青虎Agent做亚马逊选品分析？类目筛选思路

做亚马逊的选品分析，难点从来不是找不到数据。类目榜单、商品页、评价区都是公开的，谁都能看。真正决定成败的是判断的颗粒度：类目定在哪一层，看的是哪一段价格带，评价读到什么深度，这几个选择做完之后，结论的方向基本就确定了。

这篇文章围绕类目筛选这件事展开，讲清三个问题：亚马逊这个渠道的判断维度和别的渠道差在哪里，类目容量与竞争强度应该用什么口径看，评价内容怎么变成可以执行的改进方向。中间用青虎Agent 的操作方式做示例，因为它的模块划分比较适合对照讲解。

先说数据边界。青虎Agent 取回的都是平台公开数据，包括类目排名、销量档位、挂牌价格区间、评价数量级与评价正文。店铺后台的真实成交、广告花费、点击与转化属于卖家私域数据，任何第三方工具都拿不到。这条边界想清楚，你对结果的期待才不会跑偏。

全文按判断顺序组织：先理解渠道特性，再定类目层级，然后看容量与竞争，接着读评价，最后进入实操步骤、对照表、误区和技巧。每一节都给出可以对着自己类目逐条比对的清单。

一、亚马逊选品为什么不能套用其他渠道的思路

不同渠道的流量生成机制不同，这决定了公开数据里哪些部分最接近真实需求。亚马逊的需求主要由搜索承接，买家带着明确意图进来，所以词维度的数据和评价维度的数据含金量最高。这一点直接影响了选品分析的入口选择。

亚马逊还有一个结构性的特点：类目是一棵有层级的树。同一个词放在一级大类目和放在三级子类目里，面对的供给密度完全不同。大类目里可能挤满了成熟卖家，同一个词下沉到细分子类目之后，可能只剩下几十个竞争者。层级选得不对，容量和竞争这两个结论就都是错的。

评价在这个渠道里的分量也比其他渠道重。亚马逊的评价区是公开的、结构化的、带时间标记的，买家购买前的决策高度依赖评价内容。这意味着两个直接结论：一方面，评价数量级可以用来说明一个商品的成熟度；另一方面，评价正文里的抱怨直接指向现有供给没有解决的问题，这是差异化的入口。

还有一个容易被忽略的点：亚马逊的商品页信息密度高，但同一类目里商品之间的差异往往集中在少数几个属性上。这意味着筛选不能只看价格和排名，还要把属性维度纳进来，比如规格组合、材质、套装数量、适用场景。属性维度看起来琐碎，却是把候选从几百个压到几十个的关键。

把这三个特性放在一起看，亚马逊选品分析的路径就比想象中清晰：用关键词确认需求聚集在哪里，用类目层级圈定竞争范围，用评价内容找出供给的缺口。三段各自独立，又能互相校验，中间不需要依赖任何拿不到的后台数据。

与之相对，亚马逊渠道上一些常见的分析动作其实价值有限。比如只盯着单个商品的价格波动，或者只看某个商品的排名变化，这些观察无法回答方向性的问题。判断的价值来自横向对比和结构描述，而不是跟踪某一个具体对象。

二、类目层级：颗粒度决定结论的可靠性

类目层级的选择有一个简单原则：结论要回答什么颗粒度的问题，就用什么颗粒度的类目。想看一个方向整体能做多大，用上层类目；想看具体该做哪一类商品，必须下沉到能区分商品形态的层级。用大类目的结论去指导具体选品，通常会高估空间、低估竞争。

类目层级	适合回答的问题	容易出现的偏差
大类目	整体需求规模与季节波动方向	结论过宽，无法落到具体商品形态
二级类目	需求方向之间的强弱比较	仍混有多种商品形态，竞争判断偏松
细分子类目	具体形态的供给密度与价格带	样本偏少时容易受个别商品影响
关键词维度	具体需求的规模与竞争程度	词与类目不完全对应，需要交叉验证

