Score
90
来源将搜索词、购买行为、定价、评价、退货及细分市场趋势用于识别产品机会。可迁移步骤是先按需求主题形成候选池,再检查竞争集中度、价格带和消费者未满足点;迁移到淘宝、拼多多时须用站内搜索词、商品数、销量代理指标、评价痛点和退款数据重新计算。
核心做法:按美国消费者使用场景整理英文需求词,并映射淘宝、拼多多可检索的中文词和属性词。
判断:候选词连续增长周数
排除:排除Electronics及High-return fashion。
候选生成、评分与证据核验可自动化,且以站内复证、单位经济和人工采购审批控制外部数据迁移风险。
Score
90
Google 的 Best sellers report 提供国家、品类、商品或品牌热度及排名变化等外部基准信号。可迁移部分是按 US、品类和时间窗口提取趋势候选并观察排名变化;淘宝、拼多多侧必须另行补充搜索、成交、竞品价格、退款和供应数据,不能把 Google 排名直接解释为站内销量。
核心做法:限定国家为 US、设置近 4 周和近 12 周两个窗口,提取品类、商品或品牌的热度排名及变化。
判断:双窗口排名方向一致率
排除:排除 Electronics 和 High-return fashion
Score
87
来源解释了Google Trends按时间和地域归一化、以0至100相对指数展示结果以及低搜索量处理方式。可迁移步骤包括同口径比较关键词、检查地区分布、识别季节峰谷;相对指数不能直接当作销量,必须用淘宝、拼多多站内搜索、点击和成交数据二次验证。
核心做法:建立候选词、同义词、用途词和母婴年龄段词表,过滤电子产品及高退货时尚词
判断:12个月趋势斜率
排除:仅由新闻事件或不足四周尖峰驱动的候选
Score
90
来源贡献了按顾客需求簇而非单个商品研究机会的框架,以及搜索趋势、商品数量、定价、评论、退货与需求季节性等判断维度。迁移到淘宝、拼多多时,用平台搜索词趋势、商品数、销量集中度、评价痛点和退款原因替代Amazon专属字段。
核心做法:建立候选需求词池,将同义词、使用场景词和问题词聚合为需求簇
判断:12周搜索趋势斜率与波动率
排除:排除Electronics和High-return fashion
Score
87
来源提供竞争分析的对象选择、产品与市场特征收集、优劣势比较和结果应用框架。迁移到淘宝、拼多多时,将网站流量与SEO观察替换为平台搜索位、活动位、销量区间、评价主题、价格带、承诺时效和内容表达,并把结论转化为小范围经营实验。
核心做法:按相同搜索词、价格带、目标人群和使用场景识别3至8个直接竞品,并另列替代方案,避免只选择头部店铺
判断:证据带链接比例
排除:排除无法确认采集日期或来源链接的竞品结论
Score
90
来源提供按搜索和购买行为探索细分市场的框架,并强调搜索量、趋势、商品数量、定价和评论等需求与竞争信号。迁移时用美国市场数据生成外部机会假设,再用淘宝、拼多多站内搜索、销量、价格带和评价数据复核,不能直接把Amazon机会值视为目标平台需求。
核心做法:定义消费者任务、使用场景和价格带,将同义搜索词归并为需求簇
判断:需求簇增长率
排除:排除Electronics和High-return fashion
Score
88
官方资料说明趋势值按查询时间和地区归一化并缩放至0至100,低搜索量可能显示为0,且数据并非科学民调。可迁移步骤包括固定US地区与时间窗、使用同组基准词比较相对热度、识别季节峰谷,并要求用淘宝或拼多多点击、收藏、成交和退款数据进行二次验证。
核心做法:建立候选词、同义词、使用场景词及一个稳定基准词清单,排除Electronics和高退货时尚相关词
判断:连续增长周数
排除:排除Electronics和高退货时尚类目
Score
90
来源介绍Search Query Performance、Top Search Terms等品牌分析能力,贡献了按搜索词观察查询表现、点击和购买行为的分析思路。迁移时用淘宝生意参谋搜索词、拼多多搜索热度或推广关键词数据替代Amazon字段,并把点击率、支付转化率、竞争商品数和店内供给覆盖率用于候选分级。
