AI发现新品机会怎么做？新品机会挖掘教程

新品机会发现这件事，很多卖家缺的从来不是渠道，而是成本意识。看线索要成本，验证信号要成本，判断要不要跟更要成本，一个新品从线索到立项，中间每一步都在消耗时间和资金。线索看得越多，验证做得越浅，判断下得越快，浪费就越大。真正的差距不是谁发现的线索多，而是谁能用更低的成本把线索收敛成可立项的结论。

把发现新品机会的过程想成一只漏斗会更容易理解。市场每时每刻都在产生海量线索：新上架的商品、变化的榜单、增长的搜索词、评论里的新需求，这些线索从四面八方涌进来，最终能走进立项环节的少之又少。漏斗的每一层都在筛，筛掉的越多，留在最后的方向越可靠。多数卖家的漏斗是破的，要么入口太窄，线索本来就少；要么中间几层太松，什么都往里漏；要么收口太急，没验证就定了。

这篇文章围绕用AI降低新品发现成本展开。内容按漏斗的顺序组织：先讲漏斗的四层结构和每层的破口，再讲线索从哪里来、怎么校验，然后给出判读清单和标准流程，最后落到青虎Agent的具体操作。每层都给出可以直接照做的动作，读完之后能对着自己的选品流程逐层补洞。

读的时候建议带着一个自己的问题对照：上一轮你做了哪个新品，从看到线索到拍板立项，中间花了几天、看了几个数据源、有没有一套固定的判断标准。把这个过程过一遍，通常就能定位出自己漏斗最薄弱的一层。后面每一个章节都可以回到这个问题上，看看对应层应该怎么做。

说明一点，AI在这件事里的角色是替你把漏斗前几层的重复劳动做掉：把线索采得更全、把信号验得更快、把候选评得更细。数据来源是平台数据工具自动采集的真实数据，分析过程在对话界面可见，判断和决策仍然由你自己完成。下文每个环节都会标注，哪些交给AI，哪些留给人。

一、新品机会的漏斗：四层收敛

新品机会从出现到落地，基本要经过四层收敛。每一层解决一个不同的问题，每一层都有自己的成本结构和常见破口。把漏斗拆开看，才知道自己的短板在哪个环节。

第一层是线索池，解决看得见的问题。这一层的任务是让市场里的机会线索尽可能多地进入视野，榜单变化、新品动态、搜索词增长、评论里的需求表达，来源越广越好。这一层的成本是采集成本，人工很难持续覆盖多个来源，破口往往是来源单一、覆盖面窄。

第二层是信号验证，解决信不信的问题。线索只是现象，现象背后是不是真机会，要跨数据源交叉验证。销量在涨的同时搜索在不在涨、评论增速跟不跟得上销量、头部格局有没有松动，多组数据互相印证，信号才立得住。这一层的成本是验证成本，也是最耗人力的环节，破口往往是验证不彻底，看到一个数据就下了结论。

第三层是候选评估，解决值不值得的问题。通过验证的信号进入候选名单，按统一的维度逐项打分，需求、竞争、利润、风险都要过一遍。这一层的成本是评估成本，破口往往是标准不统一，同一个方向今天看和明天看结论完全不同。

第四层是立项决策，解决敢不敢的问题。候选评估之后，结合自己的资金、供应链、团队能力做最终取舍，选定的方向进入测款和立项。这一层的成本是决策成本，也是最容易被忽略的一层，破口往往是拿数据说话却不敢拍板，或者不拿数据说话直接拍板。

四层漏斗的成本差异很大。线索采集和信号验证是重复劳动，量大且枯燥，最适合交给自动化工具；候选评估是标准化判断，可以把标准固化下来交给工具执行；只有立项决策这一层，涉及资金、资源和风险偏好，必须由人来做。判断自己漏斗的短板，看哪一层最耗时、最靠感觉，那就是最需要改进的地方。

还有一个常见的误区要提前说明：漏斗每一层不是在独立运作，而是层层放大的关系。入口窄，后面几层做得再精细，产出也有限；中间层松，前面辛苦采集的线索被浪费，后面拿到的候选也掺着水分。所以改进漏斗的顺序，应该是从入口开始逐层往回收，先把线索来源补齐，再收紧校验和评估的标准，最后才谈决策质量。反过来做，效率最差。

二、线索从哪里来：四类高频来源

漏斗的第一层要做的事，是让线索的入口尽可能宽。新品机会的线索来源很多，但对多数卖家来说，把四类高频来源盯住，就覆盖了大部分机会。这四类来源的采集方式和易漏点各不相同，分别说明。

第一类是榜单与新品的动态变化。类目榜单、新品榜、飙升榜这类位置，是机会线索最集中的入口。一个商品突然冲进榜单、一个细分方向连续多期有新品上榜、一个类目的新品占比在提高，都是值得记录的线索。这类来源的采集要看连续性，单看一天的榜单没有意义，要看变化趋势。

