Python調(diào)用墨跡天氣API實踐指南
先決條件
有三種方法可以計算TAM，最直接的方法之一（如果您有現(xiàn)有的產(chǎn)品或服務(wù)）如下：
在我們的例子中，讓我們看一個假設(shè)，其中 Acme Energy 銷售兩套服務(wù)。
因為我們這里有兩組不同的客戶，所以我們需要分別計算這兩個 TAM 并將它們相加。具體而言，我們需要計算以下內(nèi)容：
在下一步中，我們將找到這些公式的第一部分的數(shù)字。
在 Diffbot 的知識圖譜中，我們可以根據(jù)特定的公司結(jié)構(gòu)查詢組織。行業(yè)和員工數(shù)量都與組織相關(guān)聯(lián)，這使得我們很容易返回計算所需的醫(yī)院數(shù)量。下面我將展示獲取數(shù)據(jù)的兩種途徑。第一個將利用可視化查詢構(gòu)建器，它允許您以初學者友好的方式制作基本搜索查詢。第二種方法涉及使用 Diffbot 查詢語言 （DQL），該語言稍微復雜一些，但允許對查詢進行更大的控制。不熟悉如何使用 DQL？首先，只需粘貼下面鍵入的查詢，或查看我們的 DQL 快速入門指南。
使用可視化查詢生成器
我們可以使用幾個字段來形成一個初始醫(yī)院查詢：行業(yè)、nbEmployees 和位置。首先，選擇要返回的實體類型（組織）。然后，只需將位置切換為美國，將行業(yè)名稱切換為醫(yī)院，將 nbEmployees 切換為 <=500。
一個快速查詢返回超過 100,000 個結(jié)果！要獲取第二組醫(yī)院（員工人數(shù)超過 500 人），只需更改 nbEmployees 字段即可。另外需要注意的是屏幕右側(cè)的查詢預覽。這將向你顯示查詢的 DQL 版本，是開始熟悉此查詢語言外觀的好方法。
使用 Diffbot 查詢語言
雖然此視覺查詢是一個很好的起點，但此特定數(shù)據(jù)集可能需要更多工作。當我查看返回的組織時，我看到一些獸醫(yī)醫(yī)院、驗光診所和家庭保健企業(yè)返回了。雖然這些在某種意義上可能是“醫(yī)院”，但它們并不是我們在這里尋找的。這是 DQL 派上用場的實例。
我最終確定的問題是，我們不希望有時與醫(yī)院相關(guān)的行業(yè)中的組織出現(xiàn)，“醫(yī)院”應該以返回的組織的名義出現(xiàn)。這似乎提供了最可靠的數(shù)據(jù)集。type:Organization locations.country.name:"United States" industries:"Hospitals" not(industries:or("optometrists","home health care","physiotherapy organization", "financial services companies")) name:"Hospital" nbEmployees>=500
此查詢返回 1,244 個結(jié)果，即 TAM 公式一半的大型醫(yī)院數(shù)量。通過將 nbEmployees 更改為，我們可以找到我們的其他號碼。代入等式中，這意味著我們的 TAM 如下所示。nbEmployees<=500
雖然我們可以導出所有這些數(shù)據(jù)，但使用 DQL 可以啟用分面查詢，這是快速匯總特定字段結(jié)果的有用方法。在這種情況下，我們可以使用它來返回哪些州提供最多 TAM 的摘要。
type:Organization locations.country.name:"United States" industries:"Hospitals" not(industries:or("optometrists","home health care","physiotherapy organization", "financial services companies")) name:"Hospital" nbEmployees<=500 facet:locations.region.name
為了獲得完整的數(shù)據(jù)集，我們再次需要更改 nbEmployees 字段，然后下載結(jié)果。最后，我將兩個數(shù)據(jù)集拉入同一個電子表格中，以便一次對所有狀態(tài)執(zhí)行簡單的 TAM 算術(shù)運算。
在將每個州的大型和小型醫(yī)院數(shù)量轉(zhuǎn)換為各州的 TAM 后，我們可以根據(jù)需要分析數(shù)據(jù)。在我的案例中，我將這些數(shù)字提取到數(shù)據(jù)可視化工具中，以查看哪些地區(qū)擁有最大的機會。
我們在這里所做的是快速調(diào)查美國各地按位置和規(guī)模劃分的醫(yī)院數(shù)量。這種搜索在消費者搜索引擎中是不可能的。這是一個很好的起點。但上述總體趨勢仍然類似于人口密度圖。也許我們可以做更多的事情來揭示我們虛構(gòu)的 Acme Energy 的機會所在。
如果我們最初對小型醫(yī)院的查詢沒有顯示出這種情況，那么知識圖譜api在長尾（SMB 和 MMKT）信息方面表現(xiàn)出色。我們總共擁有超過 250M 的組織，在全球范圍內(nèi)和許多行業(yè)都有堅實的覆蓋范圍。
為了在工作中展示這一點，讓我們展示 Acme Energy 競爭對手的數(shù)據(jù)集，并將其繪制在與我們的 TAM 按州圖形劃分的地圖類似的地圖上。
使用可視化查詢生成器
在進行了幾次探索性查詢之后，為 Acme Energy 的競爭對手提供最佳結(jié)果的查詢依賴于該領(lǐng)域。此字段是組織所做工作的幾句話總結(jié)。雖然我們可以從行業(yè)層面來看待能源公司，但這是一個更普遍的問題。我們在這里追求的是提供與備用電源相關(guān)的服務(wù)的美國公司。description
我們的可視化查詢構(gòu)建器結(jié)果返回了美國各地的 327 家備用能源供應商。點擊該組織的一些個人資料，他們提供了 Acme Energy 的精確服務(wù)集。使用可視化查詢構(gòu)建器的唯一缺點是目前無法分面（提供摘要視圖）功能。這意味著您需要將數(shù)據(jù)導出為 csv，并進行少量數(shù)據(jù)整理，以確定各州的競爭對手數(shù)量。
使用 Diffbot 查詢語言
使用 Diffbot 查詢語言，我們可以使用與通過可視化查詢構(gòu)建器生成的相同查詢，并簡單地在末尾添加一個 facet 語句（類似于我們?nèi)绾畏置嬉园礌顟B(tài)獲取 TAM）。type:Organization description:"backup power" location.country.name:"United States" facet:locations.region.name
導出分面視圖后，我們可以直接進行可視化或分析。
雖然我們的競爭對手的地圖在很大程度上也遵循人口密度（紐約除外），但通過一些簡單的算術(shù)，我們可以更清楚地了解機會可能在哪里。
使用我們按州劃分的 TAM 數(shù)據(jù)集和按州劃分的競爭對手數(shù)據(jù)集，我們可以簡單地將兩者分開，以提供有多少無人認領(lǐng)市場的總體視圖。
將結(jié)果數(shù)據(jù)加載為相同格式可提供以下可視化效果：
雖然各州的位置對某些行業(yè)（例如SAAS）來說可能無關(guān)緊要，但許多市場情報分析會深入獲取各州的數(shù)據(jù)。在這種情況下，我們在北達科他州和愛荷華州發(fā)現(xiàn)了相對機會，而這些機會在我們的初始數(shù)據(jù)集中不存在。
diffbot的知識圖譜api基于網(wǎng)絡(luò)范圍的抓取，每隔幾天更新一次我們的組織數(shù)據(jù)庫。
原文鏈接：https://blog.diffbot.com/analyze-your-total-addressable-market-tam-with-diffbots-knowledge-graph/
