长文：利用AI等工具快速进行亚马逊市场调研！

今天邀请社群老铁【Oliver】写这篇结合AI等工具做详细的市场调研文章，这篇文章很长，老铁们可以耐心细看，真的可以学到东西！

我今天的主题是《如何利用AI等工具快速做市场调研》，我会以popup canopy这个类目outdoor canopy来为大家实操演示如何使用AI结合飞书大盘的方法来快速调研这个类目，根据自己的经营方式和推广的方法，选出适合自己的产品。

这个类目的url在这里：

https://www.amazon.com/gp/bestsellers/lawn-garden/3742571

我会从以下五个板块来对popup canopy进行市场调研：

一、数据采集

二、数据清洗

三、数据处理

四、数据可视化

五、综合分析

一、数据采集

1.1 数据源选择

在市场调研中，第一部分数据采集是最重要的，有一个可靠的数据源，是整个数据分析的核心。如果数据源选择不好，最终会导致数据分析出来的结果与实际会产生很大偏差，导致开发出来的产品不适应整体市场，出现预售就清货的现象。下面先介绍数据源如何选择。

在这里例子中，我是使用了卖家精灵插件采集类目BS榜单前400数据得出的数据源。

适合卖家：确定要进入这个类目，需要数据比较侧重于这个类目的相关数据，调研这个类目下常见的产品属性，功能，场景。

1.2 采集这些ASIN下的五行数据

在采集了适合的数据源之后，下一步就需要采集这些ASIN的五行，可以用于后面使用五行卖点来提取产品的属性。这里我自制了一个影刀的应用，能够遍历每个ASIN的详情页面，提取出里面的五行到采集表格上。

应用地址

https://api.winrobot360.com/redirect/robot/share?inviteKey=42266ab37a9981e1

运行完的结果如下图所示：

这个影刀的应用能够帮我们提高了采集五行的效率，让我们能够在采集过程中能解放双手，去做另外的事情来等待五行采集完成。

1.3 采集类目top10ASIN的sif数据

因为卖家精灵下载的数据源并不能判断这个类目的季节性，因此我们需要通过类目top10 ASIN的sif数据，来帮助我们判定这个类目的季节性趋势。有两种方法能够快速判定这个产品是否有季节性：

1.查看这个产品下最相关的关键词的流量趋势来判断季节性

2.查看这个类目top10产品下的销量趋势，来作为对这类产品季节性的判断

1.3.1 使用反查流量词的功能判断季节性

把top1的ASIN放入"反查子体/父体"功能，然后选择最近30天

可以从下面主要的流量词的月搜索趋势里面看出每个月的最大值与最小值

1.3.2 使用查销量的功能判断季节性

1.到查销量下ASIN查产品里面，一次能够查询10个ASIN

2.我们可以把卖家精灵排名前10的ASIN放进去

3.通过对下面分析每一个ASIN的月销量，就可以大致得出整个类目的销量的趋势

1.4 使用AI对整体市场进行初步分析

这里运用到扣子的工作流，我自己搭建了一个市场调研的工作流，仅需要输入市场的国家和产品的关键词，在1分钟内，就能够输出一份质量尚可的市场调研报告，

下面来演示一下：

1.点击这个市场调研分析师下面的市场调研

2.仅需要输入市场，产品核心关键词，等待1分钟左右，就会得出这个市场大致的调研报告

总体这个数据能够给我们一个这个类目的趋势，我们这个市场到底人群主要是在哪，是在哪个群体，是怎样分布的，产品的使用场景在哪？材质怎样？都有一个大致的结果。

给大家推荐一款搭建关键词词库的工具Sif，我们团队也是Sif做词库搭建和反查竞品的广告打法。社群开展的线下沙龙也要用到这个工具搭建词库和做运营分析，建议老铁们也用上这个工具。

软件网址：https://www.sif.com

折扣码：YWJSQ

优惠幅度：折扣码适用于购买任何版本，以及享受最低的折扣力度。

二、数据清洗

2.1 对卖家精灵数据进行清洗

2.1.1 对没有图片的列进行补全

这一步我们要对上一步采集的数据进行清洗。在卖家精灵下载的数据里面，还有一些ASIN是有缺失图片的情况。我们也不知道里面每个产品是不是属于我们这一类的，因此我们要通过图片来筛选竞品。在筛选之前，就需要通过影刀先对没有图片的ASIN进行补全