第二类是评论与售后反馈。评论区是用户需求表达最密集的地方，高频出现的差评点、反复被问到的使用场景、客服记录里的改进诉求，都是最具体的新品线索。这类来源的问题在于文本量大，靠人工逐条翻效率极低，但线索的质量往往最高，因为它是真实用户说出来的需求。

第三类是搜索词的结构变化。主关键词搜索量上升说明需求盘子在变大，长尾词的稳定增长则指向细分机会。一个主词竞争白热化，但某个带场景、带人群属性的长尾词搜索量连续上升而供给很少，这是典型的机会信号。这类来源要关注词本身，而不是只看大盘。

第四类是内容平台的兴趣迁移。小红书、抖音、哔哩哔哩上的笔记和视频热度变化，比交易数据更早反映用户兴趣的转移。一个品类在内容平台出现密集分享，而电商端的供给还没跟上，中间的时间差就是机会窗口。这类来源在国内平台特别明显，跨境平台同样适用。

四类来源各有特点，组合起来覆盖了需求端、表达端和兴趣端。对个人卖家来说，靠人工同时盯住四类来源几乎不可能，大多数人能稳定覆盖一类就不错；对AI来说，四类来源可以并行采集，线索池的入口宽度完全不同。来源覆盖得越全，漏斗第一层的破口就越小。

采集线索时要区分信号和噪音。榜单上某款商品排名上升，是信号还是噪音，要看它是不是持续上升、有没有销量支撑；评论里某个抱怨出现了一次，是信号还是噪音，要看它是不是高频重复出现。判断的尺度是重复性和持续性，一次性的现象是噪音，反复出现的现象才值得记进线索池。采集时多留一分这个判断，后面校验环节会省很多力。

图2：AI并行覆盖四类线索来源，人工通常只能稳定盯住一两类

三、三个校验动作：把线索变成可靠信号

线索只是现象，现象背后是不是真机会，要通过校验才能确定。校验的目的是把线索中的噪音滤掉，留下经得起推敲的信号。三个动作覆盖了校验的核心逻辑，做足这三个动作，大部分虚假信号都能被识别出来。

第一个动作是交叉印证。一个线索至少要能在两个以上独立的数据源里得到验证。看到某款新品销量在涨，要同时看它的搜索量有没有跟上、评论增速和销量增速匹不匹配、同价格带的竞品有没有异动。单一数据源的支持可以来自促销、活动甚至异常操作，跨数据源印证过的信号才值得信。

第二个动作是拉长观察周期。单点数据最容易骗人，一个月销量的突然上涨可能是大促冲量，一周排名的爬升可能是广告投放的短期效果。把数据拉成连续曲线，看三个月以上的走势，结合环比和同比一起看，趋势才立得住。观察周期越长，短期波动对判断的干扰越小。

第三个动作是放进竞争格局里看。机会是相对的，同一个信号放在不同的竞争环境里含义完全不同。需求在涨但头部已经锁死，是典型的吸引人红海；需求在涨、供给分散、头部未固化，才是新卖家能切入的窗口。校验信号时，永远把需求和竞争放在一起看，不要单看一边。

校验动作对AI来说是好执行的标准动作。AI可以同时拉多个数据源做交叉对比，自动生成连续曲线，并把竞争格局数据一并组织进分析里。人工做这三个动作容易疲惫、容易偷懒，越到后面越草率；把动作标准化之后，每一轮校验的质量都稳定在同一水平。校验的产出是一份可信信号清单，这份清单的质量直接决定后面评估环节的起点，值得认真对待。

四、新品机会判读的检查清单

信号验证通过之后，候选方向进入评估环节。评估最怕的是没有统一标准，同一个方向不同人看、不同时间看，结论不一样。把判断依据固化成一张检查清单，逐项核对，结论才稳定、可讨论、可复盘。

这张清单围绕六个问题展开：需求是不是真的在涨，供给有没有缺口，竞争允不允许进入，利润撑不撑得起运营，窗口还开多久，自己接不接得住。六个问题按顺序过一遍，每个候选方向都能得到相对客观的评价，也能在多个候选之间横向比较。

清单的用法是逐项过，不是挑着过。六个检查项里只要有一项关键项不过关，这个方向的优先级就要下调，甚至直接移出候选。实际判断中，候选方向之间往往需要在不同检查项上做权衡，这时候把六项的数据摆在同一份对比表里，权衡才有依据。

数据的时间属性在清单里要特别标注。检查项里的需求、竞争、窗口都依赖最近的数据，半年前的需求曲线对今天的判断参考价值有限。用AI评估时，留意报告里数据的时间范围，决策周期越近的数据越可靠。

