方法审核
需要登录才能执行审核操作
浏览审核队列不强制登录；触发任务和提交操作需要先登录。
Score
89
MLForecast提供多序列预测、滞后特征、日期特征、交叉验证及预测区间等可执行组件。迁移时可对淘宝、拼多多SKU日销量建模，按渠道和SKU保留层级，在滚动窗口中比较模型与季节性朴素基线，再把区间结果交给采购规则而非直接自动下单。
核心做法：按渠道、SKU和日期构造净销量序列，分离退款、缺货与异常订单
判断：加权绝对百分比误差
排除：历史不足8周的新品不使用复杂模型自动决策
开源组件成熟且适合批量多序列运行，但需要可靠的数据管道和持续回测；采购动作必须与现金流及供应约束联合审批。
Score
89
来源提供RFM三个基础维度、评分和客群分组思路。迁移时用淘宝、拼多多订单构造Recency、Frequency、Monetary分位数，将分群对应到会员权益、客服关怀和优惠策略，并增加贡献毛利与对照组指标，避免只按销售额判断价值。
核心做法：合并近180至365天已完成订单，统一用户、订单、退款和渠道标识
判断：30天和60天增量复购率
排除：排除取消、全额退款、内部测试及高置信度刷单账户
订单字段普遍可得，分数计算、客群映射和实验复核均可规则化；触达内容、优惠额度与隐私边界仍需人工审批。
Score
89
Shopify指南贡献了按结算步骤定位流失、缩短流程、提前展示总成本、增强信任、适配移动端、补充支付方式及持续测量的操作框架，并列出强制注册、流程复杂、页面错误、总成本不可见和支付方式不足等判断因素。迁移到淘宝和拼多多时，不能修改平台核心收银台，应重点优化商品页至下单页的信息一致性、运费与优惠说明、客服承诺、移动端素材和平台允许的催付触点。
核心做法：按设备、流量来源和新老客拆分商品详情访问、加购、提交订单、支付成功及退款漏斗。
判断：详情页至加购率
排除：排除仅由缺货、系统级支付故障或平台大面积异常造成的流失。
漏斗、根因分类和实验护栏可结构化执行，且能直接作用于存量流量；平台不可控的收银步骤需明确排除。
Score
89
Amazon官方文章贡献了外部竞争价监控、最低价观察、利润率核算、折扣使用、两个竞争价格定期对比及价格异常排除等步骤。迁移到淘宝和拼多多时，应把Amazon Featured Offer替换为搜索曝光、活动资源位和同款价格带，把总价定义为商品价、运费及优惠后的消费者到手价。
核心做法：按SKU汇总近30天到手价、曝光、点击、支付订单、退款、平台费用、履约成本和广告成本。
判断：支付转化率
排除：排除成本或费用口径不完整的SKU。
数据输入和利润闸门明确，可自动生成候选价格及实验结论；实际改价仍需人工审批以控制平台规则和品牌风险。
Score
89
开源项目贡献了BG/NBD购买次数预测和Gamma-Gamma顾客价值估计的可执行模型、字段要求及示例。迁移时应按淘宝、拼多多店铺订单统一顾客标识，模型结果仅用于分层，不应跨店或违规合并个人数据。
核心做法：清洗取消、欺诈和全额退款订单，统一顾客匿名标识与订单时间
判断：验证期购买次数MAE
排除：排除无法稳定识别顾客或观察期过短的数据
输入字段和模型输出高度结构化，适合自动分层；促销动作必须通过对照实验和隐私规则复核。
Score
89
来源说明退货政策需要定义可退商品、退货原因、时间窗口和处理系统，并指出退货成本高但可转化为信任与复购机会；可迁移到淘宝/拼多多的售后规则、商品详情承诺、客服话术和退款原因复盘。
核心做法：梳理平台强制售后规则、店铺承诺、类目特殊规定和US市场消费者预期。
判断：退款率
排除：不承诺平台规则以外但无法履约的无条件退换。
售后记录、退款原因和政策条款可结构化处理，适合做成合规风控和客服话术任务。
Score
89
Shopify Vendor Management文章强调选择供应商、谈判、监控供应商表现和维护可靠供应链。可迁移为淘宝、拼多多商家的供应商评分卡，尤其适合US市场下对履约稳定、质检和合规资料要求较高的品类。
核心做法：列出所有核心SKU供应商，并记录采购价、起订量、交期、历史准时率、质检不良率和售后响应。
判断：准时交付率
排除：无法提供母婴安全、材质、标签或检测资料的供应商不得进入核心供应池。
适合沉淀为月度供应商健康检查任务，直接影响缺货、差评和现金流。
Score
89
