# Series II / Paper 04 # 窄域高品質與受眾上界：市場容量、滲透率與長尾價值的分離 ## High-Quality Niches and Audience Upper Bounds: Separating Market Capacity, Penetration, and Long-Tail Value **作者：Neo.K（許筌崴）** **機構：EveMissLab** **系列：品質—發現—傳播—成功解耦理論（Series II）** **版本：v0.1** **日期：2026-08-14** --- ## 摘要 高品質作品即使具有高可發現度、近乎理想的注意力路由與良好轉換率，仍然可能無法成為 mass-market success。原因不一定是宣傳失敗、平台偏差或品質不足，而可能是更基本的結構條件：真正會喜歡、需要或願意支付的受眾集合本身有限。 本文在 AMNESS、Layered Discoverability Model 與 Attention Routing and Conversion Field 的基礎上，提出「受眾容量層」（Audience Capacity Layer）。令使用者空間為 $\mathcal U$，artifact $A$ 對使用者 $u$ 的最大可達採用概率為 $\pi_A^{\max}(u)$，則定義有效受眾容量： $$ K_A^{\mathrm{eff}} = \int_{\mathcal U} \pi_A^{\max}(u)\,d\mu(u). $$ 本文證明 Audience Capacity Bound：在每位使用者最多計一次採用的情況下，不論品質、Discoverability、Routing 或推薦策略如何最佳化，預期獨立採用者數皆滿足： $$ E[N_{\mathrm{adopt}}] \le K_A^{\mathrm{eff}}. $$ 若存在硬匹配集合： $$ \mathcal U_A^{+} = \{ u: \pi_A^{\max}(u)>0 \}, $$ 則進一步有： $$ E[N_{\mathrm{adopt}}] \le \mu(\mathcal U_A^{+}). $$ 因此若 mass-success threshold 為總人口的比例 $\tau$，而： $$ \mu(\mathcal U_A^{+}) < \tau\mu(\mathcal U), $$ 則 mass adoption 在該模型下結構性不可能，即使作品對其核心受眾品質完美。 本文再區分兩個完全不同的成長方向： $$ \text{Penetration} $$ 與： $$ \text{Audience Expansion}. $$ 前者表示在既有可接受受眾中賣得更深；後者表示改變作品、價格、平台、語言、可用性或定位，使原本不可能採用的人進入可採用集合。本文定義 Quality-to-Capacity Elasticity： $$ \varepsilon_{K,Q} = \frac{\partial\log K_A^{\mathrm{eff}}} {\partial\log Q}. $$ 若： $$ \varepsilon_{K,Q}\approx0, $$ 則品質改善主要提高核心受眾體驗與轉換，而不擴大受眾上界。本文稱此狀態為 Niche-Locked Excellence。 本文同時強調，單一 niche artifact 的低 mass-sales ceiling 不等於低經濟或社會價值。數位平台與 long-tail 研究顯示，降低搜尋成本與增加產品多樣性可以讓大量各自規模很小的 niche products 合計形成龐大消費者福利。因此： $$ \boxed{ \text{Low Per-Artifact Audience Ceiling} \not\Rightarrow \text{Low Aggregate Long-Tail Value}. } $$ **關鍵詞：** Niche、Audience Capacity、Market Potential、Long Tail、Product Variety、Quality、Penetration、Audience Expansion、AMNESS、Digital Platform --- ## 1. 問題：如果所有事情都做對了，為什麼還是賣不大？ Series II 已經依序排除三個常見失敗來源。 Paper 01： $$ Q\not\Rightarrow S. $$ Paper 02： $$ \text{Existence} \neq \text{Discoverability}. $$ Paper 03： $$ \text{Same Exposure} \not\Rightarrow \text{Same Opportunity}. $$ 現在做一個更強的假設。 假設 artifact $A$： 1. 品質極高； 2. 可發現度極高； 3. 注意力路由接近最優； 4. 價格可接受； 5. 使用 friction 很低； 6. 核心受眾轉換率很高。 它是否必然 mass success？ 答案仍然是： $$ \boxed{ \text{不必然}. } $$ 如果真正匹配的人只有： $$ K $$ 個，那麼： $$ K $$ 本身就是結構上界。 --- ## 2. 使用者空間 令： $$ \mathcal U $$ 為潛在市場的使用者空間，測度： $$ \mu(\mathcal U)=N. $$ 對 artifact $A$ 與使用者 $u$，定義： $$ M_A(u)\in[0,1] $$ 為 audience match。 但單純 match 還不夠。 還要考慮： - willingness to pay； - platform compatibility； - language； - hardware； - time budget； - genre preference； - accessibility； - competing alternatives。 因此定義更一般的最大採用概率。 --- ## 3. Maximum Reachable Adoption Probability 令： $$ \Theta $$ 為允許的市場操作集合，例如： - 合理價格； - 合理 promotion； - 平台可用性； - 合法 localisation； - 合理 routing； - 一般產品版本調整。 對使用者： $$ u, $$ 定義： $$ \pi_A^{\max}(u) = \sup_{\theta\in\Theta} P \left( u\text{ adopts }A \mid \theta \right). $$ 因此： $$ 0\le \pi_A^{\max}(u) \le1. $$ 它回答： > 在不把 artifact 變成另一個完全不同產品的前提下，這個使用者最高有多大概率採用？ --- # 4. Effective Audience Capacity 定義： $$ \boxed{ K_A^{\mathrm{eff}} = \int_{\mathcal U} \pi_A^{\max}(u)\,d\mu(u). } $$ 稱： $$ \boxed{ \text{Effective Audience Capacity}. } $$ 若所有使用者為離散個體： $$ K_A^{\mathrm{eff}} = \sum_{u=1}^{N} \pi_A^{\max}(u). $$ 此量不是預測實際銷量。 它是： $$ \boxed{ \text{在指定 artifact identity 與可行市場操作下的期望採用容量上界}. } $$ --- # 5. Hard Addressable Audience 定義： $$ \mathcal U_A^{+} = \{ u\in\mathcal U: \pi_A^{\max}(u)>0 \}. $$ 稱為： $$ \boxed{ \text{Hard Addressable Audience}. } $$ 其大小： $$ K_A^{+} = \mu(\mathcal U_A^{+}). $$ 因： $$ \pi_A^{\max}(u)\le1, $$ 所以： $$ K_A^{\mathrm{eff}} \le K_A^{+}. $$ --- # 6. Audience Capacity Bound ### 定理 1 假設每個使用者最多計入一次 unique adoption。 則對任何合法 discovery、routing、promotion 與 pricing policy： $$ \boxed{ E[N_{\mathrm{adopt}}] \le K_A^{\mathrm{eff}} \le K_A^{+}. } $$ ### 證明 令： $$ I_u \in \{0,1\} $$ 表示使用者 $u$ 是否採用。 則： $$ N_{\mathrm{adopt}} = \int_{\mathcal U} I_u\,d\mu(u). $$ 取期望： $$ E[N_{\mathrm{adopt}}] = \int_{\mathcal U} P(I_u=1)\,d\mu(u). $$ 由 $\pi_A^{\max}(u)$ 定義： $$ P(I_u=1) \le \pi_A^{\max}(u). $$ 所以： $$ E[N_{\mathrm{adopt}}] \le \int_{\mathcal U} \pi_A^{\max}(u)\,d\mu(u) = K_A^{\mathrm{eff}}. $$ 又因： $$ \pi_A^{\max}(u)\le \mathbf 1 [ u\in\mathcal U_A^{+} ], $$ 故： $$ K_A^{\mathrm{eff}} \le \mu(\mathcal U_A^{+}) = K_A^{+}. $$ $$ \boxed{\square} $$ --- # 7. Mass-Success Impossibility Corollary 定義 mass-adoption threshold： $$ \tau\in(0,1]. $$ 若 mass success 要求： $$ N_{\mathrm{adopt}} \ge \tau N, $$ 但： $$ K_A^{+} < \tau N, $$ 則該 mass-success threshold 在模型中不可能達成。 即： $$ \boxed{ K_A^{+} < \tau N \Rightarrow \text{Mass Adoption Impossible}. } $$ --- ## 8. 這個上界與品質無關嗎？ 不是。 品質： $$ Q $$ 可以改變： $$ \pi_A^{\max}(u). $$ 所以： $$ K_A^{\mathrm{eff}} = K_A^{\mathrm{eff}}(Q). $$ 但關鍵是： > 品質改善不一定讓原本完全不感興趣的人改變偏好。 因此品質可以大幅提高： $$ P(\mathrm{Adopt}\mid u\in\mathcal U_A^{+}) $$ 但： $$ K_A^{+} $$ 幾乎不變。 --- # 9. Penetration 定義： $$ \operatorname{Pen}_A = \frac{ E[N_{\mathrm{adopt}}] }{ K_A^{\mathrm{eff}}+\epsilon }. $$ 理想情況： $$ 0\le \operatorname{Pen}_A \le1. $$ Penetration 回答： > 在本來有可能採用的人裡面，我吃到了多少？ --- # 10. Audience Expansion Audience Expansion 則改變： $$ K_A^{\mathrm{eff}} $$ 或： $$ K_A^{+}. $$ 例如： - 新語言； - 更低硬體需求； - 新平台； - accessibility； - 更簡單 onboarding； - 新遊戲模式； - 調整價格； - 改變定位； - 降低 complexity； - 增加多人／單人模式。 所以： $$ \boxed{ \text{Penetration} \neq \text{Audience Expansion}. } $$ --- # 11. Market Growth Decomposition 最簡寫： $$ S_A \approx K_A^{\mathrm{eff}} \operatorname{Pen}_A. $$ 因此： $$ dS = \operatorname{Pen}_A\,dK_A^{\mathrm{eff}} + K_A^{\mathrm{eff}}\,d\operatorname{Pen}_A + dK_A^{\mathrm{eff}} d\operatorname{Pen}_A. $$ 一階近似： $$ dS \approx \operatorname{Pen}_A\,dK_A^{\mathrm{eff}} + K_A^{\mathrm{eff}}\,d\operatorname{Pen}_A. $$ 所以成長可以來自： $$ \boxed{ \text{擴大市場} } $$ 或： $$ \boxed{ \text{吃深既有市場}. } $$ --- # 12. Quality-to-Capacity Elasticity 定義： $$ \boxed{ \varepsilon_{K,Q} = \frac{ \partial\log K_A^{\mathrm{eff}} }{ \partial\log Q }. } $$ 若： $$ \varepsilon_{K,Q}\gg0, $$ 表示品質改善會顯著擴張可接受受眾。 