工具地址：https://api.winrobot360.com/redirect/robot/share?inviteKey=b06b6f85349a5627

获取工具后，点击运行并输入相关的参数，就可以让影刀自动把图片都放进了excel表格

2.1.2 筛选对应的竞品

由于筛选的是类目前400的数据，整体类目其实有一些产品跟我们想要调研的canopy帐篷是无关的产品，比如是仅有上面的棚，有一些仅仅是边墙，有一些仅仅是里面的沙袋或者是地钉，这些产品我们需要快速删除。

在进行了上面5.1.1的补全图片操作后，我们就可以根据图片快速筛选与我们想要调研的产品相关的竞品，而去除那些与调研无关的产品了。在删除了一些不相关竞品后，我们留下来的相关的竞品有233条数据。

2.2 筛选出来的ASIN进行属性分类

由于我们不知道这个类目的产品到底有多少属性，多少特征和场景，里面有多少配件，所以我们需要先汇总到底这个类目的产品有些什么属性。以前我们是每个产品都点进去看一遍，先看出来大概的属性，再每个产品都分类。现在我们有了AI之后，这一切就变得更快了。我这里是分成了3个步骤的：

2.2.1 通过GPT，Claude等AI汇总属性

我使用的AI模型是claude-3.5-sonnet-200k，其他AI大致都差不多，我把ASIN的五行和标题都放在一个excel表，先让让AI帮我们汇总分析一下

喂给AI的excel数据示例：

因为我的这个AI是采用的poe的接口，不能生成excel表格，只能通过让AI生成markdown表格的形式来做。如果你们都是用官方接口的，可以让AI直接生成excel文件。

通过输入提示词汇总分析出所有233个ASIN的总体特征，结果如下：

在得出了这个类目所有产品的一些共同特征，下面步骤我们就根据这些特征来对刚才筛选出来的233个ASIN进行分类。

2.2.2 拆分表格

由于一次性把所有的ASIN，标题，五行都放进表格让AI分类的话，如果AI没有很多的上下文token，就不会很精准的给出这个产品的属性，或者会制造一些假数据给你。因此这个时候就需要把表格拆开，把整个表格按照每个表20个ASIN这样来对属性进行拆分，减少AI生成错误属性出来的概率

我这里是233个asin,一共是分了12个表格，每个表格大概是20个ASIN

2.2.3 让AI根据标题和五行对拆分后的表格每个ASIN进行属性分类

根据以上AI总结的维度，得出以下让AI分类的列，然后使用以下的提示词让AI对每个ASIN进行属性拆分

我通过把以上12个ASIN表格分12次喂给AI，然后把得出的数据进行汇总

生成了如下数据：

在生成了这些数据后，我把总表与每个ASIN的这个属性表使用vlookup公式把这些属性与ASIN给对应起来，然后把做好的excel表格导入到飞书的多维表格里。

2.3 飞书表格数据清洗

由于飞书的多维表格与excel表格里面的数据格式有一些区别，所以要在飞书上进行数据清洗，确保数据都是可用于可视化的。比如说文本类型的数据要与数字格式的数据区分开。

2.3.1 把每一列的数据格式修改到正确的格式

•根据每个字段的值，把字段改为最适合计算的类型，比如说销量的类型应该是正整数，要把这一列改为正整数，而不是文本。

￮需要改为正整数的列

▪月销量

▪变体数

▪评分数等列

￮需要改为小数的列

▪月销售额

▪价格

▪评分等列

￮把一些列改为公式

▪把上架天数改为使用公式计算

•在上架天数里选择数据类型为公式，输入以下公式保存

￮DATEDIF([上架时间],TODAY(),"D")

2.3.2 缺失值补充

在分析数据之前，需要先查看需要分析的重点列里是否有缺失数据。如果遇到某个ASIN在重点列有缺失值，就要点击ASIN的链接到详情页面进行补充，务必要把这些重要的数据都补充完整，这样分析结果的准确性才会比较高，增强市场调研报告的可信程度。

2.3.3 飞书获取每个ASIN的图片

由于飞书的表格不像excel表格，对于excel的图片在这里只显示了公式，显示不出图片的。为了方便知道是哪个ASIN，需要在飞书上再次进行对图片采集，这个只需要设置好条件，让飞书的插件获取就好了。

具体步骤

1.在ASIN旁边新增一列图片，把这一列图片的类型改为附件

2.在插件市场上找到链接转附件的插件，并打开

3.把需要填写的信息填入插件，让插件帮我们自动下载图片

4.最终结果

当以上数据准备工作做好之后，就到了后续的数据处理步骤

三、数据处理

在这个步骤，我们需要根据数据的类型，我们需要的数据维度，对数据进行分组

3.1 新增数据列

a.新增折扣后的价格列

i.因为卖家精灵的数据只有售价，没有使用优惠券的最终价格，所以需要对整个价格进行计算，确保价格是消费者最后购买的价格

ii.公式

SQL

IF([Prime价格($)]>0,[Prime价格($)],[价格($)])-IF([Coupon]<1,IF([Prime价格($)]>0,[Prime价格($)],[价格($)])*[Coupon],[Coupon])

