会的因子：

• 替代性技术路线：燃油车 → 电动车（不是改进，是替代）；胶卷 → 数码相机 → 手机拍照（连续替代）
• 使能性技术扩散：云计算使能了 SaaS、短视频算法使能了 TikTok、大语言模型使能了新一代 AI 应用
• 成本曲线突变：光伏发电成本从 2010 年到 2020 年下降了 90%，这个成本变化直接催生了整个新能源产业链

主导因子判断三步法

1. 画一条过去 5 年行业增速的变化曲线。
2. 标注曲线上每一个拐点对应的外部事件。比如「2019 年补贴退坡」「2021 年双减政策」「2022 年 ChatGPT 发布」。
3. 找出对拐点贡献最大的那一类因子。如果大部分拐点都是由政策变动引起的，政策就是主导因子；如果拐点对应的是技术突破，技术就是主导因子。

找到主导因子后，你的 PEST 分析就有了焦点——把 80% 的精力放在主导因子上，分析它的变化方向、变化幅度和可能的变盘点。

五、初学者最容易犯的 5 个行业分析错误

掌握了框架还不够，肖璟在书里专门用一章列出了他见过最多的分析错误。知道什么地方容易摔跤，比知道怎么走路更重要。

错误一：用「行业平均」来代表「我关注的公司」

这是最隐蔽也最致命的错误。一个行业在成长期，不代表行业里所有公司都在高速增长。行业的增长红利往往被头部公司吃掉了 80%，中小公司可能还在亏损。茅台净利润率 50%，不代表白酒行业都好赚钱——大量中小酒企挣扎在盈亏线上。分析行业后，一定要单独分析目标公司的竞争位置，不要用行业均值「代入」个体判断。

正确做法：行业增速只告诉你「风有多大」，公司的竞争力和商业模式才告诉你「能不能飞起来」。两者要分开分析，再结合判断。

错误二：把「故事」当成「趋势」

「AI 将改变一切」「Web3 是下一代互联网」「元宇宙是人类的终极形态」——这些都是故事，不是趋势。趋势是可以被数据验证的：渗透率在上升、用户使用时长在增加、产业链的配套在完善。故事是听起来很美但缺乏量化支撑的宏大叙事。

正确做法：任何一个判断，都追问一句「有什么数据可以验证？」如果找不到可验证的数据，就先把它当成假设，而不是事实。

错误三：用今天的竞争格局去判断明天的市场

诺基亚 2007 年的全球手机市场份额是 40%，一年后 iPhone 发布，诺基亚开始坠落。柯达 1990 年代的胶卷市场份额超过 80%，数码相机出现后几年就破产了。行业的竞争格局在面临「破坏性创新」时，可以在极短时间内被完全颠覆。

正确做法：护城河分析要加上时间维度——这个护城河在未来 3-5 年还能不能守住？最关键的变量是「有没有替代性技术正在从边缘市场切入」。

错误四：忽略供应链和上下游的约束

很多人分析奶茶行业，只看单店 UE 模型、看 C 端需求。但奶茶行业真正的瓶颈在上游——优质茶叶产地、鲜果供应链的时效性、奶源的稳定性。当一个行业进入高速成长期，最容易被忽略的问题是「供给端能不能跟上」。如果供给跟不上，再大的需求也只是空头支票。

正确做法：分析任何一个行业，画一条产业链图谱（从原材料到终端消费者），逐一检查每个环节是否存在「卡脖子」的瓶颈。

错误五：「专家说了算」——盲目相信行业专家

肖璟在麦肯锡的经历告诉他，行业专家最大的盲区是「身在山中」。专家对行业细节的了解无人能及，但他们往往：

• 过度关注竞争对手的动向，而忽略跨行业的替代威胁
• 高估自己公司/行业的重要性，低估外部变化的冲击力
• 用「过去的经验」推断「未来的趋势」，而行业拐点往往是「非线性的」

正确做法：专家的信息是有价值的一手资料，但专家的「结论」需要你用自己的框架去重新验证。框架给你的最重要的能力，不是获得更多信息，而是保持独立判断的能力。

六、现在，你可以在一周内完成一次行业分析了

回到开头那个问题——为什么麦肯锡分析师能在一周内摸透一个行业？

不是因为他们智商高、不是因为他们有内部数据库、不是因为他们认识行业大佬。是因为他们从来不做「漫无目的的信息收集」。他们每一分钟都在框架里工作：

1. 先定位行业阶段（渗透率，10 分钟）
2. 再选择对应当前阶段的核心问题（导入期 → 可行性、成长期 → 市场规模、成熟期 → 护城河）
3. 然后用对应的分析工具去解决它（UE 模型 / TAM-SAM-SOM / 护城河分析）
4. 最后用 PEST 找主导因子，判断「接下来会怎么变」

这就是肖璟说的「对分析这件事祛魅」——它不是一个门槛特别高的工作。只要掌握正确、系统的方法论，大多数有一定商业常识的人，可以得出准确率很高的分析结果。

一个简单的报告结构模板

最终报告不需要写成学术论文。用这个结构，能让读者（或者你的老板）在 3 分钟之内抓到核心判断：

1. 一句话结论：这个行业在什么阶段？核心矛盾是什么？
2. 行业定义与边界：我们分析的是哪个颗粒度的行业？
3. 渗透率与阶段判断：当前渗透率多少？处于什么阶段？未来 3 年的演进方向？
4. 核心问题分析：根据阶段，选择上述对应工具的分析结果
5. 护城河评估（如适用）：护城河的来源和坚固程度
6. 外部因素与主导因子：推动行业变化的最关键外部力量
7. 关键假设与风险：这个分析建立在哪些假设上？如果假设错了会发生什么？

框架是地图，渗透率是罗盘，UE 模型是探照灯。你需要的不是更多的信息，而是一个正确的思考结构。

工具和方法论你都拿到了。现在，打开你手机备忘录里那个「想研究但一直没开始的行业」，用这篇文章里的框架，花 15 分钟做一次快速定位。

你会惊讶地发现——很多你困惑已久的问题，不是因为你不够聪明，是因为你一直在问错的问题。

你有没有「被要求快速了解一个行业」的经历？最让你头疼的是哪个环节——是找不到数据、分不清信息真假，还是不知道怎么从一堆信息里提炼出结论？评论区聊聊

如果觉得有用，辛苦点个赞和关注，感谢您的喜欢🌹。