表里最后一行值得单独说明。关键词和类目不是一一对应的关系，一个词可能横跨两个子类目，一个子类目也可能由多个词共同构成。做判断时把两个入口都跑一遍，词维度的结论告诉你需求在哪里聚集，类目维度的结论告诉你供给是怎么分布的，两者交叉之后的判断比单看一个要稳。

层级选定之后，建议把它写成一句固定的话，反复使用。比如在某某站点的某某二级类目下、聚焦某某形态的商品、目标客群为某某人群。这句话的作用是让每次取数都在同一个范围内进行，避免这次沉到三级、下次停在一级，两份结果无法比较。

另一个容易忽略的点是层级与关键词的对应关系会随着时间变化。平台调整类目结构时，同一批商品可能被归到不同的子类目里。如果发现同一句话跑出来的结果结构忽然变化很大，先确认类目归属是否发生了调整，再判断是不是市场本身变了。把这两个原因分开，能避免把平台调整误读成市场信号。

下沉层级的时候还有一个实务提醒：不要一次沉到底。一级到二级之间看方向，二级到三级之间看形态，三级之后再往下看具体规格，逐层收敛比一步到位更容易发现机会。一步沉到最底层，候选数量可能只有个位数，样本太少，得出的结论经不起推敲。

三、容量与竞争：用什么口径看才站得住

容量和竞争是两个最常被问到、也最容易答错的结论。答错的根源通常不是数据不足，而是口径不清。

看容量，建议用相对水平的说法。这个类目的公开销量按档位分布，主要集中在哪个区间；前部商品的销量档位和腰部商品差几个层级；近期的档位分布相比上一周期是整体上移还是下移。这样的描述不需要精确数字，但能支撑一个方向到底大不大的判断。相比之下，问这个类目一个月能卖多少件意义不大，公开数据本来就按档位公示，硬要精确反而失真。

看竞争，比看容量更需要拆细。竞争强度至少包含三层：卖方集中度，也就是前部卖家占据了多少供给；评价门槛，也就是要进入竞争需要多少评价量级；价格密集度，也就是主流价格带里挤了多少同类商品。三层里任何一层偏紧，竞争的实际体感都会比表面看起来更激烈。只用一个指标得出的竞争结论往往偏乐观。

这里要强调一件事：工具给出的竞争判断反映的是被纳入统计的那一部分商品的结构，不是类目里的全部卖家。把它当成一个可比较的相对结构来用，而不是当成绝对清单。有了这个认识，即使数据覆盖是部分的，结论依然可以用来做横向比较。

图2：容量看相对档位，竞争要拆成卖方集中度、评价门槛与价格密集度三层

把三层拆开之后，判断方式也更容易统一。卖方集中度可以描述为供给主要集中在头部还是分散在一批中等规模卖家；评价门槛可以描述为进入前排需要跨越的评价数量级；价格密集度可以描述为某一价格区间里同时存在多少个相近商品。这三句描述放进同一个结论里，比一句竞争比较激烈有用得多。

再补一个判断习惯：容量和竞争的关系不是简单的此消彼长。有的类目容量中等但竞争结构分散，执行效率高的卖家反而更容易拿到位置；有的类目容量可观但供给集中在少数头部，新进入者要做的是避开正面战场。把两类结论分开写，后面的策略选择才有空间。

还有一个实操细节：容量和竞争的判断最好按同一个时间口径取数。如果容量用的是近期区间、竞争用的是累计排名，两组数字的语境不一样，放在一起下结论会失真。用青虎Agent 的时候，在任务描述里把时间范围写明，结果里也会带上口径标注，这一步花几秒钟，能省掉后面大量的返工。

四、评价区怎么读：从数量级到痛点清单

评价是亚马逊渠道里信息密度最高的一块公开数据，也是最容易被只读一遍就浪费掉的一块。读评价至少要读出三层信息。

第一层是数量级与评分水平的关系。评价数量处在低档位而评分水平处于中高档位，往往说明这个商品上线时间不长但早期反馈可以；评价数量处在高档位而评分水平明显偏低，通常意味着这个位置有被改进的空间。这两个方向指向的机会类型完全不同。

