A1. 选品与市场洞察 | Product Research & Market Insights

路径: Path A: 运营人 · 模块: A1 最后更新: 2026-03-12 难度: 入门 预计时间: 每天 30 分钟，1-2 周

flowchart LR
A1[" A1 选品与市场<br/>（当前）"]:::current
A1 --> A2
A2["A2 Listing 创作"]
A2 --> A3
A3["A3 广告优化"]
A3 --> A4
A4["A4 客服售后"]
A4 --> A5
A5["A5 库存供应链"]
A5 --> A6
A6["A6 合规风控"]
classDef current fill:#ff9900,stroke:#333,color:#fff,font-weight:bold

本模块章节导航

1. 选品方法论 · 2. AI 工具全景 · 3. Prompt 模板库 · 4. 选品 SOP · 5. 常见陷阱 · 6. 进阶技巧 · 7. 学习资源

本模块你将学会

用 AI 工具把需要几天的选品调研压缩到几小时。从市场趋势分析到竞品痛点提取，建立一套可复用的 AI 辅助选品工作流。

完成本模块后，你将能够：

• 用 ChatGPT/Claude 批量分析竞品 Review，10 分钟提取 50+ 条差评的核心痛点
• 用 AI 做市场可行性评估，替代过去需要半天的手动调研
• 用关键词聚类发现竞品没覆盖到的蓝海需求
• 建立一套从“发现趋势“到“Go/No-Go 决策“的完整 SOP

1. 选品方法论：AI 之前你需要理解的基础

相关阅读: AI 应用全景评估 AI 在选品环节的成熟度评估 · D4 Walmart AI 指南 Walmart 品类机会分析和竞争程度评估详见 D4。 · E4 Pinterest AI 指南 Pinterest 趋势数据可辅助选品方向验证，详见 E4。

1.1 选品的第一性原理

选品的本质是在“需求“和“供给“之间找到不对称 需求大但供给不足（或供给质量差）的品类就是机会。

AI 不能替你做决策，但它能把信息收集和分析的效率提升 10 倍。在用 AI 之前，你需要理解：

• 需求信号：搜索量、搜索趋势、Review 数量增长速度
• 供给信号：卖家数量、头部集中度、新品进入速度
• 利润信号：售价、FBA 费用、采购成本、广告成本
• 风险信号：季节性、合规要求、专利壁垒、退货率

1.2 选品决策框架

市场机会 = (需求强度 × 利润空间) / (竞争强度 × 风险系数)

每个变量都可以用 AI 辅助量化。下面逐一展开。

1.3 AI 在选品中的角色定位

AI 擅长的：

• 信息压缩：把 100 条 Review 压缩成 5 个核心痛点
• 模式识别：从关键词列表中发现人眼容易忽略的需求聚类
• 框架化分析：按固定维度做结构化评估，避免遗漏
• 多语言处理：分析日文/德文 Review 不再需要逐条翻译

AI 不擅长的：

• 实时数据：AI 不知道当前的 BSR 排名和搜索量（需要工具提供）
• 供应链判断：工厂能力、品控水平需要实地验证
• 合规细节：具体的认证要求需要查官方文档（参考 A6 合规模块）
• 创造性选品：真正的蓝海品类往往来自跨界灵感，不是数据分析

核心原则：用工具获取数据，用 AI 做分析，用人做决策。三者缺一不可。

2. AI 工具全景：选品阶段用什么

2.1 付费工具深度评测

工具选择建议：

预算有限（<$50/月）：Jungle Scout 入门版 + Keepa + ChatGPT

• Jungle Scout 的 Product Database 足够做初步筛选
• Keepa 的价格历史和 BSR 追踪是不可替代的
• ChatGPT 免费版就能做 Review 分析和市场评估

认真做（$100-200/月）：Helium 10 Platinum + Keepa

• Helium 10 的 Cerebro（反查竞品关键词）和 Black Box（选品筛选器）是行业标杆
• 配合 Keepa 做历史数据验证，避免被短期数据误导