若： $$ \varepsilon_{K,Q}\approx0, $$ 品質改善主要發生在 existing audience 內，而不增加市場容量。 --- # 13. Quality-to-Penetration Elasticity 同時定義： $$ \varepsilon_{\mathrm{Pen},Q} = \frac{ \partial\log \operatorname{Pen}_A }{ \partial\log Q }. $$ 因此 artifact 可以處於： $$ \varepsilon_{\mathrm{Pen},Q}\gg0, $$ 但： $$ \varepsilon_{K,Q}\approx0. $$ 這表示： > 做得更好會讓核心玩家更愛、更願意買，但不會讓更多非核心玩家進來。 --- # 14. Niche-Locked Excellence ### 定義 若在： $$ Q\ge Q_0 $$ 後： $$ K_A^{+}(Q) = K^\star $$ 保持不變，而： $$ \frac{\partial C_{\mathrm{core}}}{\partial Q}>0, $$ 則稱： $$ \boxed{ \text{Niche-Locked Excellence}. } $$ 品質仍然有價值。 但它只提高： - satisfaction； - retention； - conversion； - reviews； - willingness to pay； 不再擴大 audience support。 --- # 15. Niche-Lock Ceiling Theorem ### 定理 2 若對所有： $$ Q\ge Q_0 $$ 有： $$ \mathcal U_A^{+}(Q) = \mathcal U^\star, $$ 則： $$ E[N_{\mathrm{adopt}}(Q)] \le \mu(\mathcal U^\star) $$ 對所有： $$ Q\ge Q_0 $$ 成立。 因此即使： $$ Q\rightarrow1, $$ unique adoption 仍不能超過： $$ \mu(\mathcal U^\star). $$ ### 證明 由定理 1 直接得到： $$ E[N_{\mathrm{adopt}}(Q)] \le K_A^{+}(Q). $$ 而前提給出： $$ K_A^{+}(Q) = \mu(\mathcal U^\star). $$ 故結論成立。 $$ \boxed{\square} $$ --- # 16. 完美品質仍可能是小作品 因此合法狀態： $$ Q_{\mathrm{core}}\rightarrow1, $$ $$ D_M\rightarrow1, $$ $$ \operatorname{Pen}\rightarrow1, $$ 但： $$ K_A^{+}\ll N $$ 完全可能。 此時： $$ S_A \approx K_A^{+} $$ 仍然只是 niche scale。 所以： $$ \boxed{ \text{Perfect Core Quality} \not\Rightarrow \text{Mass Adoption}. } $$ --- # 17. Niche 不是 Failure 若： $$ \operatorname{Pen}_A\approx1 $$ 但： $$ K_A^{+}\ll N, $$ artifact 可能在自己的市場中已經接近完全成功。 因此使用： $$ \frac{S_A}{N} $$ 作為唯一 success metric 會錯把： $$ \boxed{ \text{Niche Dominance} } $$ 當成： $$ \boxed{ \text{Failure}. } $$ --- # 18. Conditional Success 定義： $$ S_A^{\mathrm{cond}} = \frac{ E[N_{\mathrm{adopt}}] }{ K_A^{\mathrm{eff}}+\epsilon }. $$ 這其實就是 penetration 型 success。 另定義： $$ S_A^{\mathrm{mass}} = \frac{ E[N_{\mathrm{adopt}}] }{ N }. $$ 因此： $$ \boxed{ S_A^{\mathrm{cond}} \neq S_A^{\mathrm{mass}}. } $$ 一個 artifact 可以： $$ S_A^{\mathrm{cond}}\approx1 $$ 但： $$ S_A^{\mathrm{mass}}\ll1. $$ --- # 19. Revenue Ceiling 若每位 unique adopter 在研究期間的最大可實現淨收入為： $$ v_{\max}, $$ 則： $$ E[\mathrm{Revenue}] \le v_{\max} K_A^{\mathrm{eff}}. $$ 這是在固定 artifact identity 與單次／有界 lifetime value 模型下的 revenue ceiling。 若有： - subscription； - DLC； - whales； - repeated purchases； - licensing； 則： $$ v_{\max} $$ 本身必須重新定義。 --- # 20. Profit 不等於 Audience Size 即使： $$ K_A^{+} $$ 很小， 只要： $$ \text{ARPU} $$ 高、成本低，仍可： $$ \mathrm{Profit}\gg0. $$ 所以： $$ \boxed{ \text{Small Audience} \not\Rightarrow \text{Commercial Failure}. } $$ 這對 niche software、專業工具、高價 B2B 與收藏品尤其重要。 --- # 21. Audience Value Density 定義： $$ v(u) $$ 為使用者 lifetime value。 則： $$ V_A^{\mathrm{cap}} = \int_{\mathcal U} \pi_A^{\max}(u) v(u) \,d\mu(u). $$ 所以市場上界其實至少有兩種： $$ \boxed{ \text{Audience Count Capacity} } $$ 與： $$ \boxed{ \text{Economic Value Capacity}. } $$ --- # 22. 小眾高價值市場 可能： $$ K_A^{\mathrm{eff}}\ll N, $$ 但： $$ V_A^{\mathrm{cap}}\gg0. $$ 因此： $$ \boxed{ \text{Niche} \neq \text{Low Economic Value}. } $$ --- # 23. Preference Heterogeneity 受眾不是同質。 