核心做法:从淘宝、拼多多导出近30天和近90天搜索词、曝光、点击、支付及关联SKU数据,并按US目标消费者使用场景统一同义词。
判断:需求增长率
排除:排除Electronics和High-return fashion
Score
88
来源提供识别直接与间接竞争者、比较产品、价格、定位、营销渠道和优势弱点的竞争分析框架。迁移后将淘宝、拼多多搜索结果、美国消费者需求证据、竞品评论与供应报价组成竞争矩阵,并以差异化证据和单位经济性作为准入指标。
核心做法:定义美国目标人群、使用场景、价格带和必须解决的具体任务,禁止先从供应商现货反推需求
判断:独立需求信号数量
排除:排除Electronics和High-return fashion
Score
91
官方工具将搜索词组织为细分需求,并提供搜索、购买、价格、评论、退货及商品数量等判断维度。迁移时以美国市场需求主题作为线索,再用淘宝、拼多多站内搜索结果数、销量集中度、点击转化、评价痛点、退款率和可实现毛利进行复核;Amazon指标不能直接充当国内平台销量预测。
核心做法:收集美国市场搜索趋势、Amazon需求主题及淘宝和拼多多站内联想词,合并同义词并标注用户场景
判断:需求趋势斜率与稳定周数
排除:排除Electronics和High-return fashion
Score
91
来源将搜索词、商品、购买行为、评论、价格和竞争情况组织为细分机会分析。可迁移步骤是:建立需求主题、测量需求规模与变化、评估商品及品牌集中度、提炼差评痛点并形成产品规格假设;淘宝和拼多多需用站内搜索词、商品数、销量、评价及广告数据替代Amazon指标。
核心做法:汇总淘宝、拼多多近90天搜索词,将同义词和使用场景词聚为需求主题
判断:有效需求趋势
排除:排除Electronics和高退货时尚类目
Score
88
Shopify资料给出了从客户痛点、市场需求、趋势与季节性、竞品缺口、价格和利润到问卷、反馈及原型验证的研究链路,并建议结合销量、退货率、搜索趋势和竞争表现判断。迁移到淘宝、拼多多时,可用站内搜索联想、关键词趋势、竞品销量与评价、客服咨询和小批量预售替代Shopify专属工具。
核心做法:从淘宝、拼多多搜索词、客服咨询、评价和美国社区讨论中抽取重复痛点,记录出现频次、目标人群和现有替代方案
判断:有效痛点样本数及跨来源重复率
排除:排除Electronics
Score
90
来源将niche定义为代表同一顾客需求的搜索词与商品集合,并给出高搜索量、低竞争、低平均质量和季节性等机会判断方向;还说明需求簇可查看头部搜索词、现有商品及新品潜力。迁移时用US来源生成需求假设,再以淘宝、拼多多搜索词、商品数、销量分布、评价与退货信号完成站内确认。
核心做法:从US市场搜索、评论和趋势资料提取候选需求词,并按使用场景、用户问题和功能诉求归并为需求簇。
判断:需求趋势增速与稳定性
排除:排除Electronics和High-return fashion。
Score
90
来源给出了需求定义、目标受众识别、市场分析、付费意愿验证和小规模测试流程,并提供预订转化率、候补名单转买家率、复购率及累计100个转化事件等判断指标。迁移到淘宝、拼多多时,可用小批量上架、定金、收藏加购和真实订单代替Shopify预售页,但阈值必须按平台流量质量重新校准。
核心做法:建立候选问题清单,要求每个候选品对应明确的US消费者使用场景、未满足痛点和替代方案。
判断:有效访谈中的高频痛点占比
排除:排除Electronics和High-return fashion。
Score
91
来源将相近搜索词按消费者需求聚合为niche,并要求分析需求与购买趋势、竞争饱和度、搜索量、评价和退货活动;其“低于基准转化率的高需求词簇”是未满足需求信号。迁移到淘宝、拼多多时,用平台搜索词、商品点击、收藏加购、支付转化、评价主题和退款原因重建同类指标,不使用Amazon排名或ASIN阈值作为最终结论。
