昨天已先確定了「預先抓取」的資料庫資料蒐集策略。
今天是整個專案規劃階段的最後一天，因此「產值評估模型」的方法論選擇就非常重要。
當然我們都知道模型方法論百百種，
並沒有哪一個模型是百分百準確的，
且我相信沒有任何一個分析師敢講說他的產值評估模型絕對準。
那這種時候來說，
對於產業分析師而言，
產值評估時所選用的方法論，
將會影響如何有效闡述一份數據資料與一份產值評估報告所具備的價值。
針對各類模型寫出一份規格，內容包含計算邏輯、資料來源（必須對應 data/ 的靜態檔）、輸入參數、輸出結果、方法侷限。
產業產值評估
| 模型 | 計算方式 | 主要資料源 | 輸出 |
|---|---|---|---|
| ① Top-down 市場規模推估 | 官方產業總產值 × 目標市場範圍界定 | data/industry_output.json | 市場規模區間 |
| ② CAGR 趨勢外推 | 近 5 年年複合成長率外推 3 年 | data/industry_output.json | 產值預測曲線 |
| ③ 投入產出分析 | 產業關聯表計算向前／向後關聯係數 | data/io_table.json（主計總處） | 關聯係數、帶動效果 |
| ④ 供應鏈關聯分析 | 產業地圖節點量化上下游連動 | data/io_table.json＋貿易統計 | 連動強度圖 |
| ⑤ 三情境模擬 | Bull/Base/Bear ＋敏感度分析 | 綜合前述靜態資料 | 情境區間、敏感度排序 |
企業產值評估
| 模型 | 計算方式 | 主要資料源 | 輸出 |
|---|---|---|---|
| ① 同業標竿比較 | 上市櫃同業營收・毛利率中位數對標 | data/financials.json（MOPS 每季預抓） | 對標落點 |
| ② 市占率推估 | 產業總產值 × 市占率假設（使用者輸入） | data/industry_output.json＋使用者輸入 | 產值區間＋假設清單 |
| ③ Bottom-up 單位經濟建模 | 產量 × 單價 × 產能利用率逐層建構 | 使用者輸入＋產業均值 | 產值估計、交叉驗證 |
| ④ 營收趨勢預測 | 企業歷史營收時間序列外推 | data/financials.json（月營收） | 營收預測曲線 |
| ⑤ 多源彙整評估 | 規則式整合統計＋財報＋產業資訊 | data/ 全部靜態資料 | 綜合評估摘要 |
備註: 所有模型的輸出統一成一致的 JSON 結構：估計值、區間、假設清單、資料來源、基準期。
依據上述十種產值評估模型各寫一份規格文件，統一格式：目的、計算邏輯（含公式）、需要的資料欄位（必須對應 data/ 的靜態 JSON，不得依賴執行期外部呼叫）、使用者輸入參數、輸出結果格式（JSON schema）、方法侷限。侷限請誠實寫，不要美化。
Claude 產出的規格相當完整，統一的 JSON 輸出結構是它主動提出的架構決定。
要求「不得依賴執行期外部呼叫」後，它逐一標註了每個模型的資料落點。
其中最重要的一點是，
Claude提出了我目前根據「模型 × 資料檔對照表」的內容顯示還有三個資料檔待建置
因此我下了另一個prompt
幫我處理好，附錄的「模型 × 資料檔對照表」顯示還有三個資料檔待建置
Claude同時給了我 幾份檔案，如下
完成以下內容的驗收
base_table_year 已更新is_sample 均為 false截至今天為止，已經將整個專案規畫完成，從需求、架構、資料策略、方法論全部到位且彼此均有效搭配，整體專案在系統規畫上如下:
資料層的 meta 欄位餵給模型的基準期輸出、模型的統一 JSON 餵給 Dashboard 的同一套元件、Dashboard 整頁餵給截圖匯出。
明天將進入正式的工具基礎建設階段
預計用一段 Prompt 生出四個核心頁面的 UI 骨架~
iThome鐵人賽
看影片追技術