Shopify运输文章梳理了免费配送、固定运费、实时费率、同日/隔夜等履约选项和利润权衡，可迁移为淘宝/拼多多店铺面向US市场的运费承诺、包邮门槛和异常预警方法。
核心做法：按SKU计算重量、体积、售价、毛利、平均运费和退货成本。
判断：运费占GMV比例
排除：排除毛利无法覆盖平均运费和退货风险的SKU
履约、运费、毛利和投诉数据可结构化监控，适合风控型供应链运营任务。
Score
89
Amazon SEO文章强调通过关键词研究、相关性、商品标题、要点、图片、评价、价格与转化表现提升搜索可见度。可迁移到淘宝/拼多多的部分是：将搜索词拆成核心需求词、属性词、场景词和人群词，并检查标题、属性、主图卖点、详情页、评价问答是否一致；不可迁移的是Amazon A9/A10具体排序机制。
核心做法：收集淘宝/拼多多站内搜索词、下拉词、竞品标题词、成交词和客服高频问题。
判断：搜索曝光量
排除：排除与商品实际属性不一致的热词。
适合做搜索运营巡检任务，能持续发现标题、页面、评价和搜索词之间的不一致。
Score
89
该GitHub Skill将类目机会评估拆成类目解析、市场指标读取、月度历史趋势、市场集中度/垄断度解释、机会指数输出等步骤。虽然原始范围是Mercado Livre Brasil且依赖JoomPulse估算数据，但其贡献在于把“类目是否值得进入”结构化为需求、增长、卖家集中度、历史变化和数据缺失披露，可迁移为淘宝/拼多多类目机会任务的评分框架。
核心做法：确定候选类目，优先从母婴相关但不局限于母婴的二级/三级类目池开始。
判断：搜索热度趋势
排除：排除Electronics和High-return fashion。
结构化程度高，适合变成类目机会评分任务；但必须替换为淘宝/拼多多真实数据源并加入US母婴合规校验。
Score
89
来源提供Creative Patterns页面，按行业展示高表现TikTok广告中的创意模式，并包含CTR、view-through rate、ad spend、ad spend change等字段，能支持从高表现广告中提取创意结构和卖点表达。
核心做法：选择E-Commerce行业，并限定US相关趋势或与US用户相似的高消费市场信号。
判断：CTR
排除：排除只靠大预算堆出的高ad spend素材，除非CTR和留存也优秀。
官方工具直接给出创意模式和可量化指标，非常适合做脚本生成、模板评分和复盘任务。
Score
89
该仓库贡献了 任务 友好的可执行 sourcing workflow：关键词搜索、相似款搜索、图片搜索、offer detail、价格阶梯、SKU、包装信息、供应商询价和消息 JSON 输出。它更适合做利润与供应链可行性的反向验证，而不是单独发现热品。
核心做法：将前序方法得到的候选类型转成中英文采购关键词或参考图。
判断：可比供应商数量
排除：排除单一供应商依赖的候选
虽然不是需求发现源，但作为利润和供应链反向验证非常强，且仓库明确支持 JSON 和 AI 任务 workflow。
Score
89
该来源贡献了可执行的榜单路径：从 Best Sellers、Best Sellers Rank、Movers & Shakers、Hot New Releases、Amazon Seller app 和 Product Opportunity Explorer 寻找产品想法；同时提出用需求、竞争、评论反馈和差异化改进来判断机会。
核心做法：从 Home & Kitchen、Pet Supplies、Outdoor & Sports 的 Amazon Best Sellers 子类目提取候选关键词和产品类型，不记录具体商品为最终推荐。
判断：榜单出现次数
排除：排除 Electronics
官方来源、步骤可表格化、指标清晰，适合作为第一版 Amazon 候选池生成模块。
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。
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。
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
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。
Score
89
