Market sizing yang hanya memiliki satu hasil sebenarnya menyembunyikan ketidakpastian. Founder perlu tahu input mana yang paling menentukan, seberapa jauh hasil berubah ketika asumsi bergeser, dan eksperimen apa yang paling murah untuk mengurangi keraguan.
Chapter keempat dimulai setelah model dasar tersedia. Fokusnya bukan mempercantik spreadsheet, tetapi mengubah ketidakpastian menjadi skenario dan antrean validasi yang dapat dikerjakan.
Peta Seri TAM-SAM-SOM
Seri ini disusun sebagai alur kerja, bukan enam artikel yang mengulang definisi yang sama.
- Chapter 1 -- Fondasi dan Rumus TAM, SAM, SOM menetapkan definisi, batas, satuan, horizon waktu, dan hubungan ketiga lapisan pasar.
- Chapter 2 -- Metode Market Sizing membandingkan top-down, bottom-up, value theory, triangulasi, dan cara memilih metode.
- Chapter 3 -- Data Indonesia dan Contoh Hitung membahas sumber resmi, proksi, asumsi, serta model lengkap SaaS klinik.
- Chapter 4 -- Sensitivity Analysis dan Validasi mengubah angka tunggal menjadi skenario bear, base, bull dan agenda validasi lapangan.
- Chapter 5 -- ICP, Wedge Market, dan Investor menghubungkan market sizing dengan pelanggan awal, mesin go-to-market, ekspansi, dan narasi pendanaan.
- Chapter 6 -- Kesalahan, Checklist, dan FAQ menjadi alat audit akhir sebelum model masuk ke business plan atau pitch deck.
Mulai dari chapter yang sesuai pekerjaan Anda, tetapi jangan melewatkan fondasi bila definisi pelanggan, harga, atau horizon waktunya belum terkunci.
Mengapa satu angka menyesatkan
TAM-SAM-SOM adalah fungsi dari input yang tidak pasti. Jumlah akun, proporsi cocok, harga, contact rate, close rate, churn, dan kapasitas semuanya dapat berubah. Satu hasil base case membuat ketidakpastian terlihat hilang, padahal hanya disembunyikan.
Sensitivity analysis menjawab dua pertanyaan: input mana yang paling menggerakkan hasil, dan bukti apa yang paling bernilai untuk dikumpulkan berikutnya.
Bangun bear, base, dan bull secara konsisten
Jangan membuat skenario dengan menurunkan atau menaikkan semua input 20%. Tentukan narasi operasional tiap skenario.
- Bear: coverage universe rendah, fit terbatas, harga terdiskon, funnel lambat, churn tinggi.
- Base: input terbaik berdasarkan bukti yang ada, bukan rata-rata optimistis.
- Bull: distribusi dan produk bekerja lebih baik, tetapi tetap dibatasi kapasitas.
Untuk SaaS klinik, misalnya:
| Input | Bear | Base | Bull |
|---|---|---|---|
| Universe akun | 10.000 | 12.000 | 14.000 |
| Proporsi cocok | 20% | 30% | 40% |
| ARPA/tahun | Rp12 jt | Rp18 jt | Rp24 jt |
| Qualified rate | 12% | 20% | 28% |
| Close rate | 10% | 15% | 22% |
Skenario tidak harus memakai kombinasi semua ekstrem karena beberapa input berkorelasi. Harga tinggi bisa menurunkan close rate. Bull case yang menaikkan harga dan conversion sekaligus perlu alasan produk atau segmen.
Caption: Setiap skenario memiliki cerita operasi, bukan sekadar persentase seragam.
Uji sensitivitas satu input
Tahan input lain tetap, ubah satu variabel pada range wajar. Hitung perubahan hasil. Untuk SAM sederhana, universe, fit rate, dan ARPA bersifat linear: perubahan 10% menghasilkan perubahan 10%. Untuk SOM, interaksi funnel dan kapasitas dapat menciptakan bottleneck.
Jika paid accounts menurut funnel naik dari 72 menjadi 200 tetapi onboarding hanya 180, tambahan conversion berhenti memberi hasil setelah batas itu. Pada titik tersebut, investasi onboarding lebih bernilai daripada menambah lead.
Buat tornado chart atau ranking elastisitas. Prioritaskan input yang sekaligus sangat sensitif dan confidence-nya rendah. Universe yang sensitif tetapi datanya kuat mungkin tidak perlu riset tambahan; WTP yang sensitif dan hanya berdasarkan pendapat founder wajib diuji.
Interviews yang menghasilkan bukti
Wawancara bukan meminta responden menyetujui ide. Gali kejadian terakhir: bagaimana proses dijalankan, biaya kesalahan, alat yang digunakan, siapa memutuskan, anggaran dari pos mana, dan apa yang terjadi bila masalah dibiarkan.
Hindari "Apakah Anda mau memakai aplikasi ini?" Tanyakan "Kapan terakhir masalah ini terjadi?", "Berapa waktu dan uang yang hilang?", "Siapa yang menyetujui pembelian?", dan "Apa yang sudah Anda bayar untuk mengatasinya?"
Gunakan sampel berstrata. Sepuluh klinik premium Jakarta tidak mewakili klinik kecil lintas kota. Catat ukuran, wilayah, maturity, buyer role, dan outcome. Cari pola sekaligus kontra-bukti.
Willingness to pay: perilaku lebih kuat daripada opini
Urutan bukti WTP dari lemah ke kuat: pernyataan minat, pilihan paket, kesediaan menerima proposal, letter of intent dengan syarat jelas, deposit, kontrak, lalu pembayaran dan renewal.