核心做法:导出淘宝、拼多多近90天搜索词、曝光、点击、收藏加购、支付和退款数据,并按同义词、用途和目标人群聚类。
判断:搜索需求规模及90天增长率
排除:排除Electronics和High-return fashion。
Score
90
开源项目把产品研究拆成需求、竞争、利润潜力和进入障碍四类分析,并提供可供任务调用的结构化Skill。迁移时以美国公开需求和趋势数据作为来源参考,将Amazon销量、BSR和ASIN字段替换为淘宝、拼多多的搜索热度、有效商品数、销量分布、评价增速、广告位密度及价格带;仓库本身不提供淘宝、拼多多实时数据。
核心做法:定义美国使用场景、目标人群、价格带、尺寸重量和风险类目,生成标准化候选词簇
判断:多来源需求一致率
排除:排除Electronics
Score
90
来源给出了概念测试、原型与可用性测试、质量耐久测试、包装测试、价格测试以及软启动流程;可执行指标包括购买意向、创新性、价值感、相关性和独特性,并建议用量表收集反馈。迁移到淘宝、拼多多时,可将焦点组或居家试用结果与收藏、加购、支付、退款及差评原因联合判断。
核心做法:建立候选SKU卡片,记录目标美国用户、使用场景、核心痛点、预计售价、到岸成本、法规类别和竞品替代关系。
判断:购买意向得分及高意向占比
排除:排除Electronics和High-return fashion。
Score
94
来源明确了工单应包含工单号、客户信息、订单号、问题标签、优先级、沟通记录和SLA,并给出集中接入、自动分类、路由、调查、沟通、关闭和复盘流程。迁移到淘宝、拼多多时可直接采用字段及闭环结构,但响应时限、赔付和举证动作必须遵循目标平台规则。
核心做法:汇集淘宝、拼多多客服消息、退款申请、物流异常和评价反馈,并以订单号去重
判断:首次响应时间
排除:不得对人身伤害、吞咽、窒息、过热或化学暴露等安全描述自动结案
Score
89
来源给出按行业和时间范围筛选趋势,并查看趋势线、相关视频、受众洞察、区域热度及相关标签的具体路径。可迁移部分是“区域—时间—语境—关联词”的候选筛选结构;最终需求强度和商业可行性必须使用淘宝、拼多多站内数据重新验证。
核心做法:限定US区域、非排除类目和观察窗口,采集趋势词、相关标签及趋势线快照
判断:7日与30日趋势斜率
排除:排除Electronics和High-return fashion
Score
93
来源贡献了监测外部竞争价、站内最低价、含运费到手价,以及新品低价、优惠券和促销等分情境策略,并明确误导价格、相对近期价格异常升高、组合装单价倒挂及过高运费等风险。迁移到淘宝、拼多多时应以实际支付价和本店利润底线替代Amazon Featured Offer等专属指标。
核心做法:计算SKU含采购、质检、跨境物流、平台费用、广告、退款准备金及税费的完全成本
判断:单件贡献毛利
排除:候选到手价低于绝对利润底线时不得执行
Score
91
官方资料提供最多5组搜索主题对比、地区与时间过滤、主题和搜索词区分以及跨语言组合方法;这些步骤可用于建立美国需求的相对基线,再把候选词映射到淘宝、拼多多站内搜索词并进行小流量成交验证。Google Trends不提供绝对销量,因此只作为外部需求证据。
核心做法:为每个候选建立英文核心词、同义词、用途词和对应Google Trends主题,主题与主题、搜索词与搜索词分别比较
判断:12个月及5年搜索兴趣趋势
排除:排除Electronics和High-return fashion
Score
91
来源给出了按关键词或ASIN进入需求簇、查看搜索与购买趋势、头部点击集中度、商品数量、评分和评论数量、缺货率、广告参与度、评论主题及退货原因等可执行指标。迁移时以Amazon数据观察美国需求,再用淘宝生意参谋、拼多多搜索词与竞品数据复验站内供需。