该 GitHub 项目描述了一个 Python CLI 工具，用于通过 Amazon 搜索建议、递归关键词探索、竞争分析、价格与需求过滤、评分算法来发现低竞争利基。
核心做法：输入目标类目的种子关键词，限定 US Amazon 和允许类目。
判断：搜索结果数甜蜜区间
排除：排除品牌词和商标词
虽然来源不是官方，但代码项目的输入、处理和输出结构非常适合 任务化；与已入库 amazon-omniscient 不同，核心是递归关键词树和长尾利基发现。
Score
89
Amazon Seller blog 解释 BSR 是基于销售表现计算的类目排名，并会随销量变化而波动，可用于理解商品在所属类目中的销售相对位置。
核心做法：限定 US 站点和允许类目，排除 Electronics 与高退货时尚类目。
判断：BSR 中位数与分位数
排除：排除 Electronics
官方来源可信，BSR、类目、review、价格等字段可结构化采集；与已入库的榜单稳定性方法不同，本方法强调类目需求带和进入壁垒。
Score
89
TikTok Shop Creator 页面强调创作者可通过创意内容触达更多受众、推广相关品牌和产品，并探索商业机会。
核心做法：从 Amazon 或 TikTok 中抽象目标类目的需求主题，不输出具体商品。
判断：视觉演示强度
排除：排除 Electronics
方法贴合 TikTok Shop 内容带货筛选，适合成为 TikTok 侧内容验证模块，但需继续补充官方 Seller University 指标。
Score
88
Stockpyl提供单级和多级库存模型、补货策略、供应链网络对象及仿真能力。可迁移到淘宝、拼多多SKU的供应商—国内仓—跨境履约节点，通过基线、需求上冲、交期延误等情景比较缺货率、库存成本和总成本。
核心做法：按SKU和履约节点整理需求、库存、在途、提前期及成本参数
判断：订单满足率
排除：历史数据被长期断货截尾且无法修正的SKU不得自动定参
参数、情景、约束和结果均可机器化处理，适合生成供应链决策支持，但采购指令仍应人工审批。
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
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。
Score
88
该开源项目提供从数据清洗、探索分析、RFM计算到K-Means客户分群及分群建议的端到端Notebook框架。迁移到淘宝、拼多多时，需要把金额改为退款后净支付或贡献利润，并按两平台可合法获得的脱敏客户标识分别建模；开源示例本身不构成真实业务效果证明。
核心做法：限定分析截止日和回溯窗口，统一订单状态、币种、时区及退款冲销规则
判断：轮廓系数
排除：使用姓名、电话或地址等明文个人信息作为聚类特征
开源实现具备端到端结构，数据处理和评分可自动化；但来源业务验证有限，聚类数、客群解释及营销权益需要人工复核。
Score
88
TikTok Shop官方资料区分开放合作和定向合作，并强调匹配合适创作者、按成交支付佣金以及持续查看销售指标。迁移到淘宝、拼多多时，可将开放池映射为公开招募或淘客试单，将定向池映射为经过受众、内容和履约审核的达人合作；平台内自动佣金和达人发现能力不可假设存在。
核心做法：按商品使用场景、美国受众画像、内容风格和禁用宣称建立达人合作简报
判断：美国目标受众占比
排除：排除Electronics
双池机制、归因字段和淘汰规则可结构化，适合控制达人试错成本；合同、披露和内容语境仍需人工审核。
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
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。
Score
88
来源解释安全库存的作用、常见计算思路以及需求和交期变化对库存缓冲的影响，可迁移为SKU级需求波动、平均交期、最长交期和补货点计算。Shopify示例不能直接替代淘宝、拼多多的活动峰值、平台仓规则、国内供应商最小起订量或美国市场验证假设。
核心做法：清洗SKU日销量，标记大促、断货、异常退款和一次性团购，避免把异常当作常态需求
判断：有货率
排除：有效销售历史不足且没有相似品人工基准时不得自动计算稳定安全库存
所需数据、计算步骤和约束条件明确，适合自动生成情景建议；采购下单仍应由人工批准。