鸥鹭收集整理了下 2022年卖家选品踩坑的案例分析背后的原因很多，最集中的两个难题：

1）对未来市场需求的误判，热潮过去就卖不动了

2）对自身产品竞争力的误判，上架后很快被卷“死”了

误判是难免的，做好以下几个维度的工作，能大大降低风险。

功利一点来说，尤其是做开发的同学，能否说服老板、运营做你的品，分配多少的资源用于后面的推广，需要你有更体系化的思维和阐述。

先上个脑图（清晰大图找鸥鹭客服领取）

“竞品透视”模块，帮助卖家全面透视一个asin的各维度数据，更深入评估一款产品的市场竞争力，从而降低选品风险。

下面从三个层面，分享一下实际分析的侧重点。

1、大盘层面

大盘数据要看，但不必过度解读，重点看：类目淡旺季趋势、头部垄断情况。

类目淡旺季趋势，除了销售数据趋势之外，参考类目大词的ABA排名趋势、和谷歌指数趋势。

以女装类目为例，每年下半年需求会收缩，要控制备货；亚马逊自营垄断程度不高，TOP100产品以第三方卖家为主。

亚马逊官方基于自身立场，可能永远不会告诉你：“这个类目的亚马逊自营垄断很高，卖家慎入！”

这个层面的数据分析工作量其实一点都不重，但是直接决定你是否入场、何时入场，没把控好的话，后续的努力可能前功尽弃。

还有一点，假如你关注的类目里，中国卖家占比很少？那更要警惕，大概率是门槛的或者深坑的！

2、市场层面

就新品而言，“类目大盘”和“目标市场”是两个分析层面，不应混淆。

现在测算市场容量，需要更精细、更聚焦，自定义一批产品样本做聚焦的市场竞争力分析，只看类目维度的统计容易失焦。

假如做季节性产品，更要聚焦关键词维度的市场分析，市场分析做得越好，产品定位就不容易跑偏。

1）看存量

分析在售头部产品，其实是在分析“存量”的市场。

我们建一个 ASIN 样本库做调研，范围可包括：

-小类目TOP100的产品

-长期霸占关键词首页的产品（自然位、广告位分开看）

-关键词下AC标识的产品

-关联推荐位最多的产品

这批产品一般覆盖了存量市场份额的60%以上，再分析这批产品的数据分布：销量、BSR排名波动、价格、评论数、评分、listing质量、品牌垄断度、卖家垄断度、新品占比等，得到的结论会比类目视角的统计更有效一些。

我们分析头部垄断时，通常要参考竞品老链接的累计评论数，但因为刷单的存在，很多老链接的评论数是有水分的，竞争力其实没有想象中的大！

借助fakespot的功能，可以查很多老链接的评论真伪度：

A：90%-100%的真实评论，星级在4星以上

B：80-89%的真实评论，星级在3星以上

C：65%-79%的真实评论，星级在2星以上

D：45-64%的真实评论，星级在1.5星以上

F：45%以下的真实评论，星级在1星以上

2）看增量

两个角度评估未来增量，有些卖家不够重视这块。

第一，关注类目新品榜、或者用软件监控竞对的新品，分析未来几个月是否会持续热销成为爆品。

除了研究新品本身，还要看背后卖家的实力，有没中国卖家扎堆的情况。

特别有实力的精品卖家，观察他们店铺的其它产品，就会发现他们在价格上、广告推广、评论维护上都做得很稳。

第二，调研国内自有供应链近期有什么新品，有可能打破存量市场格局的。

3、产品层面

能否做出差异化，这个层面的思考是分水岭。

都知道要研究评论，分析客户画像和需求。大道理说起来容易，用ChatGPT可以写出100个版本，但做起来难。

这里有个误区，“客户画像分析”不是分析一个具体的自然人群，“这个产品对标的是Z世代的人群”这种说法相当于伪命题。

最终落到我们产品开发上，客户画像都是在分析一个个需求点的维度组合，不论是做电商还是其它零售端的行业，都是如此。

目前做差异化的方向：

1）功能，是否有创新性、实用性？

2）文化，是否符合国外特定的节日、场所？

3）款式，不同款式的流量结构都不同，转化率就会有很大差别

4）颜色，每年都可能有新的流行色，且不同人喜欢不同

5）材质，不同的材质，适合不同的人群，适用不同的场景

6）服务，大件产品的海外售后问题处理，就拦住大部分的中小卖家

这块信息的数据化是个技术难点。

大部分电商平台的属性标签数据，都是比较乱的，“红色”和“砖红色”可能要不要归类，如何归类，把数据清洗后并能提供业务上的参考。

亚马逊官方在后台提供了一些产品功能特征维度的统计数据，但那还远远不够，鸥鹭也在研究更好的解决方案。

目前，卖家还是得花一些时间整理产品调研表格。

ChatGPT证明了一个最简单的道理：提问的能力，才是真正稀缺且重要的。

信息差会越来越小，数据分析的门槛也会越来越低。