建宇宙：一张同口径的云软件指标表
本节学什么
本节只讲 Jamin Ball 方法论的地基：为什么要先建一张同口径云软件指标表，而不是先写观点、先找热点、先挑股票。Clouded Judgement 2020 年 6 月创刊时，SaaS 正处在估值高点，市场很容易用“增长好、TAM 大、净留存高”解释一切。他的反应不是加入宏大叙事，而是每周维护上市云软件公司可比表，把 EV/NTM 收入倍数、NTM 增速、毛利、Rule of 40、NDR、CAC 回收期、FCF 等指标固定下来。
核心框架
这张表的关键不是某一列，而是“连续同口径”。每周都看同一组公司、同一组指标，才能看到周期位置：中位数倍数在哪里，高增长桶和低增长桶如何分化，<3x 收入倍数公司占比是否异常，Rule of 40 靠增长还是靠利润，NDR 是否下滑。没有这张表，研究者会被个股新闻牵着走；有了这张表，个股先被放回行业分布。
建表还要处理样本偏差。新上市公司、退市公司、被并购公司、极低增长公司和高增长小盘公司都可能改变分布。Jamin 的价值在于长期维持同一套云软件宇宙，而不是只保留赢家。否则 2021 年你看到的是高增长幸存者，2022 年你看到的是跌幅最大的失败者，前后无法比较。真正的宇宙表必须允许难看的公司留在表里，因为它们显示资本市场给低质量增长的定价下限。
他怎么用
2022 年软件估值腰斩时，Clouded Judgement 成为很多投资者理解“利率杀久期”的公共语言。许多云软件公司收入仍在增长，但估值倍数被利率、现金流纪律和增长质量重新定价。如果只看公司故事，会以为每家公司都发生了独立问题；如果看整张表，就能发现这是整个成长软件资产的估值范式变化。到 2026 年软件中位 NTM 倍数跌到十年低位时，这张表又提示问题可能不只是利率，而是市场开始怀疑软件年金终端价值。
常见误区
误区一：把指标表当数据库，而不是判断系统。表的价值不在堆数据，而在每周同口径更新。误区二：只看最强公司。强公司当然重要，但周期判断来自分布，不来自幸存者。误区三：每次换指标。今天看 ARR，明天看 adjusted EBITDA，后天看 AI mentions，最后只会选择性证实。误区四：把低倍数自动理解成便宜。低倍数可能是利率、增长放缓、竞争恶化，也可能是终端价值被破坏。
可迁移步骤
第一，定义研究宇宙，不要只放喜欢的公司。第二，固定 8-12 个指标，至少包括增长、利润、留存、销售效率、现金流和估值。第三，记录分桶，不只记录平均值。第四，每周或每季更新，不因观点改变而改表。第五，写观点前先问：这个公司是行业问题、分桶问题，还是公司特有问题？
小结
建宇宙的意义，是让叙事先接受分布检验。Jamin 的起点不是“我觉得 AI 软件会怎样”，而是“这组软件公司的经营质量和估值分布正在怎样变化”。这就是整门课的地基。
读经营指标·别被增速带走
本节学什么
本节只讲经营指标阅读。Jamin 的核心习惯是：收入增速从来不是单独结论，必须和毛利、运营利润率、FCF、NDR、销售效率、研发投入、G&A、CAC 回收期和非 GAAP 脚注放在一起读。软件公司最容易用漂亮增长遮蔽质量问题，也最容易用自定义指标制造不可比。
核心框架
第一看增长质量。NTM 收入增速是自然扩张、价格上涨、会计口径变化，还是疫情后递延需求？第二看毛利和 FCF。AI 功能可能拉高收入，也可能因为推理成本和云成本压毛利；裁员可能短期拉高 FCF，却牺牲研发和销售管线。第三看 NDR 和 ARR 脚注。NDR 的定义是否包含价格、seat、usage、流失客户？ARR 是否包含服务收入、一次性项目或非 recurring 合同？第四看 CAC payback。GM-adjusted CAC payback 改善，才说明获客效率变好；如果只是削销售团队，后续增长可能受损。
他怎么用