多站点运营：SellerSprite + Helium 10

• SellerSprite 对日本站和欧洲站的数据覆盖比 Helium 10 更好
• 两者互补使用，SellerSprite 做多站点初筛，Helium 10 做深度分析

关键洞察：付费工具提供数据，AI（ChatGPT/Claude）提供分析。两者结合效果最好 用 Helium 10 导出数据，用 ChatGPT 做归因分析。单独用任何一个都不够。

2.2 免费工具组合

免费工具的使用策略：

1. Google Trends 验证季节性：在决定进入一个品类前，先看 12 个月的搜索趋势。如果你在 11 月调研发现某品类搜索量很高，可能只是因为 BFCM 旺季，而非常年需求。
2. Perplexity 做快速市场调研：直接问 “What is the market size of portable neck fans on Amazon US in 2025?”，它会给你带引用的回答，比 ChatGPT 的回答更可验证。
3. Gemini 做多模态分析：上传竞品的产品图片，让 Gemini 分析产品设计特点、材质、可能的成本结构。这是 ChatGPT 做不到的。
4. Amazon Movers & Shakers 发现趋势：每天花 5 分钟浏览，记录连续上升的品类。连续 3 天出现在 Movers & Shakers 的产品值得深入研究。

2.3 开源工具与 API

什么时候用开源工具？

如果你是技术背景的卖家（或团队里有开发），开源工具可以做到付费工具做不到的事：

• 自定义 Review 分析：用 BERTopic 做主题建模，比 ChatGPT 的分析更系统化，适合 1000+ 条 Review 的大规模分析
• 自动化数据采集：用 SP-API 定时拉取竞品价格和库存变化，建立自己的数据库
• 情感分析量化：用 VADER 给每条 Review 打情感分，然后按时间线分析情感趋势

更多技术实现细节，参考 Path B: 技术人 的相关模块。

3. Prompt 模板库（选品专用）

本节提供每个模板的深度解析、常见错误和进阶变体。

3.1 竞品 Review 痛点分析

为什么这个 Prompt 有效： 它要求 AI 按频率排序并用表格输出，避免了 AI 常见的“泛泛而谈“问题。表格格式强制 AI 给出结构化、可比较的结果。关键设计点：

• “排名前 5” 限制输出数量，避免 AI 列出 20 个不痛不痒的点
• “按提及频率排序” 强制 AI 做量化分析而非主观判断
• “代表性评论原文” 要求 AI 引用证据，减少幻觉
• “哪些最容易通过产品设计解决” 直接导向行动

常见错误：

• 只粘贴 10 条差评 → 样本太少，AI 会过度解读个别案例。建议 50-100 条。
• 混合粘贴好评和差评 → AI 会被好评干扰，痛点分析不聚焦。差评和好评分开分析。
• 不指定输出格式 → AI 会写长篇大论，难以对比和行动。表格格式是关键。
• 只分析一个竞品 → 无法区分“品类通病“和“个别产品问题“。至少分析 3 个竞品。

进阶变体：

变体 A 多竞品对比分析：

分析以下 3 个竞品的差评，对比它们的痛点差异：
竞品A（[ASIN]）差评：[粘贴]
竞品B（[ASIN]）差评：[粘贴]
竞品C（[ASIN]）差评：[粘贴]

输出：
1. 三个竞品共同的痛点（品类通病）
2. 各自独有的痛点
3. 哪些痛点最容易通过产品设计解决

为什么用这个变体：共同痛点 = 品类通病，你的产品必须解决；独有痛点 = 竞品弱点，你的差异化机会。

变体 B 带情感强度分析：

分析以下差评，除了痛点分类外，还要评估每个痛点的"情感强度"（1-5分，5分=极度不满）。
情感强度高的痛点 = 用户最在意的改进方向。

输出格式：痛点 | 频率 | 情感强度 | 代表性评论 | 改进建议

[在此粘贴差评内容]