第二层是差评内容的高频归类。把前列商品的差评内容收集起来，按问题类型归类，比如尺寸不符、材质与描述有出入、配件缺失、使用说明不清、耐用性不足。归类之后得到的就是一份需求清单：这些问题在现有供给里被反复提到，说明还没有卖家用合理的方式解决它们。

第三层是评价中出现的替代用途。买家在评价里说自己把这个商品用在了原本没打算用的场景，这类内容常常暗示品类的延展方向。把多个商品里出现的替代用途汇总起来，能看出需求正在往哪个方向移动。

三层读完，评价区就不再只是一堆情绪表达，而是一份结构化的信息源。需要提醒的是，评价内容是买家主观表达，样本量和样本时间范围都要注意。某一批差评集中在某个时间段，可能只是那批货的问题，不代表整个品类的通病。

读评价时还有一个操作上的建议：把正向评价和负向评价分开归类。正向评价里的高频词往往指向买家真正在意的功能点，这些点可以直接成为卖点描述的素材；负向评价里的高频词指向需要规避或改进的地方。两类内容分开整理，一份结果可以同时服务产品开发和文案撰写两个环节。

评价区的时间分布也值得留意。如果某个商品的评价集中在多个时间段持续出现，说明它长期在稳定出单；如果评价集中在很短的一个区间后明显变少，可能是活动期带来的集中成交。这两种情况对应的商品生命周期阶段完全不同，用同一套判断标准去看会失准。

同时要接受一个限制：评价只覆盖实际购买并愿意留下文字的那部分买家，沉默的大多数不会出现在评价区。所以评价归类得到的是一份偏向表达意愿较强人群的需求清单，它适合用来找切入点，不适合用来推算需求规模。规模判断仍然要靠类目和词维度的数据。

把三层信息整理成一份文档时，建议按固定顺序写：先写样本范围与时间口径，再写数量级与评分的关系，然后是差评主题归类结果，最后是替代用途的观察。顺序固定之后，不同人做的评价分析可以并排比较，也便于一段时间后回看变化。

还有一条经验：差评归类不要只按功能问题分，还要按使用阶段分。买回来后立刻发现的问题、使用一段时间才出现的问题、安装或搭配环节的问题，这三类的改进难度完全不同。按阶段归类之后，哪些问题可以通过文案和说明解决、哪些需要改产品，会一目了然。

五、用青虎Agent 跑一遍类目筛选

把上面几节的判断逻辑串成动作，就是一次完整的类目筛选。青虎Agent 把选品分析、市场分析、Listing生成、商品库、技能市场放在同一个界面里，在青虎AI 平台左侧导航栏点开「Agent」即可进入。下面五步可以照着做。

图1：从交代类目层级到痛点归档，五步把公开数据收敛成一份可执行的候选清单

五步里真正需要经验的是第一步和第四步。层级定错，后面所有结论都在错误的范围内成立；筛选条件设得过多，容易因为组合过窄而误判成没有机会。第一次跑建议先用宽条件看规模，再用两三轮逐次收紧。

第三步的输出有一个使用上的细节：卖家分布表格反映的是被纳入统计的那部分供给的结构，不是类目里的全部卖家。用它来判断供给是集中在少数头部还是分散在一批中等规模卖家手里，是有意义的；用它来推算类目里到底有多少个卖家，则超出了这份表格能支撑的范围。把口径理解清楚，结论才不会被过度解读。

追问环节有个固定顺序可以参考：先补维度，再调口径，最后改形式。补维度指把缺失的评论归类或达人信号加上；调口径指改价格区间、评价数量级和时间范围；改形式指把结论整理成给采购或给店长看的版本。顺序颠倒，容易在格式上反复来回，实质内容反而没补上。