Jamin 的深研里有一句很典型：管理层叙事可以很美，最后要回到分桶倍数、净新增 ARR、GM-adjusted CAC payback、NDR 脚注。2024 年初，他曾倾向认为利率顺风和增长恢复会支持 SaaS，但公有 SaaS 中位增速没有明显再加速。这个例子说明，仅靠“利率下行 + AI 功能发布”不能推出软件整体复苏；必须看续约、净新增、销售效率和 FCF 是否真的改善。
常见误区
误区一：把 Rule of 40 当总分。Rule of 40 是增长和利润的合成，必须拆成来源。一个公司 20% 增长 + 20% FCF，和 5% 增长 + 35% 短期削成本，质量完全不同。误区二：把 NDR 横向比较。不同公司定义不同，脚注不读就不可比。误区三：把 AI ARR 当真实 ARR。许多 AI 收入口径可能是管理层口径、usage annualized、预期 run-rate 或包含多类产品。误区四：只看非 GAAP。股权激励、资本化软件、重组费用和推理成本都会影响真实经济性。
可迁移步骤
读任何 SaaS 财报，先做四张小表：增长桥、毛利/FCF 桥、留存/ARR 口径表、销售效率表。每张表写清数据来源和定义。然后问三件事：增长是客户更多、价格更高、用量更大，还是会计口径？利润是经营杠杆，还是成本延后？AI 功能带来的是新收入、保留旧收入，还是增加成本？
小结
Jamin 的指标阅读不是为了把研究变复杂，而是为了防止被单一增长故事带走。收入增速是入口，单位经济性和脚注才是判断质量的核心。脚注读得越细，越能看出管理层故事和真实经营之间的距离。
AI 收入瀑布：先在哪一层兑现
本节学什么
本节只讲 AI 收入瀑布。Jamin 的问题不是“AI 是不是重要”，而是“AI 收入先在哪一层、以什么口径、通过什么产品兑现”。这个框架专门用来抵抗从模型能力直接跳到应用胜利的错误。
核心框架
AI 收入瀑布有三层。第一层是 hyperscaler：Azure、AWS、GCP 把模型训练、推理、API、数据存储和企业云需求转成增量收入。这里看 AI 贡献点数、云增长率、capex、云毛利和供需缺口。第二层是数据/基础设施：Snowflake、Databricks、ClickHouse、dbt、数据治理、语义层、向量检索、observability 和开发工具，承接企业把数据变成 AI-ready 的工作。第三层才是应用软件：CRM、ServiceNow、Atlassian、Zendesk、Office、coding tool、agent 产品是否把 AI 功能变成留存、ARPU、usage 或 outcome 收入。
他怎么用
深研明确写到，他先看 AWS/Azure/GCP 是否把 AI 变成增量收入，再看数据平台、基础设施软件、应用软件是否获得同样经济收益。这就是为什么他的 AI 判断不只盯应用 demo。比如 Azure 增长和 AI 贡献点数能证明第一层兑现；Snowflake 或 Databricks 捕获更多 AI workload，证明数据控制平面有价值；但一个 SaaS 厂商如果只是发布 copilot，却没有披露用量、付费、留存或定价变化，就仍处在瀑布下游的不确定阶段。
常见误区
误区一：把 AI 使用量等同收入。使用量增加可能发生在免费层、试用层或高成本补贴层。误区二：把云厂收入等同应用收入。云厂先赚钱，不代表应用层已经拥有毛利和定价权。误区三：忽略毛利。AI 收入如果由高推理成本换来，短期可能压 FCF。误区四：把数据平台当可选项。企业 AI 生产化需要权限、审计、语义和治理，数据层经常是应用落地的前置条件。
可迁移步骤
研究任何 AI 公司，先标明它在瀑布哪一层。若是云厂，看增长、capex、毛利和 AI 贡献。若是数据平台，看 AI workload、消费式收入、治理功能和客户扩展。若是应用软件，看付费席位、usage/outcome 收入、续约、ARPU 和推理成本。然后写出上一层和下一层的依赖：应用依赖数据，数据依赖云，云依赖 GPU/电力/资本开支。
小结
AI 不是一场所有公司同时兑现的雨，而是一条有先后顺序的收入瀑布。Jamin 的框架让研究者先追钱流，再谈故事。