为什么用这个变体：频率高但情感强度低的痛点（如“包装一般“）优先级低；频率中等但情感强度极高的痛点（如“用了一周就坏了“）才是真正的产品机会。

变体 C 正面评价挖掘（找“必备卖点“）：

分析以下 5 星好评，提取用户最频繁提到的满意点。
这些满意点 = 品类的"必备卖点"，你的产品必须具备。

输出：
1. 排名前 5 的满意点（按提及频率排序）
2. 每个满意点的用户原话
3. 如果你的产品缺少这些卖点，用户会怎么反应

[在此粘贴 5 星好评]

为什么用这个变体：差评告诉你“不能有什么“，好评告诉你“必须有什么“。两者结合才是完整的产品定义。

变体 D 时间线趋势分析：

以下差评按时间排序（最新在前）。请分析：
1. 痛点是否随时间变化（比如早期是质量问题，后期变成功能不足）
2. 最近 3 个月的新增痛点是什么
3. 竞品是否在改进（痛点频率是否下降）

这些信息帮我判断：竞品在进步还是在退步，我现在进入是否还有机会。

[在此粘贴按时间排序的差评]

为什么用这个变体：如果竞品的痛点在减少，说明他们在迭代改进，你进入的窗口在关闭。如果痛点在增加或不变，说明竞品不重视用户反馈，机会仍在。

3.2 市场可行性快速评估

为什么这个 Prompt 有效： 5 维度评分框架强制 AI 做全面分析，避免只看到市场好的一面。1-5 分的量化评分让不同产品之间可以直接对比。“进入/谨慎/放弃“的三档建议迫使 AI 给出明确结论。

常见错误：

• 不提供具体产品信息 → AI 只能给出泛泛的品类分析。至少提供产品名称和目标市场。
• 完全依赖 AI 的评分 → AI 没有实时数据，评分基于训练数据中的一般认知。必须用工具数据交叉验证。
• 只做一次评估就决策 → 应该先用 AI 做初筛，再用 Helium 10/Jungle Scout 的真实数据做二次验证。

进阶变体：

变体 A 多产品横向对比：

我在考虑以下 3 个产品，请用同一套评估框架做横向对比，告诉我优先做哪个：
产品1：[名称]
产品2：[名称]
产品3：[名称]
目标市场：Amazon US

评估维度（每项 1-5 分）：
1. 市场需求
2. 竞争强度
3. 利润空间
4. 供应链难度
5. 合规风险

输出：对比表格 + 优先级排序 + 排序理由

为什么用这个变体：选品不是“这个产品好不好“的问题，而是“在我的资源约束下，哪个产品最值得做“的问题。横向对比比单独评估更有决策价值。

变体 B 带竞品数据的深度评估：

请对以下产品做深度市场可行性评估：

产品：[名称]
目标市场：Amazon [US/DE/JP]

补充信息（来自 Helium 10/Jungle Scout）：
- 品类 BSR 前 10 的月均销量：[数据]
- 头部卖家的 Review 数量：[数据]
- 平均售价：$[X]
- FBA 费用估算：$[X]
- 品类平均退货率：[X]%

请基于这些真实数据重新评估，而不是基于一般认知。
特别关注：以这些数据为基础，新品进入后 6 个月内能否盈利？

为什么用这个变体：给 AI 真实数据，它的分析质量会大幅提升。“基于真实数据重新评估“这句话很关键，它告诉 AI 不要用默认的泛泛回答。

变体 C 风险专项评估：

我准备进入 [品类名称]，请专门做风险评估：

1. 专利风险：这个品类的产品可能涉及哪些专利？（外观、功能、技术）
2. 合规风险：在 [目标市场] 销售需要哪些认证？（FDA、CE、FCC 等）
3. 季节性风险：这个品类的需求是否有明显的季节波动？
4. 供应链风险：主要供应商集中在哪里？是否有替代方案？
5. 竞争风险：头部卖家是否有品牌壁垒或独家供应链优势？