Eksperimen dapat berupa price ladder, proposal dengan paket nyata, paid pilot, atau landing page dengan CTA konsultasi. Jangan menyebut klik sebagai demand berbayar. Ukur conversion per harga dan segmen.
Caption: Prioritaskan validasi pada input yang dampaknya besar tetapi confidence buktinya masih rendah.
Workflow validasi delapan langkah
- Kunci definisi dan versi model.
- Daftar semua input, range, confidence, owner, dan sumber.
- Hitung dampak perubahan setiap input.
- Pilih tiga asumsi sensitif dengan confidence terendah.
- Rancang eksperimen termurah yang dapat membatalkan asumsi.
- Tetapkan threshold sebelum eksperimen, bukan setelah melihat hasil.
- Perbarui model dan simpan perubahan beserta alasan.
- Putuskan: lanjut, persempit segmen, ubah harga, atau hentikan.
Contoh threshold: dari 40 wawancara target, minimal 20 mengalami masalah bulanan, 12 memiliki authority/budget, delapan menerima proposal, dan tiga membayar pilot. Threshold bukan hukum universal; ia memaksa tim menyepakati bukti sebelum bias konfirmasi muncul.
Smoke test channel
Untuk SOM, demand saja tidak cukup. Uji kemampuan menjangkau pasar. Jalankan outbound kecil, partner referral, event, atau paid campaign dengan pesan dan ICP jelas. Ukur reachable accounts, contact rate, qualified rate, cycle time, close rate, CAC awal, dan kapasitas follow-up.
Sampel kecil dilaporkan dengan interval atau range. Close rate 2 dari 10 bukan "20% terbukti"; itu sinyal awal dengan ketidakpastian besar. Tambahkan cohort sampai keputusan cukup aman.
Baca panduan menentukan ICP B2B, SaaS, dan jasa agar eksperimen tidak mencampur segmen berbeda.
Caption: Model menentukan eksperimen; bukti lapangan memperbarui model dan keputusan.
Kapan model dianggap cukup tervalidasi?
Bukan ketika semua input pasti. Model cukup untuk keputusan tertentu ketika ketidakpastian tersisa tidak mungkin mengubah keputusan secara material. Keputusan pilot Rp20 juta membutuhkan bukti berbeda dari ekspansi nasional Rp20 miliar.
Review bulanan untuk tahap awal dan kuartalan untuk pasar stabil. Trigger pembaruan lain: perubahan harga, produk, regulasi, wilayah, channel, atau conversion rate. Market sizing adalah model hidup, tetapi perubahan tidak boleh dilakukan diam-diam untuk mengejar target.
Prioritas eksperimen berdasarkan expected value of information
Perkirakan biaya eksperimen, waktu, kemungkinan hasil mengubah keputusan, dan dampak keputusan. Wawancara murah mungkin didahulukan, tetapi paid pilot lebih bernilai untuk WTP. Jangan menghabiskan dua bulan menyempurnakan universe jika keputusan terutama sensitif terhadap close rate.
Buat kill criteria. Contoh: bila kurang dari 10% sampel memiliki masalah prioritas dan tidak ada buyer yang bersedia menerima paid pilot, hentikan build atau ubah wedge. Kill criteria melindungi tim dari sunk-cost bias.
Pelaporan hasil negatif
Hasil negatif memperbaiki model. Close rate rendah dapat menurunkan SOM, tetapi juga menunjukkan pesan, channel, atau ICP salah. Simpan raw counts, bukan hanya persentase, dan hindari menggabungkan cohort yang menerima penawaran berbeda.
Memisahkan uncertainty dan risk
Uncertainty berarti kita belum tahu nilai input; risk berarti kejadian buruk dapat terjadi. Jumlah klinik cocok adalah uncertainty. Regulasi baru yang dapat menghambat onboarding adalah risk. Keduanya masuk skenario, tetapi rencana tindakannya berbeda: uncertainty dikurangi dengan riset, risk dikelola dengan mitigasi dan contingency.
Tambahkan kolom probability hanya bila tim memiliki dasar. Jangan menciptakan expected case dari probabilitas yang juga tebakan. Kadang range dan trigger keputusan lebih jujur.
Validasi per lapisan
TAM divalidasi melalui definisi kategori, universe, dan spending. SAM melalui sampling fit produk, kebutuhan integrasi, geografi, serta budget. SOM melalui channel test, sales cycle, conversion, implementation capacity, retention, dan realized ARPA. Satu survei minat tidak memvalidasi semuanya.
Susun evidence matrix: asumsi, lapisan, metode uji, sampel, threshold, hasil, keputusan, dan tanggal. Matrix mencegah tim menyebut 30 wawancara sebagai validasi pricing bila tidak pernah menawarkan harga.
Review skenario dalam rapat
Jangan hanya membahas base case. Tanyakan keputusan apa yang tetap benar dalam bear case dan investasi apa yang hanya masuk akal dalam bull case. Identifikasi leading indicators: meeting qualified, proposal acceptance, onboarding time, activation, dan churn awal.
Setiap skenario perlu trigger. Bila qualified rate dua bulan di bawah bear threshold, ubah ICP atau channel. Bila demand bull tetapi onboarding menjadi bottleneck, tahan akuisisi dan perbaiki delivery. Model menjadi berguna ketika angka memicu tindakan.
Dokumentasikan juga eksperimen yang gagal agar tim berikutnya tidak mengulang asumsi, sampel, atau channel yang sama tanpa alasan baru.
Lanjutkan seri
Founder Rama Digital. Menulis tentang digital marketing, web development, AI, dan sistem operasional untuk bisnis Indonesia.
Tentang Rama Digital