六、候选人清单要写成什么样才算可执行

清单的价值不在于列了多少条，而在于拿到清单的人能不能直接进入下一步。一份可执行的清单至少要包含四类信息。

信息类别	具体内容	用途
对象信息	商品标识、所在子类目、上架时间档位	确认商品形态与生命周期
市场信息	价格区间、销量档位、评价数量级与评分水平	判断成熟度与竞争位置
判断依据	容量结论、竞争水平、痛点归类结果	支撑为什么把它留在清单里
行动建议	可切入的差异化方向、需要进一步确认的问题	交给采购或运营继续推进

四类信息里，最常被省略的是第四类。很多清单只写了这个商品怎么样，没有写接下来该做什么，结果拿给同事之后还要再讨论一轮。在任务描述里明确要求输出行动建议，Agent 给出的清单会更容易被直接使用。

还有一个格式上的建议：把筛选条件写在清单头部，和结果放在同一份文件里。条件与结果分离的清单，过一周就不知道当时是按什么标准选出来的。归档时连同条件一起存，三个月后复盘才有参照。

清单的规模也要控制。一份候选清单如果超过四五十条，实际上没人会逐条判断，最后往往变成按直觉挑前几个。把筛选条件收紧到能保证每一条都被认真看过的规模，比列出一份长清单更有价值。

清单之外，建议附一份被排除的候选项说明。把筛掉的原因写下来，比如价格带不符、评价门槛过高、属性不符合目标客群。这份说明的作用是在下一次筛选时提供参照：如果方向调整了，被排除的选项里可能有可以直接捡回来的。

最后补一句关于记录方式的做法。建议给每个类目建一条记录，字段固定为：类目层级、时间口径、容量档位、竞争三层结论、主流价格带、痛点主题、候选数量、下一步动作。字段固定之后，跨类目横向比较时不需要重新理解每一列的含意，半年下来就是一份可以复用的类目档案。

七、四个常见误区

四个误区的共同点是把公开数据当成了全部答案。公开数据能告诉你市场长什么样、供给有多少、买家在抱怨什么，但不能告诉你自己的成本结构和资源能不能支撑。认清这条边界，清单才用得稳。

八、四个提高判断质量的技巧

技巧之间还有一个配合方式值得一试：把第二条和第三条连起来用。先用属性维度把候选压到可判断的规模，再对这批候选做跨商品的差评归类。这样得到的痛点清单样本集中、指向清晰，比在几百个商品的范围里做归类要实用得多。

四个技巧分别对应口径统一、筛选深度、样本范围和资料沉淀。都不需要额外投入，难的是每次都不省略。跑上两三个月之后，真正拉开差距的往往不是工具用得多熟，而是判断标准变得清晰且稳定。

九、三个可以照做的使用场景

三个场景的使用频率也不一样。新子类目摸底属于低频动作，一个季度做几次就够；从差评里找差异化方向属于中频动作，跟着产品迭代节奏走；候选清单接文案准备属于高频动作，只要有新品上架就会用到。低频动作重在流程完整，高频动作重在口径稳定，两者的优化方向不同。

三个场景的共同点是判断链条被压缩在同一界面里。容量结论、痛点归类、文案生成、资料归档之间不需要靠复制粘贴衔接，执行时丢掉的细节自然更少。这也是把多个模块放在一起的实用价值所在。

图3：交代类目层级、站点与产出形式，是亚马逊选品任务的常见下发方式

十、总结：亚马逊类目筛选的判断顺序

十一、常见问题解答

图4：容量结论、痛点清单与候选商品分别流向不同的后续环节

亚马逊选品分析做得好不好，标准只有一个：拿到的材料能不能让下一个人直接接着做。能接着做，说明层级、口径、依据都交代清楚了；还要重新讨论一轮，说明这份材料只完成了采集，没完成分析。把这条标准固定下来，工具的使用水平会自然抬高。