对每个风险给出：风险等级（高/中/低）、具体说明、规避建议

为什么用这个变体：大多数选品失败不是因为“市场不好“，而是因为忽略了某个风险。专项风险评估能帮你在投入资金之前发现潜在的坑。

3.3 关键词需求聚类

为什么这个 Prompt 有效： 关键词列表是“用户在搜什么“的直接证据，但原始关键词太多太杂。AI 的聚类能力可以把 200 个关键词压缩成 5-8 个需求主题，每个主题对应一个产品机会。

常见错误：

• 关键词太少（<20 个）→ 聚类结果不可靠，AI 会强行分组
• 关键词太多（>500 个）→ 超出 AI 上下文窗口，建议分批处理
• 混合不同品类的关键词 → 聚类结果会混乱，每次只分析一个品类
• 不包含搜索量数据 → AI 无法判断需求强度，如果有搜索量数据一定要附上

进阶变体：

变体 A 带搜索量的加权聚类：

以下是关键词列表及其月搜索量（来自 Helium 10 Cerebro）。
请按用户购买意图聚类，并用搜索量加权计算每个聚类的总需求量。

格式：关键词 | 月搜索量
[粘贴数据]

输出：
1. 聚类名称
2. 包含的关键词
3. 聚类总搜索量（所有关键词搜索量之和）
4. 需求强度排序
5. 对应的产品特性建议

为什么用这个变体：没有搜索量的聚类只能告诉你“有哪些需求“，加上搜索量才能告诉你“哪个需求最大“。

变体 B 竞品关键词差异分析：

以下是两组关键词：
组A：我的竞品排名靠前的关键词 [粘贴]
组B：我的竞品排名靠后或未覆盖的关键词 [粘贴]

请分析：
1. 组B中有哪些高搜索量但竞品未覆盖的关键词？
2. 这些未覆盖的关键词代表什么用户需求？
3. 我的产品如何针对这些需求做差异化？

为什么用这个变体：竞品没覆盖的关键词 = 竞品没满足的需求 = 你的差异化机会。

3.4 趋势预测

为什么这个 Prompt 有效： 它要求 AI 综合多个数据源（Google Trends、BSR、社交媒体）做交叉分析，而不是只看单一指标。“上升期/平台期/衰退期“的三档判断迫使 AI 给出明确的趋势方向。

常见错误：

• 不提供任何数据 → AI 只能基于一般认知回答，准确度很低
• 只看 Google Trends → 搜索趋势和购买趋势不完全一致，需要 BSR 数据交叉验证
• 忽略社交媒体信号 → TikTok/Instagram 上的爆款往往领先 Amazon 搜索 2-3 个月

你是一个电商趋势分析师。基于以下信息，预测这个品类未来 6 个月的趋势：

- 品类名称：[名称]
- 过去 12 个月的 Google Trends 数据：[粘贴或描述趋势走向]
- 当前 Amazon BSR 前 10 的 Review 增长速度：[数据]
- 相关社交媒体话题热度：[TikTok/Instagram 趋势描述]

请分析：
1. 这个品类是上升期、平台期还是衰退期？依据是什么？
2. 有哪些外部因素可能影响趋势（季节、政策、技术变化）？
3. 如果现在进入，6 个月后的竞争格局会怎样？
4. 建议的进入时机和策略

进阶变体 多品类趋势对比：

我在考虑以下 3 个品类，请对比它们的趋势走向：
品类A：[名称] Google Trends: [描述]
品类B：[名称] Google Trends: [描述]
品类C：[名称] Google Trends: [描述]

哪个品类目前处于最佳进入窗口？为什么？

3.5 供应商评估

为什么这个 Prompt 有效： 它把供应商评估从“感觉哪个好“变成了结构化的多维度对比。AI 可以帮你发现你可能忽略的风险点（比如 MOQ 太高导致资金压力、交期太长影响旺季备货）。

常见错误：

• 只比价格 → 最便宜的供应商往往品控最差，综合成本反而最高
• 不考虑运费和关税 → 到岸成本才是真实成本
• 只联系一家供应商 → 至少联系 3-5 家，才能了解市场价格区间

