Skip to the rows

agentsclimarketplace

Thai market sizing

Skill Boom-Vitt/claude-thai-business-skills/skills/thai-market-sizing

12 Claude Code skills ที่ปรึกษาธุรกิจสำหรับ SME ไทย — pricing waterfall, SME tax tier, Thai VC map, KOL deal w/ WHT, landed cost, 90-day cashflow

Install

npx -y skills add Boom-Vitt/claude-thai-business-skills --skill thai-market-sizing

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

One thing to look at

14 stars14 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.

What its author says it does

Copied from the file, not written here

ประเมินขนาดตลาดไทย TAM/SAM/SOM ด้วย source pointer ทางการ (NSO, BOT, DBD, ETDA, NESDC) — ไม่ใช้ Statista global ที่ตัวเลขมั่ว หรือ McKinsey report ที่ data ฝรั่ง

SKILL.md

8.1 KB, as published. Nobody here has run it

Thai Market Sizing — สิทธิเข้าถึงข้อมูลฟรี

ที่ปรึกษาส่วนใหญ่ตอบ TAM/SAM/SOM แบบโยน Statista global × % Thailand population ออกมาเป็น "อัตราพร้อมพิมพ์". ปัญหา: ตัวเลขห่างจริง 2-5x.

ประเทศไทยมีข้อมูลทางการเปิด public ฟรีเยอะมาก — แต่ที่ปรึกษาส่วนใหญ่ไม่รู้ว่าอยู่ที่ไหน:

สิ่งที่จะวัด	แหล่งทางการ	URL
จำนวนครัวเรือน, การใช้จ่ายต่อหัว	สำรวจภาวะเศรษฐกิจสังคมครัวเรือน, NSO	`nso.go.th` (annual SES report)
GDP รายอุตสาหกรรม	สำนักงาน สศช. (NESDC)	`nesdc.go.th`
Online retail GMV	ETDA E-Commerce Statistics	`etda.or.th`
Banking + payment volume	BOT Statistics	`bot.or.th/statistics`
Industry revenue ของบริษัทจดทะเบียน	DBD Data Warehouse	`datawarehouse.dbd.go.th`
Import/Export by HS	Trade Report กระทรวงพาณิชย์	`tradereport.moc.go.th`
Demographic	Statbureau ทะเบียนราษฎร์	`stat.bora.dopa.go.th`

Skill นี้ทำให้ Claude ไม่เดาตัวเลข — มันต้อง point ไปที่แหล่งทางการเสมอ.

เมื่อ Claude เห็นคำขอแบบนี้

ตลาดเครื่องสำอางออนไลน์ในไทยใหญ่แค่ไหน
TAM/SAM/SOM ของ co-working space ในกรุงเทพ

ขั้นตอน

ระบุ category ให้ชัด — ถาม user 2-3 คำถาม
- กลุ่มลูกค้า: B2C / B2B / B2G
- geography: ทั่วประเทศ / Bangkok+ปริมณฑล / regional
- online / offline / blended
- segment ของ category (skincare ≠ makeup ≠ haircare)
TAM — ตลาดทั้งหมดของ category ในไทย
- ใช้ NESDC / ETDA / industry association report
- ระบุปี + source ทุกครั้ง (e.g., "ETDA 2025 E-Commerce Report: B2C online retail GMV = 1.04 ล้านล้านบาท")
SAM — กลุ่มที่ business นี้ targetable ได้จริง
- filter ด้วย: geography, demographics (age, income), channel
- ใช้ NSO SES filtering
SOM — ส่วนที่ realistic ภายใน 12-24 เดือน
- benchmark กับ competitor market share (ถ้ารู้ — ใช้ DBD financial filings)
- rule of thumb: new entrant ปกติ 0.1-2% ของ SAM ภายใน 12 เดือน
คืน output
- 3 ตัวเลข + source + confidence
- ข้อสมมุติฐาน 3-5 ข้อ ที่ทำให้เลขเป็นแบบนี้
- ตัวเลขที่เปลี่ยน 10% แล้ว SOM เปลี่ยน >20% (sensitivity)

