Agent Skills
返回列表
品类趋势与前瞻性洞察

品类趋势与前瞻性洞察

数据分析 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @user_2d9d1ec9/bazhuayu011 技能。

技能介绍

解决什么问题

品类分析中,孤立的评论或短期销量上涨很容易被误判为长期趋势。一次促销或一场舆情风暴往往只是噪声,真正有价值的信号存在于可比较的时间切片中。本技能旨在解决如何在混杂的公开数据与用户反馈中,提取出可验证的品类需求迁移、新兴概念上升以及技术接受度演变的时间序列证据。

核心能力与关键步骤

技能的核心工作流分为三步:

  • 数据接入与清洗:优先使用用户提供的结构化或非结构化数据;若需补充,则合规调用 Amazon Product Review、八爪鱼实时采集器或平台存量搜索。
  • 时间切片校验:执行严格的 n_valid >= 100 数据门槛。去重后按时间窗口切分,统计每个切片的有效样本量,确保证据密度。
  • 结构化输出:基于母模板 assets/report-skeleton.html 生成报告,聚焦需求变化、新概念上升、技术态度演变与前瞻情景四个固定维度,绝不临场编题。

适用边界与注意点

时间窗口内的来源口径必须尽量一致,跨源拼接时需警惕统计偏差。针对未来1至3年的预判,只能输出趋势外推或情景假设,严禁生成确定性预测。若样本量不足100条,系统仅输出探索性结论并明确标注样本缺失,禁止强行凑数或用错误类型的数据掩盖统计缺陷。

使用场景

  • 家电产品经理规划扫地机路线,基于亚马逊评论与搜索,分析两年需求与技术态度变迁,输出前瞻方向。
  • AI硬件初创企业推出AI PC,需收集公开资料与平台讨论,观察消费者技术接受度演变,寻找新兴市场机会。
  • 消费者洞察团队复盘年中表现,导入历史评论数据,按季度切片分析需求主题转移,精准识别正在上升的痛点。
  • 出海电商需挖掘能源电源新兴需求,调用实时采集与搜索,追踪技术关键词讨论热度,生成未来需求演进情景。

适合人员

  • 智能硬件产品经理,需基于真实的时间序列数据与前瞻情景规划技术路线提供依据,避免辞藻堆砌。
  • 市场洞察分析师,需短时间内整合平台讨论提炼信号,输出高可信度品类趋势报告。
  • 战略规划专员,面对全新赛道构建需求演进假设,区分确定趋势与外推情景,为长期布局提供支持。
  • 数据运营专家,有大量历史VOC与客诉数据,依托严格时间切片与样本门槛,转化结构化业务结论。