我找到了以下 3 个 1688/Alibaba 供应商，请帮我做对比评估：

供应商A：[公司名、产品、价格、MOQ、交期]
供应商B：[公司名、产品、价格、MOQ、交期]
供应商C：[公司名、产品、价格、MOQ、交期]

评估维度：
1. 价格竞争力（含运费、关税估算到 Amazon [US/DE/JP] 仓库）
2. 品控能力（从产品描述、资质、工厂规模推断）
3. 定制化能力（能否做 OEM/ODM、最小定制量）
4. 风险评估（单一供应商风险、交期风险、品质风险）
5. 谈判策略建议（基于以上分析，如何谈到更好的条件）

输出推荐排序和详细理由。

3.6 利润计算器

为什么这个 Prompt 有效： 它把所有成本项列全了（很多新手会忘记头程物流、广告成本、退货损耗），并且要求 AI 计算盈亏平衡点，这是决定“做不做“的关键数字。

常见错误：

• 忘记算广告成本 → 新品期广告成本可能占售价的 20-30%
• 忘记算退货损耗 → 某些品类退货率高达 15-20%
• 用人民币算利润 → 汇率波动会影响利润，建议用目标市场货币计算
• 不算盈亏平衡点 → 知道“每单赚多少“不够，还要知道“每天卖多少才不亏“

帮我计算以下产品在 Amazon [US/DE/JP] 的利润：

- 采购成本：¥[X]/件
- 产品重量：[X]kg，尺寸：[X]×[X]×[X]cm
- 目标售价：$[X]
- 预计日均销量：[X]件
- 广告预算：$[X]/天
- 预计退货率：[X]%

请计算：
1. FBA 费用（仓储 + 配送）
2. Amazon 佣金（品类佣金率）
3. 头程物流费用（海运和空运两种方案）
4. 广告成本（按 ACOS [X]% 估算）
5. 退货损耗
6. 单件利润和利润率
7. 月度利润和 ROI
8. 盈亏平衡点（需要多少日均销量才能盈利）

注意：请用当前汇率换算，并标注你使用的汇率。

进阶变体 多价格点敏感性分析：

基于上面的成本结构，请做价格敏感性分析：
- 售价 $[X-5]、$[X]、$[X+5] 三个价格点
- 日均销量 [X-10]、[X]、[X+10] 三个销量水平

输出 3×3 的利润矩阵，帮我找到最优的价格-销量组合。

3.7 品类机会发现

为什么需要这个 Prompt： 前面的模板都是“我已经有了一个产品想法，帮我评估“。但选品的第一步是“发现机会“。这个 Prompt 帮你从零开始找到值得研究的品类。

你是一个跨境电商选品顾问。请帮我发现 Amazon [US/DE/JP] 上的品类机会。

我的条件：
- 启动资金：¥[X]万
- 经验水平：[新手/有经验/资深]
- 偏好品类：[有偏好就写，没有就写"不限"]
- 风险偏好：[保守/中等/激进]

请推荐 5 个品类机会，每个包含：
1. 品类名称和简要描述
2. 为什么现在是好时机
3. 预估的月销量和利润空间
4. 主要风险和应对策略
5. 需要的启动资金估算
6. 推荐的进入策略（差异化方向）

注意：
- 不要推荐已经红海的品类（如手机壳、数据线）
- 优先推荐有差异化空间的品类
- 考虑我的资金和经验限制

重要提醒：AI 推荐的品类只是起点，不是结论。每个推荐都需要用 Helium 10/Jungle Scout 的真实数据验证。AI 可能推荐已经过时的机会。

4. 选品实战工作流

4.1 完整选品 SOP（7 步法）

这套 SOP 把传统需要 1-2 周的选品流程压缩到 12 小时左右。每一步都标注了使用的工具和 Prompt。

Step 1: 趋势发现（1小时）
工具: Google Trends + Amazon Movers & Shakers
AI: 趋势预测 Prompt（3.4）
输出: 5-10 个值得深入研究的品类

