Score
91
来源列出 9 种产品验证策略，包括 make some sales、competitive analysis、research existing demand、feedback survey、crowdfunding、social media interest、pre-launch landing page、in-person customer meeting 和 智能辅助 validation；这些可拆成从低成本信号到付费信号的验证阶梯。
核心做法：选择已通过初筛的候选方向，不直接选择具体商品。
判断：邮箱留资率
排除：排除只有点赞没有评论、留资、加购或付款信号的方向。
可把早期选品从主观判断推进到真实意向验证，适合 moderate 风险偏好，但需人工确认广告与预售合规。
Score
92
来源将 product research 拆成评估市场需求、分析竞争对手、验证创意、发现客户痛点、设置有竞争力且有利润的价格，并提到 Google Trends、Meta Ads、Amazon bestsellers、评论、广告花费、变体和捆绑等可执行检查点。
核心做法：从目标类目生成候选需求，不直接生成具体商品清单。
判断：需求趋势稳定性
排除：排除需求证据只来自单一社媒爆点的方向。
Score
89
来源说明 Product Opportunity Explorer 可按 niche 或 ASIN 查看客户搜索、购买行为、搜索词、趋势、竞争数据、Customer Review Insights 和 Returns 信息；这些内容可转化为需求强度、低竞争、评论痛点和退货风险四类筛选指标。
核心做法：输入目标类目与种子关键词，仅保留 Home & Kitchen、Pet Supplies、Outdoor & Sports 相关 niche。
判断：搜索与购买行为强度
排除：排除 Electronics 与高退货服饰方向。
Score
83
该 GitHub 项目描述为 TikTok Shop 数据采集工具，可提取 products、sellers、prices、ratings、availability 等信息，适合构建店铺与商品基础信号筛选框架。
核心做法：限定 TikTok Shop US 与允许类目，采集类目下商品、卖家、价格、评分、可得性字段。
判断：价格带合理性
排除：排除 Electronics
Score
85
该 GitHub 项目描述为 TikTok Shop Affiliate Scraper，用于查找推广某产品的创作者，并包含产品名、价格、销量、创作者粉丝等数据字段，适合构建达人-商品关系分析。
核心做法：限定 TikTok Shop US 和允许类目，输入场景或类目关键词，不输入具体商品目标。
判断：推广达人数量
排除：排除 Electronics
Score
84
该 GitHub 项目是用于提取 Amazon product data 和 pricing 的 scraper 示例，适合说明如何从搜索结果和商品页获取结构化字段并用于研究。
核心做法：限定 Amazon US、目标类目和非禁用类目，输入场景关键词而非具体商品。
判断：搜索结果可见数量
排除：排除 Electronics
Score
87
该 GitHub 项目描述为 Amazon Keyword Suggestion Tool，可生成相关 Amazon 商品关键词并返回每个关键词的 active products 数量，适合做关键词供给密度筛选。
核心做法：输入目标类目种子词，例如 home organization、pet grooming、camping storage 等场景词。
判断：active products 数量
排除：排除品牌词、商标词和明显侵权词
Score
89
该 GitHub 项目定位为 Amazon review analyzer / 任务-native VOC 工具，支持 ASIN 或 CSV 输入，并围绕电商评论做 VOC 分析，适合抽取痛点、情绪和改进方向。
核心做法：限定 Amazon US 与允许类目，只研究 Home & Kitchen、Pet Supplies、Outdoor & Sports。
判断：痛点重复频次
排除：排除 Electronics
Score
88
TikTok Shop Seller University 是面向卖家、创作者和合作伙伴的学习平台，覆盖政策、功能和运营知识，可作为 TikTok Shop 方法研究的官方入口。
核心做法：将候选范围限定为目标类目下的需求主题，不生成具体商品或达人名单。
判断：达人反馈一致性
排除：排除 Electronics
Score
90
Amazon SEO 内容介绍通过关键词研究、标题和描述优化等方式提升搜索可见性，可用于反向识别搜索结果中未被充分表达的需求角度。
核心做法：为目标类目生成一组需求主题和相关搜索表达。
判断：搜索意图清晰度
排除：排除 Electronics
Score
88
Amazon market demand 内容解释了市场需求以及如何使用 Amazon 工具理解不同市场中的需求机会，适合转化为跨市场需求迁移筛选框架。
核心做法：从目标类目中收集非 US 市场、TikTok 内容趋势或 Seller blog 提到的需求主题。
判断：US 本地化相关性
排除：排除 Electronics
Score
93
Amazon 关于 sales estimator 的内容强调通过销量追踪和预测辅助库存、竞争和新品机会判断，适合转化为需求门槛验证方法。
核心做法：限定 Amazon US 和目标类目，先从需求主题而非具体商品开始建候选池。
判断：估算月销量区间
排除：排除 Electronics
Score
94
Amazon 关键词研究内容强调理解客户在 Amazon 中使用的搜索词，并将相关关键词自然用于标题和描述，以提升产品可见性。
核心做法：从目标类目 seed keywords 出发，收集 Amazon 搜索建议、竞品标题、bullet、评论和问答中的长尾表达。
判断：长尾词具体度
排除：排除 Electronics 相关词簇
Score
91
Jungle Scout的产品研究框架强调在采购前验证需求、竞争和盈利能力，并通过价格、销量、评论、排名、商品页质量和成本估算筛掉低质量机会。
核心做法：用类目或关键词生成候选niche，而不是直接锁定单品。
判断：月销量稳定性
排除：排除售价过低导致广告和FBA费用后无利润的机会。
Score
91
Amazon Product Opportunity Explorer是面向卖家的官方工具，用于查看客户搜索与购买行为、细分市场趋势、热门搜索词、商品表现和客户评论信号，适合从需求缺口角度建立机会池。
核心做法：选择美国Amazon marketplace作为研究范围，按类目或关键词进入细分niche。
判断：搜索需求稳定性
排除：排除明显侵权、仿牌或依赖受保护IP的机会。
方法结构清楚、跨平台适用，适合第一版做通用候选方向评分器。
官方来源、指标明确，适合做 Amazon 候选 niche 二次验证模块，但登录数据和合规判断需人工兜底。
字段清晰且贴合 TikTok Shop 第一版候选池建设；方法不同于 GMV 增长字段法，重点是价格、评分、可得性的基础质量门槛。
方法贴合 TikTok Shop 内容带货筛选，区别于已入库的达人样品反馈和创作者可演示性方法，重点是关系图与单达人依赖风险。
数据字段明确、可自动化程度高，适合作为第一层候选漏斗；但来源非官方，需要加平台条款和字段可信度提示。
该方法区别于已入库的高意图搜索词簇方法，核心是 active products 供给密度与长尾语义筛选，结构化程度高。
虽然来源非官方，但评论 VOC 的输入、标签、评分和排除规则高度结构化，适合做第一版方法 任务 的痛点挖掘模块。
比单纯微趋势方法更强调多达人反馈闭环和评论质量，适合作为 TikTok 内容验证模块。
与已入库长尾词簇法不同，本方法关注搜索结果覆盖缺口，适合作为可见性和差异化验证模块。
适合发现非显性机会，能结构化为跨市场需求迁移评分，但需要人工复核本地化语义。
指标量化程度高，输入输出边界清晰，适合作为第一版需求验证模块。
输入输出天然结构化，排除规则明确，是最适合第一版 任务化的长尾发现方法之一。
方法成熟、步骤清晰、指标可结构化，适合成为Amazon FBA方法库核心模板。
官方数据源、指标结构清晰，适合作为机会发现任务的上游方法，但需人工复核合规和利润。