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。
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。
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。
Score
90
来源说明Product Opportunity Explorer可分析Amazon搜索、购买、评论和价格趋势，用于决定新产品机会；迁移到淘宝/拼多多时，可把搜索趋势映射为站内搜索词/外部Google Trends，把购买映射为平台销量与转化，把评论映射为竞品差评痛点，把价格映射为US到手价和毛利空间。
核心做法：定义US目标人群和一级类目，优先母婴但不限定母婴，先剔除Electronics和High-return fashion。
判断：搜索趋势增长率
排除：排除Electronics和High-return fashion
Score
85
来源给出微型KOL策略步骤：确定预算、目标和受众，选择平台，寻找KOL，接触KOL，并监控活动表现；同时强调检查近期内容质量、品牌调性一致性，以及用工具追踪affiliate campaign performance。
核心做法：先定义活动目标：品牌认知、内容资产、导购转化、测评背书或新品试水。
判断：互动率
排除：排除评论大量重复、表情刷屏、疑似买粉的达人。
Score
90
该源码文档列出 pdd.ddk.oauth.goods.search 请求字段：keyword、opt_id、page_size、range_list、with_coupon、merchant_type、sort_type，并说明可按价格、销量、券后价、佣金、店铺描述/物流/服务评分及击败同类百分比排序。
核心做法：用 keyword 或 opt_id 搜索允许类目候选，设置 page_size 获取足够样本。
判断：销量排序可见性
排除：排除只在低价排序出现但店铺评分差的候选
Score
80
该仓库展示了拼多多自动化采集数据样例，包含 price、price_info、goods_name、sales_tip、tag_list、near_group、mall_id、merchant_type 等字段；这些字段可转化为销量提示、活动标签、成团氛围和店铺类型信号。
核心做法：按允许类目关键词抓取拼多多商品详情或列表样例字段。
判断：销量提示强度
排除：排除只有促销标签但销量提示弱的候选
Score
83
该仓库实现拼多多商品信息爬虫，并包含 Excel、MySQL、词云、pyecharts 等管道和价格区间商品数分析示例；可执行贡献是将商品抓取结果转为价格分布、文本聚类和可视化分析。
核心做法：输入中文候选关键词，抓取拼多多商品列表信息。
判断：价格区间商品数
排除：排除供给集中但售价过低无法盈利的候选
Score
76
该仓库说明其目标是抓取淘宝商品销售和趋势等数据，并使用回归预测模型预测热销商品；可执行贡献在于将销量、趋势和预测模型组合成候选预警框架。
核心做法：选择允许类目的中文关键词，定期采集淘宝商品销量和趋势字段。
判断：销量增长斜率
排除：排除单日暴涨但无持续趋势的候选
Score
86
来源提供了用关键词构造淘宝/天猫 SERP、分页抓取、提取商品标题、链接、店铺名、月销量和价格字段，并将数据接入 dashboard 或 P&L calculator 的可执行步骤。
核心做法：将 US 需求关键词翻译成中文采购关键词，并保留英文原始需求锚点。
判断：价格带稳定性
排除：排除 Electronics
Score
93
GitHub 提示词 明确要求输入 category、market、buyer、marketplaces，并逐源采集 search query、product title、price、shop、URL、core claims、target persona、review themes、repeated complaints、visible differentiators；输出 raw product table、price bands、common claims、underserved complaints、positioning opportunities 和 follow-up questions。
核心做法：输入目标类目、US market、目标买家和允许的平台列表。
判断：有效来源数量
排除：排除无法访问、无 URL 或页面需要登录但未注明的来源。
Score
87
来源提供 17 种寻找产品机会的方法，包括解决痛点、提前发现趋势、服务 niche interest、满足 underserved market、关键词机会、社媒趋势工具、浏览 marketplace、改进现有产品、寻找高利润产品、可持续产品、个性化、国际市场和 dropshipping 测试；这些可整合成多来源机会分层流程。
核心做法：从痛点、niche 兴趣、关键词、社媒趋势、marketplace 和高利润空间六类入口收集候选方向。
判断：独立来源数量
排除：排除只有单一 trend 信号、无 marketplace 购买证据的方向。
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。
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
87
该 GitHub 项目描述为 Amazon FBA product research engine，包含 niche analysis、competitor intelligence、supplier sourcing、profit margin calculation、sales estimation 和 BSR tracking 等模块。
核心做法：只借鉴开源项目的方法结构，不直接复用可能违规的抓取流程。
判断：需求因子得分
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
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。
指标结构清晰，适合拆成关键词采集、竞品评论分析、毛利估算和合规预检多个任务节点。
步骤清晰、适合批量评分和表格化执行；需要补充平台服务或人工采集达人数据。
字段结构最清晰，适合第一版 任务化为 服务 参数化筛选模块。
字段样例丰富，适合做拼多多内容带货供给信号，但需谨慎解释销量。
价格区间、词云和管道结构适合第一版供给侧筛选。
方法适合趋势预警，但源仓库较轻，需要更多真实数据和人工验证。
字段明确、适合结构化抓取和 P&L 预筛，但必须补 US 需求交叉验证。
虽然业务验证较弱，但输入、步骤、输出和边界非常清晰，是最适合第一版 任务化的开源 workflow。
适合作为候选方向生成后的分层框架，能避免只看爆款或只看趋势的偏差。
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。
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。
工程结构强、适合 任务化参考，但非官方来源且涉及潜在抓取合规问题，必须先审计再落地。
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。