Step 2: 品类筛选（2小时）
工具: Helium 10 Black Box / Jungle Scout Product DB
筛选: 月销量 >300, Review <500, 售价 $15-50
AI: 市场可行性评估 Prompt（3.2）
输出: 3-5 个通过初筛的品类

Step 3: 竞品深度分析（3小时）
工具: Helium 10 Xray + Keepa
数据: 选 5-10 个竞品，收集 Review（50-100条/竞品）
AI: Review 痛点分析（3.1）+ 正面评价挖掘（3.1 变体C）
输出: 品类痛点地图 + 必备卖点清单

Step 4: 关键词研究（2小时）
工具: Helium 10 Cerebro / Jungle Scout Keyword Scout
AI: 关键词需求聚类 Prompt（3.3）
输出: 需求聚类图 + 蓝海关键词列表

Step 5: 利润测算（1小时）
工具: Amazon FBA Revenue Calculator
AI: 利润计算器 Prompt（3.6）
输出: 利润模型 + 盈亏平衡点

Step 6: 供应商初筛（2小时）
工具: 1688 / Alibaba
AI: 供应商评估 Prompt（3.5）
输出: 供应商对比表 + 谈判策略

Step 7: 决策输出（1小时）
AI: 汇总以上所有分析，输出选品报告
Prompt: "基于以上所有分析，给出最终的 Go/No-Go 建议，
并列出进入后前 3 个月的行动计划"
输出: Go/No-Go 决策 + 行动计划

4.2 每一步的详细操作指南

Step 1: 趋势发现

目标：从海量品类中找到 5-10 个值得深入研究的方向。

操作流程：

1. 打开 Google Trends，搜索你感兴趣的品类关键词，看 12 个月趋势
2. 浏览 Amazon Movers & Shakers，记录连续上升的品类
3. 刷 TikTok/Instagram，关注 #amazonfinds #tiktokmademebuyit 等标签
4. 用趋势预测 Prompt（3.4）让 AI 帮你评估每个品类的趋势方向

判断标准：

• Google Trends 过去 6 个月持续上升
• Amazon Movers & Shakers 连续 3 天出现
• 社交媒体有相关话题但 Amazon 上竞品不多
• Google Trends 呈下降趋势
• 只在特定月份有搜索量（强季节性）

Step 2: 品类筛选

目标：用数据工具验证趋势发现，筛选出真正有机会的品类。

Helium 10 Black Box 筛选条件（推荐起点）：

• 月销量：300-10000（太少没市场，太多竞争激烈）
• Review 数量：<500（Review 太多说明头部已经固化）
• 售价：$15-50（太低利润薄，太高门槛高）
• 评分：3.5-4.3（评分低说明品类有改进空间）

这些只是起点参数，根据你的资金和经验调整。资金充足可以放宽售价上限，经验丰富可以挑战 Review 更多的品类。

Step 3: 竞品深度分析

目标：理解品类的痛点地图和必备卖点。

操作流程：

1. 选择 BSR 前 5-10 的竞品
2. 用 Helium 10 Review Insights 或手动收集每个竞品的 50-100 条差评
3. 用 Review 痛点分析 Prompt（3.1）分析差评
4. 用正面评价挖掘 Prompt（3.1 变体 C）分析好评
5. 用 Keepa 查看竞品的价格历史和 BSR 走势

输出模板：

品类痛点地图：
| 痛点 | 频率 | 情感强度 | 竞品A | 竞品B | 竞品C | 改进难度 |
|------|------|---------|-------|-------|-------|---------|
| ... | ... | ... | / | / | / | 高/中/低 |

必备卖点清单：
| 卖点 | 用户提及频率 | 是否为品类标配 |
|------|------------|--------------|
| ... | ... | 是/否 |