核心做法:从美国消费者搜索词、Amazon需求簇及淘宝、拼多多站内词库生成候选需求簇,不直接生成具体商品结论
判断:90天与12个月搜索趋势一致性
排除:排除Electronics和High-return fashion
Score
90
开源技能将商品研究拆为市场与类目定义、需求检查、竞争分析、利润测算、风险排除和候选评分等可执行环节,并强调搜索量、竞争强度、价格、评价、费用与季节性等指标。迁移时以美国趋势和公开市场数据生成需求假设,再用淘宝生意参谋、直通车或拼多多商家后台的关键词、点击、成交和竞品数据完成平台内验证。
核心做法:定义美国目标人群、使用场景、价格带、母婴优先级及禁入类目,形成结构化研究任务。
判断:有效需求证据数量及来源独立性
排除:排除Electronics和High-return fashion。
Score
92
来源强调用Product Opportunity Explorer识别未满足需求、高销售潜力、低竞争、购买与退货洞察、搜索词和评论洞察;可迁移为淘宝/拼多多的搜索词热度、竞品数量、评价痛点、退款原因和小样上新验证流程。
核心做法:从淘宝/拼多多后台、搜索下拉词、类目热榜和竞品标题中采集候选需求词。
判断:搜索热度趋势
排除:排除Electronics和High-return fashion。
来源信号结构化程度高,且已加入站内成交、利润、类目排除和 US 合规复证,适合用 任务 生成候选队列,但上架仍需人工批准。
数据输入和筛选顺序清晰,适合自动生成候选评分;但最终放量仍需站内测试、利润核算和人工合规复核。
需求、竞争、痛点和利润形成完整门禁,适合自动生成候选池,但最终打样和合规判断必须由人工完成。
证据字段和实验出口清晰,可由任务生成竞品卡与候选实验;上线动作仍需经营负责人批准。
需求聚类、竞品采集、成本计算和评分可以自动化,且能通过试销和人工合规复核限制误判。
查询参数、评分指标和淘汰条件均可结构化;但最终销量判断必须加入淘宝、拼多多内部数据。
搜索词与SKU数据可日更,筛选逻辑和排除条件明确;但跨平台字段映射及US需求代表性需要人工校准。
覆盖需求、竞争、差异化和利润四个关键闸门,数据结构清晰,适合先自动采集与评分、再由负责人批准。
需求、竞争、痛点、成本和试销形成完整漏斗,字段可自动采集和评分;跨平台映射与最终合规准入需人工复核。
输入和输出可结构化,能够形成候选排序及明确准入闸门,适合作为新品研究任务主流程。
输入、评分、拒绝条件和验证闸门完整,能减少凭热度重仓;但访谈质量和法规判断仍需人工复核。
候选生成、证据采集、评分和淘汰均可结构化,但跨市场信号不能替代淘宝、拼多多实测,放行前必须人工复核。
测试阶段、输入字段和准入逻辑清楚,可由任务生成验证卡和阈值告警;付费意愿真实性与合规性仍需人工确认。
来源为Amazon官方工具说明,需求、竞争、评价和退货指标清晰;迁移后可形成结构化机会评分,但最终选品必须由淘宝、拼多多真实数据和人工合规复核确认。
四轴输入、否决规则和结构化输出适合自动执行,但上线前必须补齐淘宝、拼多多真实数据接口并校准评分阈值。
从概念到软启动形成清晰闸门,兼顾需求、质量、利润和合规;人工试用与安全判断仍需保留。
数据字段、分级路由、SLA和根因闭环高度结构化,可直接形成客服运营任务,同时保留安全和争议工单人工升级。
候选采集、趋势计算、语境抽检和站内验证可拆为清晰任务,且设置了禁止直接按外部热度备货的边界。
成本、竞价、库存情境和审批边界可规则化,适合生成受控调价建议,但不应允许任务无审批改价。
数据入口和淘汰条件清楚,能把外部需求信号与淘宝、拼多多真实转化连接起来,并明确禁止用趋势指数替代销量判断。
指标维度丰富且可形成候选评分流水线,但跨平台需求映射、单位经济参数和最终立项仍需人工确认。
候选生成、证据采集、财务测算、排除检查和评分均可结构化;采购与合规审批可以明确保留给人工。
步骤清晰、指标结构化,适合做成选品机会评分任务,但必须接入淘宝/拼多多本地数据验证。