AI亚马逊选品分析怎么做？类目机会判断法

一个在亚马逊做了三年的卖家，去年上半年一口气推了三款新品，每一款在立项时看起来都有机会，结果全部没起来。复盘的时候才把原因一个个找出来：第一款所在的子类目，头部三家店铺占了大半的评论量和销量，新品上架之后连自然位的边都没摸到；第二款的销量看着不错，但把评价翻完发现，用户抱怨最集中的那个问题恰好是自己供应链解决不了的，做出来只能挨差评；第三款赶上了类目整体的下行周期，上架时需求已经在收缩，铺货铺在了退潮的水面上。

三款产品，三个不同的死法，但背后是同一件事没做好：类目机会判断只做了一个维度。第一款只看容量，没看竞争结构；第二款只看销量，没看评论痛点；第三款只看当下，没看趋势方向。任何一个单点数据都能让人产生机会感，而真正的机会是多层信息叠起来才成立的。

这篇文章讲的就是这层叠加怎么搭。内容围绕亚马逊场景展开，先给一个四层判断框架，再逐层拆开讲容量、竞争、痛点、趋势怎么看，然后用青虎AI 的青虎Agent 演示一遍完整操作，最后是误区、习惯和场景。文中提到的数据口径都是公开数据的档位与区间，不涉及任何后台私域数字。

一、三款新品没起来，卡在同一件事上

把三次立项的决策过程调出来看，会发现一个共同的结构：每次的判断依据都只有一句话。第一款的理由是这类产品体量大，第二款的理由是这款卖得好，第三款的理由是这个方向最近很热。三句话都对，但都不完整。

类目机会不是一个可以一眼看出的东西，它更像一道需要多条件同时满足的判断题。需求要在增长，供给不能已经饱和，头部格局不能完全固化，用户的不满意点要恰好落在你能解决的地方，价格带要算得过来账。这些条件同时成立的窗口并不多，而只满足一到两项的伪机会到处都是。

判断的价值就体现在这里：把多个维度的信息摆在一起，让伪机会在某一层被筛掉，剩下的才是值得投入的方向。这也是为什么单点数据特别有迷惑性，因为它在自己那一层永远是对的。

二、类目机会判断的四层框架

把上面那些条件归拢一下，可以得到一个四层框架。四层依次回答四个问题，任何一层不通过，后面的分析都可以停。

四层的关系是递进的。需求层决定值不值得看，竞争层决定进不进得去，痛点层决定做出来有没有差异，趋势层决定现在还是以后。跳过任何一层直接下结论，都会得到偏乐观的判断，因为每一层单独看都很容易找到支撑机会的证据。

图2：同一个类目，只看需求层与四层都过一遍，得到的结论可能完全相反

框架的另一个作用是让团队讨论有共同语言。有人说这个类目容量大，有人说竞争太激烈，两种说法其实说的是不同层次。把层次分清楚，讨论就不会在各自的频道上各说各话，而是能逐层对齐。

四层走完还需要注意顺序上的一个细节：需求层和竞争层可以用批量数据快速判断，痛点和趋势则需要逐个候选细看。前者适合同一批次处理，后者适合挑出少数候选之后再做。把两类工作混在一起安排，很容易在前半段就把精力耗尽，最后最有价值的后两层反而草草带过。

三、容量与竞争：先看结构，再看数字

容量这一层最容易看错。多数人看的是类目总量，总量大就认为机会大，实际上总量只说明这个池子有水，说明不了你能不能接到水。真正要看的不是总量，而是结构：需求集中在哪几个价格带、集中在什么使用场景、集中在哪些购买动机上。

竞争这一层的核心指标是头部集中度。集中度高，说明这个位置的流量被少数店铺锁住，后来者需要用价格或者差异化硬撬，成本很高；集中度低，说明格局还没固化，产品本身的竞争力更容易起作用。判断集中度不只看卖家数量，更要看评论量的分布和价格带的宽度。

把容量和竞争放在一起看，会得到四种组合。容量大竞争弱是最理想的位置，但通常很快被填满；容量大竞争强是红海，适合有成本优势的玩家；容量小竞争弱适合深耕细分；容量小竞争强要直接放弃。判断的目标不是找最好的那个，而是找和自己的资源最匹配的那个。

需要提醒一句：公开数据里，销量通常以档位呈现，评论量是公开可见的原始数字，两者的颗粒度不一样。分析时不要把这两种口径混着做精算，档位用来判断相对水平，绝对数字用来做分布观察，各用各的。

四、评论痛点：把差评当成产品需求文档

痛点这一层是四层里最容易被跳过、也最容易产生差异的。销量数据只能告诉你有没有需求，评价内容才能告诉你需求里没被满足的部分在哪里。把差评当成一份产品需求文档来读，往往能读出比竞品分析更具体的方向。

读差评有几个经验做法。第一是看重复度，同一个问题被几十条评价提到，说明它不是个别体验，而是产品设计上的共性缺陷。第二是看严重度，涉及安全性、耐用性、尺寸偏差的抱怨，比外观或包装的抱怨更值得关注。第三是看可解决性，抱怨指向的问题，自己的供应链能不能改，不能改的痛点再密集也没有价值。