Step 4-7 按照 SOP 图中的工具和 Prompt 执行即可。关键是每一步的输出都要保存，最后汇总成完整的选品报告。

4.3 选品报告模板

最终的选品报告应该包含以下内容（可以让 AI 帮你汇总）：

# 选品报告：[产品名称]
日期：[日期]

## 1. 市场概况
- 品类规模、增长趋势、季节性
- 数据来源：Google Trends、Helium 10

## 2. 竞争分析
- 头部竞品列表（ASIN、价格、Review 数、BSR）
- 痛点地图（来自 Step 3）
- 必备卖点清单

## 3. 需求分析
- 关键词聚类结果（来自 Step 4）
- 未被满足的需求

## 4. 利润模型
- 成本结构（采购、物流、FBA、广告）
- 利润率和盈亏平衡点
- 价格敏感性分析

## 5. 供应链
- 供应商对比
- 推荐供应商和谈判策略

## 6. 风险评估
- 专利、合规、季节性、竞争风险
- 风险应对策略

## 7. 决策
- Go / No-Go
- 如果 Go：前 3 个月行动计划

5. 常见选品陷阱

5.1 数据相关陷阱

5.2 决策相关陷阱

5.3 执行相关陷阱

6. 进阶技巧

6.1 用 AI 做竞品监控

选品不是一次性的工作。选定品类后，你需要持续监控竞品动态。

我正在监控以下 3 个竞品（[ASIN 列表]）。
以下是它们最近 1 个月的变化数据：

竞品A：
- 价格变化：$29.99 → $24.99
- Review 数量变化：1200 → 1350
- BSR 变化：#45 → #32

竞品B：[类似数据]
竞品C：[类似数据]

请分析：
1. 每个竞品的策略变化（降价促销？新品推广？）
2. 这些变化对我的产品意味着什么？
3. 我应该如何应对？

6.2 用 AI 做差异化定位

找到品类机会后，最关键的问题是：你的产品和竞品有什么不同？

基于以下竞品分析结果：
- 品类通病：[列出 3-5 个共同痛点]
- 必备卖点：[列出 3-5 个必备功能]
- 未被满足的需求：[列出 2-3 个蓝海需求]

请帮我设计产品差异化策略：
1. 必须解决的痛点（品类通病中最容易解决的 2-3 个）
2. 必须具备的功能（必备卖点清单）
3. 差异化卖点（基于未被满足的需求）
4. 定价策略（基于差异化程度）
5. 一句话卖点（用于 Listing 标题和广告）

6.3 多站点选品策略

不同站点的选品逻辑有差异：

多站点选品 Prompt：

我想把以下产品从 Amazon US 扩展到 Amazon [DE/JP]：
产品：[名称]
US 站表现：月销量 [X]，售价 $[X]，Review [X] 条

请评估：
1. 目标站点的市场需求（是否有同类产品？搜索量如何？）
2. 竞争格局差异（头部卖家是谁？本土品牌强不强？）
3. 合规要求差异（需要额外的认证吗？）
4. 定价策略（考虑 VAT、物流成本差异）
5. Listing 本地化要点（不只是翻译，还有文化适配）

7. 学习资源

7.1 免费课程

7.2 YouTube 频道推荐

7.3 推荐阅读

Content rephrased for compliance with licensing restrictions. Sources cited inline.

7.4 社区与论坛

9. 完成标志

• 用 AI 完成一个完整的选品可行性分析报告（覆盖 7 步法的所有步骤）
• 至少使用 3 个不同的 Prompt 模板并对比效果
• 用 Google Trends 验证至少一个品类的季节性
• 完成一次竞品 Review 痛点分析（≥50 条差评）
• 用利润计算器 Prompt 完成一次完整的利润测算
• 输出一份包含 Go/No-Go 决策的选品报告

完成以上所有项目后，你已经掌握了 AI 辅助选品的核心技能。接下来进入 A2 Listing 与内容创作，学习如何用 AI 写出高转化的 Listing。

附录：快速参考卡片

Prompt 速查表

工具速查表

(README.md) | A2 Listing >