令： $$ \theta_u $$ 表示使用者偏好參數。 artifact 對 $u$ 的效用： $$ U_A(u) = U(A,\theta_u). $$ 採用條件： $$ U_A(u) - p_A \ge U_0(u), $$ 其中： $$ U_0(u) $$ 為 outside option。 因此 audience set： $$ \mathcal U_A^{+} = \{ u: U_A(u)-p_A\ge U_0(u) \}. $$ 這說明市場容量本質上來自 preference distribution。 --- # 24. Quality 是多維的 更一般： $$ \mathbf q_A = (q_1,\ldots,q_m). $$ 使用者權重： $$ \mathbf w_u. $$ 則： $$ U_A(u) = \mathbf w_u^\top \mathbf q_A - p_A - F_A(u). $$ 如果品質改善只發生在： $$ q_j $$ 而非核心受眾對該維度： $$ w_{u,j}\approx0, $$ 則： $$ K_A^{+} $$ 可能完全不變。 --- # 25. Vertical Quality 與 Horizontal Taste 可以區分： ### Vertical Quality 幾乎所有使用者都偏好更多的維度。 例如： - fewer crashes； - faster loading； - clearer text。 ### Horizontal Taste 不同使用者偏好方向不同。 例如： - 策略複雜度； - 美術風格； - 回合制／即時制； - 苦難難度； - 長篇閱讀。 所以： $$ \boxed{ \text{Improving Vertical Quality} } $$ 比較可能擴大： $$ K_A^{\mathrm{eff}}, $$ 而： $$ \boxed{ \text{intensifying horizontal identity} } $$ 可能提高核心品質但縮小 mass audience。 --- # 26. Quality–Audience Trade-Off 可以存在產品設計參數： $$ z $$ 使： $$ \frac{\partial Q_{\mathrm{core}}}{\partial z}>0 $$ 但： $$ \frac{\partial K_A^{+}}{\partial z}<0. $$ 也就是： > 越做成核心玩家心中的神作，越可能遠離大眾受眾。 這不是必然，但在 taste differentiation 高的產品上是合法狀態。 --- # 27. Niche Identity Strength 定義： $$ I_N $$ 為 artifact 對特定 taste cluster 的設計集中程度。 可能： $$ I_N\uparrow \Rightarrow Q_{\mathrm{core}}\uparrow, $$ 同時： $$ K_A^{+}\downarrow. $$ 所以： $$ \boxed{ \text{Distinctiveness} } $$ 可以同時提高核心價值與縮小受眾。 --- # 28. Audience Expansion Operator 定義操作： $$ \mathcal E: A \mapsto A'. $$ 若： $$ K_{A'}^{\mathrm{eff}} > K_A^{\mathrm{eff}}, $$ 則稱： $$ \mathcal E $$ 為 Audience Expansion Operator。 例如： - localisation； - accessibility； - new platform port； - easier onboarding； - optional difficulty； - controller support； - lower hardware requirement。 --- # 29. Identity-Preserving Expansion 但 Audience Expansion 不能無限免費。 若改動過大： $$ A' $$ 可能已經不是同一 artifact identity。 因此定義 identity distance： $$ d_I(A,A'). $$ 只允許： $$ d_I(A,A') \le \delta_I. $$ 則真正問題是： $$ \max_{A'} K_{A'}^{\mathrm{eff}} $$ subject to： $$ d_I(A,A')\le\delta_I. $$ 這得到： $$ \boxed{ \text{Identity-Preserving Audience Expansion}. } $$ --- # 30. Expansion–Core Quality Frontier 擴大受眾可能降低核心體驗。 令： $$ Q_{\mathrm{core}}(A') $$ 與： $$ K^{\mathrm{eff}}(A'). $$ 可以形成 Pareto frontier： $$ \boxed{ \left( Q_{\mathrm{core}}, K^{\mathrm{eff}} \right). } $$ 某些產品不存在同時最大化兩者的單一設計。 --- # 31. Massification Cost 定義： $$ C_M = Q_{\mathrm{core}}(A) - Q_{\mathrm{core}}(A'). $$ 其中 $A'$ 是更大眾化版本。 若： $$ C_M>0, $$ 表示 audience expansion 以核心品質損失為代價。 此量可以是： - 深度下降； - 複雜度下降； - 系統被簡化； - 風格被稀釋。 --- # 32. Niche Optimality 若 artifact 的目標函數不是 mass adoption，而是： $$ J = \alpha Q_{\mathrm{core}} + \beta \mathrm{Profit} + \gamma \mathrm{CulturalValue}, $$ 則最優解完全可能位於： $$ K_A^{+}\ll N. $$ 所以： $$ \boxed{ \text{Mass-Market Expansion} } $$ 不是所有 artifact 的合理目標。 --- # 33. Long Tail 數位市場降低： - inventory cost； - distribution cost； - search cost。 因此大量單獨需求很小的 artifact 仍可以被匹配到其受眾。 Long-tail 實證顯示，在相同產品 availability 與價格條件下，Internet search 與 recommendation tools 仍與 niche products 銷售占比提高相關。 