五、新品机会挖掘的标准流程

把四层漏斗、四类来源、三个校验、一张清单组合起来，可以组织成一套可复制的标准流程。流程化的好处是稳定、不依赖个人发挥，同一套流程跑十次，步骤一致、口径一致、结论可比。

这套流程里，人工只出现在两头：一头交代扫描范围，一头做最终立项决策。中间的数据采集、信号校验、候选评估全部由AI完成，每一轮的输出都能追溯回原始数据，复盘时有据可依。流程跑通一次后可以反复复用，新类目换掉范围就能直接跑。

流程还有两个容易被低估的好处。一个是判断口径的统一，同样的步骤、同样的标准跑所有类目，结果之间可以横向比较，不会出现这个类目用一套标准、那个类目换一套标准的情况。另一个是判断记录的完整，每一轮跑下来的清单、校验依据、评估结论都在，三个月后回头看这批候选，能清楚还原当时为什么这么判断，复盘价值很高。流程的好处不在一次跑得多好，而在跑得多了以后，判断依据越来越全、越来越有参照。

图1：新品机会挖掘标准流程，四层漏斗收敛到立项决策

六、用青虎Agent跑通新品挖掘

流程落到工具上，青虎Agent的用法很简单：以对话发起任务，按平台分类的技能库配合使用。三个操作覆盖了新品挖掘最常用的场景，可以直接照着做。操作之前先把需求想清楚，需求描述得越具体，Agent返回的报告越贴合实际，这一步花的两分钟很值。

三个操作对应三种状态：方向已定用技能做深度扫描，看到对标品用链接做竞品挖潜，方向未定用专家团做多方向比较。输入需求时把目标价格区间、目标客群、计划投入写进去，AI在做机会判断时会结合这些约束，报告的可执行性会明显提升。

图3：青虎Agent新品机会挖掘任务的发起与执行过程

青虎Agent的能力覆盖新品机会挖掘、市场调研、Listing文案创作、商品资料沉淀等电商运营流程，新品机会挖掘是这条链路的第一环。数据由平台数据工具自动采集，销量、排名、价格、评论、搜索热度都是真实数据，采集和研判过程在对话界面可见，不是凭空生成的结论。

实操时有一个习惯值得养成：把同一批候选的扫描结果固定留档。每次跑完的候选清单、每款商品的市场数据、每个方向的判断依据，都归档到对应类目的档案里。积累一段时间后，同类目几轮扫描的数据可以放在一起看，类目的趋势走向、候选的更迭、判断的校准都有据可查，选品从碰运气变成了有底账的持续经营。

七、新品机会发现要绕开的四个误区

工具用对了，还要绕开常见的坑。四个误区是卖家在发现新品机会时最容易踩的，逐个拆开看。

四个误区的共性，是把发现新品机会当成了一次性动作，或者把工具输出当成了终点。实际上新品发现是一个持续的循环，线索要持续补充，信号要反复校验，候选要动态更新。AI输出的是决策的起点，不是终点，判断和承担风险仍然是人的事。把心态从找一次机会调成建立一条发现产线，发现能力才能持续生长。

八、提升发现效率的四个技巧

绕开误区之后，四个技巧能让发现效率拉开明显差距。技巧都是操作层面的细节，不难做到，贵在坚持。

四个技巧分别对应扫描节奏、验证深度、标准统一和历史积累，组合使用效果最好。技巧不复杂，关键是变成习惯，坚持一段时间后，发现机会的敏感度会明显超过只用AI查过几次数据的人。注意技巧之间是协同关系，固定频率保证输入的新鲜，交叉验证保证信号的质量，模板统一保证标准的稳定，档案积累保证判断的进步，四者合起来才是完整的发现体系。

九、三个实战案例

方法讲了这么多，看三个真实场景下的应用，覆盖不同阶段的卖家。

三个案例的共同点在于：真正的新品机会往往不是一眼能看出来的，而是多轮校验、多个信号交叉验证后的结果。AI的作用不是替你发现一个神奇的爆款，而是让校验和评估变得快速、全面、可重复，把发现机会的成本压到最低。

案例之间也能看出漏斗四层的影子。新手卖家靠的是入口补全，把三个方向都扫了一遍再收窄；成长卖家靠的是线索质量，从评论里挖出别人看不到的具体需求；成熟卖家靠的是信号联动，多平台交叉验证提前锁定窗口。三个人的起点不同，但走的都是同一套漏斗逻辑，只是各自补上了自己最薄弱的那一层。这也说明，发现新品机会的方法是可以迁移的，问题从来不在天赋，而在有没有把漏斗每一层做扎实。

图4：从新手到成熟卖家的新品机会发现落地场景

十、总结：把发现新品机会变成低成本动作

十一、常见问题解答