除此之外，还要同时看好评里被反复提到的卖点。差评告诉你哪里可以改进，好评告诉你用户真正在乎什么。两张清单放在一起，才构成完整的产品方向：一边是价值主张，一边是改进空间。

还有一类信息容易被忽略：用户在评价里提出的使用场景。例如有人提到把这个产品用在了原本设计用途之外的地方，这类提及虽然零散，但往往指向真实存在的需求空缺。把这些场景句摘出来，就是一份现成的产品创意来源。

五、上架时间与趋势方向：判断窗口还开不开着

趋势这一层回答的是时机问题。一个类目的需求在涨、竞争也不激烈，但如果它已经在高位运行了很久，现在进场的意义就不大；反过来，一个类目正在从低谷往上走，进场成本可能更低。

判断趋势主要看两类信号。一类是需求的连续变化方向，看搜索热度和销量档位在过去一段时间的走势，至少跨三个月以上，把促销节点的异常波动剔除。另一类是新品表现，看近期上架的商品里有多少能站住位置，新品集体站不住，说明这个类目对新进入者不友好。

上架时间这个字段的价值常被低估。它同时透露两个信息：一是类目的新鲜度，近期上架的商品多，说明这个类目还在吸引新供给进入；二是竞争者的投入意愿，如果某个价格带持续有人上新，说明有人反复验证过这里值得做。反过来，如果一个类目上新极少、头部商品的上架时间普遍很早，说明格局稳定，后来者很难撬动。

趋势判断最忌讳用单期数据下结论。某个月的销量档位跳升，可能只是活动或者季节性波动，把它当成趋势信号跟进，很容易扑空。稳妥的做法是把连续多期的变化方向、新品存活比例、榜单相对排名的移动三组信号放在一起看，方向一致时才采信。

六、用青虎Agent 跑一次类目机会判断：四步

青虎Agent 是青虎AI 平台里的数据分析模块，登录网页端或客户端后点左侧导航栏的 Agent 进入。选品分析、市场分析、Listing生成、商品库、技能市场在同一个界面，用对话下发任务，按平台调用技能取数，再以电商专家的视角整理成报告，会话可以留存，用于后续商品档案的沉淀。

四层框架落到操作上，同样可以拆成四步。第一步把范围和约束交代清楚，第二步用技能把数据取齐，第三步让工具按四层结构组织输出，第四步在会话内追问细化。

图1：从交代判断框架到会话内追问，类目机会判断任务的流转过程

四步走完，得到的是带判断依据的调研结果，不是该做哪款的结论。青虎AI 的青虎Agent 输出调研材料与判断参考，不承诺出单和收益，最终做不做、怎么做，仍然由卖家根据自身的供应链和资金情况决定。

七、五条可直接复制的亚马逊任务指令

把框架翻译成指令，中间只差几句话。下面五条覆盖从需求摸底到痛点挖掘的常见动作，改掉类目关键词就能直接使用。

指令里有一个值得养成的习惯：把判断维度直接写进任务描述。说清要容量、要竞争、要痛点、要趋势，得到的输出就会按这四个维度组织；只说帮我分析这个类目，回来的往往是面面俱到但没有重点的一段描述，还得自己再拆一遍。常用指令可以存进提示词库，下次一键复用，同一个类目不同时间跑出来的口径也能保持一致。

图3：青虎Agent 的任务下发方式，判断维度与筛选条件写在同一条指令里

八、四个常见的判断误区

类目机会判断的偏差，多半来自下面四个认知习惯。它们都很自然，所以更需要刻意避开。

四个误区有一个共同的根源：用一层的信息去回答四层的问题。类目机会判断的难点不在数据获取，而在有没有耐心把四层都走一遍。走得越全，越不容易被一个漂亮的单点数字带偏。

还有一个更隐蔽的偏差是立场先行。很多人其实在打开数据之前，心里已经有了想做的方向，接下来只是找数据来印证。这种状态下，任何一层的信息都会被解读成支持证据。真正有效的做法是在看数据之前先写下通过标准，例如需求连续几期上行、头部评论份额低于某个水平，再去对数据，判断的客观性会高很多。

九、四个让判断更准的习惯

同样的框架，不同的人用出来质量差别明显，差距通常在这四个动作上。

四个习惯分别对应沉淀、口径、信息完整度和历史积累，都不需要额外投入。坚持两三个月之后，判断速度会明显变快，因为绝大多数判断都可以调用之前的结论做比对，而不是从零开始。

习惯的建立还有一个隐性收益：团队里不同的人用同一套动作跑判断，结论之间的可比性会大幅提升。谁的方向更值得投入，可以直接拿判断卡对比，而不是靠资历或者嗓门决定，这对多人协作的团队尤其重要。

十、三个真实场景

框架落到具体经营动作上，可以看这三个场景。

图4：从新类目判断到上架准备，类目机会分析在不同阶段的重点

十一、总结

十二、常见问题解答