所以數位市場可以： $$ \boxed{ \text{降低 niche 的可生存門檻} } $$ 而不需要讓每個 niche artifact 變成 blockbuster。 --- # 34. Individual Ceiling vs Aggregate Tail 令 niche artifacts： $$ A_1,\ldots,A_m. $$ 每一個都有： $$ K_i\ll N. $$ 但若它們服務不同受眾： $$ \mathcal U_i, $$ 則 aggregate coverage： $$ \mu \left( \bigcup_{i=1}^{m} \mathcal U_i \right) $$ 可以非常大。 因此： $$ \boxed{ K_i\ll N \text{ for all }i } $$ 不推出： $$ \boxed{ \mu \left( \bigcup_i\mathcal U_i \right) \ll N. } $$ --- # 35. Long-Tail Aggregate Value Theorem ### 定理 3 存在一族 niche artifacts： $$ A_1,\ldots,A_m $$ 使每個： $$ K_i\le k\ll N, $$ 但其受眾集合互不重疊： $$ \mathcal U_i\cap\mathcal U_j=\varnothing $$ 對： $$ i\neq j. $$ 若： $$ mk=N, $$ 則： $$ \mu \left( \bigcup_i\mathcal U_i \right) = N. $$ 因此每一 artifact 都可以是 niche，而整個 niche ecosystem 覆蓋全部市場。 $$ \boxed{\square} $$ --- # 36. 理論含義 所以： $$ \boxed{ \text{Low Per-Artifact Audience Ceiling} \not\Rightarrow \text{Low Aggregate Long-Tail Value}. } $$ 這對數位文化市場非常重要。 --- # 37. 2025 Product Variety Evidence 2025 年大型數位平台書籍資料研究發現： - 產品標題數大量增加； - 新增品項多數屬於服務非典型偏好的 niche products； - 將 niche 與 mass products 區分後，產品多樣性帶來的福利增益極大。 因此： $$ \boxed{ \text{small-demand products} } $$ 合計可以具有巨大的 welfare importance。 --- # 38. Consumer Welfare 與 Seller Success 分離 即使一個 niche product： $$ S_i^{\mathrm{sales}}\ll1, $$ 它仍可能對其少數使用者產生很高： $$ W_i^{\mathrm{consumer}}. $$ 所以： $$ \boxed{ \text{Seller-Side Success} \neq \text{Consumer-Side Welfare}. } $$ --- # 39. Product Variety Welfare 令： $$ V_i(u) $$ 表示 artifact $i$ 對 user $u$ 的 surplus。 則產品多樣性總福利： $$ W = \int_{\mathcal U} \max_i V_i(u) \,d\mu(u). $$ 即使每一個： $$ i $$ 只對少數人有高效用，只要不同 artifact 覆蓋不同偏好： $$ W $$ 仍可大幅提升。 --- # 40. Perfect Information and Niche Matching 2025 年針對 video games 的資訊福利研究指出，若消費者擁有更完整資訊並能更準確把遊戲與個人偏好匹配，消費者福利可能大幅提高。 這再次說明： $$ \boxed{ \text{better matching} } $$ 不是把所有人推去同一個 bestseller。 而是把不同人送往適合自己的 differentiated products。 --- # 41. Search Cost and Niche Demand Long-tail 研究顯示，降低搜尋成本可增加 niche products 的銷售占比。 因此： $$ D_M\uparrow $$ 可能提高： $$ \operatorname{Pen}_A $$ 對 niche artifact。 但這不必改變： $$ K_A^{+}. $$ 也就是： $$ \boxed{ \text{better discovery} } $$ 可以讓 niche 接近其 audience ceiling，而不是消除 ceiling。 --- # 42. Diffusion Saturation 傳統新產品 diffusion 模型本來就包含市場潛力／飽和概念。 Bass 型模型中的 adoption curve 並不無限成長，而會朝某個市場潛力收斂。 本文與其不同的地方是： $$ \boxed{ \text{將 market potential 明確分解為 audience-match / feasibility distribution}. } $$ --- # 43. Audience Capacity Function 定義： $$ K_A(Q,p,z,t) $$ 其中： - $Q$：品質； - $p$：價格； - $z$：設計／功能向量； - $t$：市場狀態。 所以 audience ceiling 不是永恆固定。 它可以動態改變。 但在每一給定狀態： $$ K_A $$ 仍構成當期結構上界。 --- # 44. Dynamic Audience Ceiling 定義： $$ K_A(t). $$ 可能： $$ K_A(t_1)\ll K_A(t_2) $$ 因： - 新平台； - 社會品味變化； - genre 流行； - hardware 普及； - localisation； - 價格下降。 因此： $$ \boxed{ \text{niche today} \not\Rightarrow \text{niche forever}. } $$ --- # 45. Exogenous Audience Expansion 外部文化事件也可以讓： $$ K_A $$ 增加。 例如： - streamer； - 影視改編； - 社會事件； - 新技術； - 競品教育市場。 所以 audience capacity 具有： $$ \boxed{ \text{endogenous} + \text{exogenous} } $$ 兩種變動來源。 --- # 46. Audience Migration 令： $$ u $$ 的偏好狀態： $$ \theta_u(t). $$ 則： $$ \mathcal U_A^{+}(t) $$ 會隨偏好演化。 因此 word-of-mouth 可以不只提高 penetration，也可能透過教育／taste formation 改變： $$ K_A^{+}. $$ 這是比固定 niche 模型更強的動態版本。 --- # 47. Social Learning 如果某些原本： $$ \pi_A^{\max}(u)=0 $$ 的使用者，在觀察其他人後開始理解 artifact 的價值，則： $$ \pi_A^{\max}(u,t) $$ 可以由 $0$ 變正。 所以： $$ W $$ 既可能是 penetration mechanism，也可能是 audience-expansion mechanism。 --- # 48. Niche Escape 定義： $$ \dot K_A^{\mathrm{eff}}(t)>0. $$ 若由外部 diffusion、設計調整或文化變化導致持續 audience expansion，稱： $$ \boxed{ \text{Niche Escape}. } $$ 不是所有 niche artifact 都會發生。 --- # 49. Niche Persistence 若： $$ K_A^{\mathrm{eff}}(t) \rightarrow K_\infty <\tau N, $$ 即使： $$ \operatorname{Pen}_A(t)\rightarrow1, $$ 仍無法跨過 mass threshold。 稱： $$ \boxed{ \text{Persistent Niche Regime}. } $$ --- # 50. Quality Plateau 如果： $$ Q\uparrow $$ 但： $$ K_A^{\mathrm{eff}} $$ 與： $$ \operatorname{Pen}_A $$ 都接近飽和， 則： $$ \frac{dS}{dQ}\approx0. $$ 這形成： $$ \boxed{ \text{Market Quality Plateau}. } $$ 更多品質投資仍可能提高 welfare 或 reputation，但不再明顯提高 adoption。 --- # 51. Overengineering 當： $$ \frac{dS}{dQ}\approx0 $$ 而品質提升成本： $$ \frac{dC_{\mathrm{dev}}}{dQ}\gg0, $$ 則從商業目標看可能進入： $$ \boxed{ \text{Overengineering Region}. } $$ 但若創作者目標包含藝術、研究或長期品牌價值，這不一定是錯誤決策。 --- # 52. Commercial Objective 商業最優可能是： $$ \max_Q \left[ R(Q) - C_{\mathrm{dev}}(Q) \right]. $$ 若 audience ceiling 已固定： $$ R(Q) $$ 很快飽和， 則最優： $$ Q^\star $$ 可以低於技術上可達的最大品質。 這是經濟最佳化，不是價值判斷。 --- # 53. Artistic Objective 若目標是： $$ J(Q) = \alpha Q_{\mathrm{core}} + \beta S - C, $$ 且： $$ \alpha $$ 很大， 則創作者合理地選擇： $$ Q>Q^\star_{\mathrm{commercial}}. $$ 所以： $$ \boxed{ \text{commercially excessive quality} } $$ 不等於： $$ \boxed{ \text{artistically irrational quality}. } $$ --- # 54. Audience Ceiling Misdiagnosis 市場常把： $$ S\ll1 $$ 直接解釋為： $$ Q\ll1. $$ 但若： $$ \operatorname{Pen}\approx1 $$ 且： $$ K_A^{+}\ll N, $$ 真正診斷應是： $$ \boxed{ \text{small addressable audience}, } $$ 不是： $$ \boxed{ \text{product failure}. } $$ --- # 55. Discovery Failure vs Audience Ceiling 這兩個失敗模式外觀都可能是： $$ S\ll1. $$ ### Discovery Failure $$ K_A^{+}\gg S, $$ 但： $$ D_M\ll1. $$ ### Audience Ceiling $$ D_M\approx1, $$ $$ \operatorname{Pen}\approx1, $$ 但： $$ K_A^{+}\ll N. $$ 因此： $$ \boxed{ \text{low sales} } $$ 不能只靠 sales 判定原因。 --- # 56. Routing Failure vs Audience Ceiling 同樣： ### Routing Failure $$ D_0\gg0, $$ 但： $$ D_M\ll1. $$ ### Audience Ceiling $$ D_M\gg0 $$ 對全部可匹配 audience 已接近飽和。 所以兩者需要完全不同策略。 --- # 57. Strategic Implication 如果是 Discovery Failure： $$ \text{改善搜尋／推薦／曝光}. $$ 如果是 Routing Failure： $$ \text{改善 audience targeting}. $$ 如果是 Conversion Failure： $$ \text{改善 product / price / presentation}. $$ 如果是 Audience Ceiling： $$ \boxed{ \text{接受 niche} \quad\text{或}\quad \text{做 Audience Expansion}. } $$ --- # 58. AMNESS-AC Benchmark 本文提出： **AMNESS Audience Capacity Benchmark（AMNESS-AC）** 每個 artifact 記錄： $$ ( Q, K_A^{+}, K_A^{\mathrm{eff}}, D_M, \operatorname{Pen}, S, V_A^{\mathrm{cap}} ). $$ --- # 59. Benchmark 類型 至少涵蓋： 1. mass-market product； 2. high-quality niche game； 3. specialist software； 4. academic paper； 5. genre fiction； 6. premium B2B product； 7. collector product； 8. accessibility-limited artifact； 9. language-limited artifact； 10. niche-to-mainstream transition case。 --- # 60. Audience Estimation 可以透過： - survey； - revealed preference； - recommendation logs； - conjoint analysis； - trial conversion； - search demand； - wishlist； - cohort behavior 估計： $$ \pi_A^{\max}(u) $$ 或其分群版本。 --- # 61. Segment Approximation 若使用： $$ g=1,\ldots,G $$ 個 audience segments， 則： $$ K_A^{\mathrm{eff}} \approx \sum_{g=1}^{G} N_g \pi_g^{\max}. $$ 這比假設所有人同質更合理。 --- # 62. 可檢驗假說 ### H1：Audience Ceiling Hypothesis 控制 Discoverability 與 Routing 後： $$ K_A^{\mathrm{eff}} $$ 仍對最大 adoption 提供顯著上界解釋力。 ### H2：Penetration–Expansion Separation 對成熟 niche artifacts，品質改善更容易提高： $$ \operatorname{Pen} $$ 而不是： $$ K_A^{+}. $$ ### H3：Niche-Lock Hypothesis 存在 artifact 類別，使： $$ \varepsilon_{\mathrm{Pen},Q}>0 $$ 但： $$ \varepsilon_{K,Q}\approx0. $$ ### H4：Long-Tail Welfare Hypothesis 大量低： $$ K_i $$ artifact 的 aggregate consumer welfare 可遠高於任一單一 niche artifact 的商業價值。 ### H5：Audience-Expansion Transition localisation、new platform 或 accessibility intervention 應主要提高： $$ K_A^{\mathrm{eff}} $$ 而非只提高既有市場 penetration。 --- # 63. 與現有 Long-Tail 研究的關係 Long-tail 研究已顯示： - Internet channels 可有更低 sales concentration； - search / recommendation tools 可以提高 niche product share； - product variety 可創造巨大 consumer welfare。 因此本文不宣稱發現 niche markets。 本文新增的是： $$ \boxed{ \text{將單一 artifact 的 niche 性形式化為 audience-capacity upper bound}. } $$ --- # 64. 與 Bass Diffusion 的關係 Bass model 處理新產品採用時間與 innovation / imitation 動力，並包含有限市場潛力。 本文則把： $$ \boxed{ \text{market potential} } $$ 展開為： $$ \boxed{ \text{heterogeneous user-level maximum adoption support}. } $$ 因此兩者可以接口，但研究焦點不同。 --- # 65. 與 Paper 03 的統一 Paper 03 解： $$ \boxed{ \text{有限注意力應該送去哪裡？} } $$ Paper 04 再告訴我們： > 即使 routing 已完美，仍然存在 audience capacity ceiling。 所以： $$ \boxed{ \text{Optimal Routing} \not\Rightarrow \text{Unlimited Market}. } $$ --- # 66. 與 Paper 02 的統一 Paper 02： $$ D_M $$ 處理匹配受眾能否遇見 artifact。 Paper 04： $$ K_A^{+} $$ 處理究竟有多少人可以成為匹配受眾。 因此： $$ \boxed{ \text{Audience Size} \times \text{Discoverability} \times \text{Penetration} } $$ 才更接近 adoption volume。 --- # 67. 與 Series I 的接口 一個 niche artifact 可以： $$ S_A^{\mathrm{mass}}\ll1 $$ 但仍然提升 creator： $$ A_E $$ 或專業領域： $$ H_E^{(d)}. $$ 所以： $$ \boxed{ \text{small artifact audience} \not\Rightarrow \text{small creator authority effect}. } $$ 尤其高品質 niche 作品可能成為專業信號。 --- # 68. 理論邊界 本文不主張： 1. niche 一定比 mass 好； 2. niche 一定低收入； 3. audience capacity 永遠固定； 4. quality 無法擴張 audience； 5. preference 永遠不變； 6. massification 一定傷害核心品質； 7. long tail 一定壓過 superstar market； 8. 高 penetration 等於高 profit； 9. 市場容量可以被精確無誤估計； 10. 所有 artifact 都應追求最大 audience。 本文只主張： $$ \boxed{ \text{受眾容量是獨立於品質、發現與路由的結構變數}. } $$ --- # 69. 