亚马逊品类市场研究

要解决的具体问题

在亚马逊品类调研里，最常见的错误不是缺少数据，而是用错误的数据推出过于确定的结论。有人会把 Top100 总销量除以商品数当成市场规模，把标题词频当作搜索需求，用母类目的增长趋势去证明某个细分人群也有同等需求，或者因为一个细分方向找不到专属关键词就判定它是蓝海。这些推导链条每一环都缺证据，但最终都会变成具体的选品决策。

@user_53d53acc/cassiey-amazon-market-research 围绕这个问题设计。它把一次品类调研拆成五个必须回答的问题：市场值不值得进、新品进不进得去、应该做什么产品、能不能赚钱并回款、落地时如何规避知识产权风险。如果某个问题没有数据支撑，技能会明确留空并标记为 待补数据，而不是填一个看起来合理的数字。

技能如何工作

先判定任务深度，再决定执行范围。 收到任务后先分流：L1 机会初筛适合批量节点快速过滤；L2 标准节点调研执行完整十维框架；L3 产品立项深研跑完五阶段十四步，并输出产品定义与 GTM 时间线。三档共享同一套底线：记录数据来源、检查完整度，任何具体产品方向都必须经过专利风险排查。

数据采集与可信度分层并行。 用户提供 Node ID 或节点 URL 时，Step 0 会并行拉取 Sorftime 的七组数据：Top100 类目报告、产品/品牌/自营三种垄断率趋势、新品销量占比、月销量、均价；后续按需补充 ABA、西柚找词、欧鹭评论、选品指南针和利润计算表。关键结论都带可信度标签：[事实-A]、[推算-B]、[估算-C]、[待验证-D]。没有颜色变体销量就不输出颜色占比，没有卖家字段就不计算卖家集中度，这条规则执行得很硬。

量化模型服务于判断，而不是填空。 垄断风险由产品、品牌、自营三维分别打分再合成星级，趋势数据只用于解释和小幅修正，不能覆盖截面上的高危事实。新品销量渗透率必须与新品数量占比、款均销量、Top20 占位、评分增长中至少两项交叉验证，否则只能输出窗口信号而非入场时机结论。评价壁垒必须同时看低评产品的数量占比和销量占比，只看产品数会误判。

关键词需求验证是防误判的核心闸门。 母类目趋势、目标人群需求、目标产品形态需求被拆成三环分别验证，禁止用相邻市场替代目标市场。关键词空白会被区分为供给空白、表达空白、需求空白——找不到专属词不等于没有需求，也不等于蓝海。

适用边界与注意点

这个 Skill 不替代数据源本身。它依赖 Sorftime、ABA、西柚找词等工具的返回结果；工具失败时必须记录原因并在报告中说明限制，不允许用模型常识补齐实时数字。多站点调研需要分别拉取对应站点数据，不能用美国站数据代替其他站点。

鞋类、童鞋和 STQ 内部经验都是条件加载的增强模块，只在命中时启用。STQ 的经验基线必须标注 [内部经验]，不得冒充实时市场事实。专利排查也有明确的粒度边界：只有 Node ID 时只能做类目专利热度初筛；需要产品六面图、结构说明和目标销售国家，才能做产品级排查。编号、权利人和法律状态最终必须回到 USPTO、WIPO、EUIPO 等官方数据库核验。

最后，报告交付的是 HTML 加 XLSX，不是决策本身。垄断星级越高代表风险越高，入场机会星级越高代表机会越好，两者口径相反，读报告时需要留意。