ตัวอย่าง

Input

ตลาด skincare ออนไลน์ในไทย — เราจะขายผ่าน Shopee + TikTok Shop
target audience: ผู้หญิง 22-40, รายได้ 20k-60k/เดือน

Output (sample)

TAM — Online skincare retail ในไทย
  มูลค่า ~ 35,000-42,000 ล้านบาท/ปี (2025)
  Sources:
    - ETDA E-Commerce Statistics 2025 (`etda.or.th`): Beauty & Personal Care
      online ~6.3% ของ B2C GMV = 65,500M฿; ของ skincare ~55% = 36,000M฿
    - GroupM Thailand Beauty Industry Report H2 2025 (cross-check): 38-42B฿
  Confidence: medium — ตัวเลขใกล้กันสองแหล่ง

SAM — Targetable (ผู้หญิง 22-40, รายได้ 20-60k, urban)
  Filter:
    - ผู้หญิง 22-40 = 21% ของประชากร (NSO 2024) ≈ 14.6M คน
    - รายได้ 20-60k/เดือน = 39% ของ working population (NSO SES 2024) ≈ 5.7M คน
    - online shopper ของ beauty category = 73% (ETDA 2025) ≈ 4.2M คน
  ค่าใช้จ่าย skincare เฉลี่ย 320฿/เดือน (Kantar Worldpanel 2024)
  SAM ≈ 4.2M × 320 × 12 = 16,128M฿/ปี
  Confidence: medium-low — Kantar number paywalled, ใช้ค่าเฉลี่ยที่ public

SOM — ภายใน 12-24 เดือน
  Rule of thumb new entrant: 0.3% - 1.5% ของ SAM
  SOM = 48-242M฿/ปี
  Confidence: low — ขึ้นอยู่กับ marketing budget, conversion rate, retention

ข้อสมมุติฐาน
1. Beauty share ของ online B2C ตาม ETDA 2025 ใกล้เคียงปี 2026 (อาจขยับ ±2%)
2. ค่าใช้จ่าย skincare/เดือนของ target segment สูงกว่าค่าเฉลี่ย (ใช้ค่าเฉลี่ย — ตัวจริงอาจ 380-450฿)
3. กลุ่ม age 22-40 มี penetration online beauty 73% เท่ากันทุก segment (จริงน้อยกว่า 22-30)

Sensitivity
- ถ้า penetration online สูงกว่า 73% เป็น 82% (เพิ่ม 12%) → SAM เพิ่ม 12%, SOM เพิ่ม ~15%
- ถ้า ค่าใช้จ่าย/เดือนเพิ่มจาก 320 เป็น 400 (เพิ่ม 25%) → SAM เพิ่ม 25%

แนะนำขั้นถัดไป
- หา exact spend per cohort ที่ Kantar (paid report) หรือสำรวจเอง 50-100 คน
- ดู Shopee Mall + TikTok Shop top-sellers ใน category ปริมาณรายเดือนของ top-50 sellers (Brandtag, Wisesight)
- คุย founder ของ skincare brand ที่ exit ได้ ~50M ใน 18 เดือน

Common mistakes

Quote "ตลาดเครื่องสำอางไทย 200,000M฿" จาก Statista แล้วใช้เป็น TAM — ตัวเลขนี้รวม offline + import + B2B + cross-border ไม่ใช่ที่ target
ใช้ Thailand population (66M) × % เป็น addressable — ลืม filter income, channel, age
claim SOM 5-10% ของ SAM ใน 12 เดือน — ความจริงคือ 0.1-2% สำหรับ new entrant ไม่มี brand
ไม่ระบุปีของ source — data 2020 ใช้ predict 2026 จะคลาด

ขอบเขต

ตัวเลขใน demo เป็น synthetic illustration — ถ้าเอาไปใช้กับลูกค้าจริง ต้อง re-verify จาก source ตรง
ไม่ทำ qualitative market research — เครื่องมือนี้คือ desk research only
Cross-border (Shopee SG/MY/PH) ไม่อยู่ในขอบเขต — ใช้ Singapore reports แทน

Keep looking

Skills are one crate of 328,083. Ordering is by how many stacks a row turns up in, so the top of any crate is what has actually been picked rather than what has the most stars.