結論 本文加入 AMNESS 的第四層： $$ \boxed{ \text{Audience Capacity}. } $$ 定義： $$ K_A^{\mathrm{eff}} = \int_{\mathcal U} \pi_A^{\max}(u)\,d\mu(u). $$ 並證明： $$ \boxed{ E[N_{\mathrm{adopt}}] \le K_A^{\mathrm{eff}} \le K_A^{+}. } $$ 因此即使： $$ Q\rightarrow1, $$ $$ D_M\rightarrow1, $$ $$ \operatorname{RoutingEfficiency}\rightarrow1, $$ $$ \operatorname{Pen}\rightarrow1, $$ 只要： $$ K_A^{+}\ll N, $$ artifact 仍可能保持： $$ S_A^{\mathrm{mass}}\ll1. $$ 這不是失敗。 它可能只是： $$ \boxed{ \text{High-Quality Niche Equilibrium}. } $$ 真正需要區分的是： $$ \boxed{ \text{Penetration} \neq \text{Audience Expansion}. } $$ 品質改善可以提高核心體驗與 penetration，卻不一定擴大受眾。 而數位 long-tail 市場告訴我們： $$ \boxed{ \text{每個 niche 都很小} } $$ 與： $$ \boxed{ \text{所有 niches 合起來很重要} } $$ 完全可以同時成立。 因此： $$ \boxed{ \text{Low Per-Artifact Audience Ceiling} \not\Rightarrow \text{Low Aggregate Value}. } $$ Series II 現在得到： $$ \boxed{ Q \rightarrow D \rightarrow \text{Routing} \rightarrow \text{Penetration} } $$ 但整條鏈的最高可達規模仍受到： $$ \boxed{ K_A^{\mathrm{eff}} } $$ 限制。 下一篇將處理這些量進入時間後的耦合： $$ \boxed{ \text{Word-of-Mouth} \leftrightarrow \text{Popularity} \leftrightarrow \text{Sales / Adoption}. } $$ --- ## 參考文獻 [1] Bass, F. M. (1969). A New Product Growth for Model Consumer Durables. *Management Science*, 15(5), 215–227. DOI: 10.1287/mnsc.15.5.215. [2] Brynjolfsson, E., Hu, Y. J., & Smith, M. D. (2003). Consumer Surplus in the Digital Economy: Estimating the Value of Increased Product Variety at Online Booksellers. *Management Science*, 49(11), 1580–1596. DOI: 10.1287/mnsc.49.11.1580.20580. [3] Brynjolfsson, E., Hu, Y. J., & Simester, D. (2011). Goodbye Pareto Principle, Hello Long Tail: The Effect of Search Costs on the Concentration of Product Sales. *Management Science*, 57(8), 1373–1386. DOI: 10.1287/mnsc.1110.1371. [4] Brynjolfsson, E., Hu, Y. J., & Smith, M. D. (2010). Long Tails vs. Superstars: The Effect of Information Technology on Product Variety and Sales Concentration Patterns. *Information Systems Research*, 21(4), 736–747. DOI: 10.1287/isre.1100.0325. [5] Brynjolfsson, E., Chen, L., & Gao, X. (2025). Gains from Product Variety: Evidence from a Large Digital Platform. *Information Systems Research*, 36(4), 2298–2308. DOI: 10.1287/isre.2023.0410. [6] Reimers, I., Riedl, C., & Waldfogel, J. (2025). Information and the Welfare Benefits from Differentiated Products. *NBER Working Paper 33401*. DOI: 10.3386/w33401. [7] Peres, R., Muller, E., & Mahajan, V. (2010). Innovation Diffusion and New Product Growth Models: A Critical Review and Research Directions. *International Journal of Research in Marketing*, 27(2), 91–106. [8] Lee, Y., O'Connor, G. C. (and related platform-adoption literature). Preference heterogeneity and consumer expectations in system markets are used here as adjacent evidence for heterogeneous adoption support; the present paper does not rely on a universal homogeneous consumer assumption. --- ## Series II 位置 1. Paper 01：品質不推出成功：基本非等價理論 2. Paper 02：Discoverability：存在、可搜尋與被發現的區別 3. Paper 03：注意力路由與轉換場 4. **Paper 04：窄域高品質與受眾上界** 5. Paper 05：口碑、知名度、銷量與採用率的動態耦合 6. Paper 06：品質—名氣—成功象限與非單調動力學