3.2 数据分组

为什么要做数据分组这个步骤呢？因为我们每条listing的参数是不一样的，比如说价格，有的价格段低，有的价格高，只有价格相近的listing对比价格才是有意义的，比如说14.99与15.99,17.99来比，这样才有可比性。如果一个是4.99，另外一个24.99，其实可比性就不太大了，因为不在一个价格段了。

所以我们是有必要对我们的价格，评分，评分数，上架时间和留评率来进行分组，让整个数据变得有规律，更容易分析。

以下是我对这些维度分组的逻辑

•价格分组

￮先使用散点图对整个要调研的数据进行先分析，再决定这个价格区间和步长。比如这个例子，我先使用散点图看到普遍的产品都是聚集在0-300美元的区间，大于300美元的产品已经相对分散了。因此，我就设定最高价为300美元，其他大于300美元的就分为大于300美元这个组。因为想分析细致一些，所以步长就设为10

￮如果想要让数据更加集中，而且这么高客单价的产品来说，其实10美元差距不太大，也可以自己另外设置为20,30，都是可以的。这个对于飞书来说比较自由，不像其他选品软件只能按照他们的规则来设定价格区间

￮公式

SQL

IFS([最终价格]<=10,"0-10",[最终价格]<=20,"10-20",[最终价格]<=30,"20-30",[最终价格]<=40,"30-40",[最终价格]<=50,"40-50",[最终价格]<=60,"50-60",[最终价格]<=70,"60-70",[最终价格]<=80,"70-80",[最终价格]<=90,"80-90",[最终价格]<=100,"90-100",[最终价格]<=110,"100-110",[最终价格]<=120,"110-120",[最终价格]<=130,"120-130",[最终价格]<=140,"130-140",[最终价格]<=150,"140-150"，[最终价格]<=160,"150-160",[最终价格]<=170,"160-170",[最终价格]<=180,"170-180",[最终价格]<=190,"180-190",[最终价格]<=200,"190-200",[最终价格]<=210,"200-210",[最终价格]<=220,"210-220",[最终价格]<=230,"220-230",[最终价格]<=240,"230-240",[最终价格]<=250,"240-250",[最终价格]<=260,"250-260",[最终价格]<=270,"260-270",[最终价格]<=280,"270-280",[最终价格]<=290,"280-290",[最终价格]<=300,"290-300",[最终价格]>300,"大于300")

•评分分组

￮分组依据：我是按照listing外面显示的星星数量来作为分组依据，例如外面的评分是3.9分有四颗星，那么就按照4星来分组，如果评分是4.3分，那么就按照4.5分来分组

￮我是分为了0，1，2，3，4，4.5，5这6个分组，公式与上面的价格分组的公式是一致的，只不过把价格改为评分

•评分数分组

￮分组依据：

▪由于评分数在listing前期推广是比较重要的，但是到了后期大家的评分都是上千的时候，其实对比作用就不大了。比如说一个listing只有50个review，另一个listing有500个，那这个差距是比较大的。但是相反，如果一个listing有1000个评论，但是另外一个listing有3000个，这样对比其实还是能够比上的。

▪按照这个原则，我就把listing的评分数设定为前面分组的步长较短，后面评分数越多，步长越长的这个规则。

▪比如：0-50个评分为一个分组，50-100为1个分组，但是到了300个评分之后，我就开始设置300-500评分为一组，500-1000的评分数为一组，逐渐的提高步长，因为在这个区间内其实对比作用就不太明显了

￮我是分为了["0-50", "50-100","100-150","150-200","200-500","500-1000","1000-2000","2000-3000","3000-5000","5000以上"] 这10个分组，公式与上面的价格分组的公式是一致的，只不过把价格改为评分数

•上架时间分组

￮分组依据：

▪上架时间分组也是像上面的评分数分组的逻辑也是一样的，都是一年内分得比较细致，分为0-3个月，3-6个月，6个月-1年，然后后面就是3-5年了。这个维度也是自己能够自定义设置的

▪我是分为了["3个月内", "3-6个月", "6个月-1年", "1-2年", "3-5年", "五年以上"] 这6个组，可以根据上面价格分组的公式套用

•留评率分组

￮分组依据：

▪是按照留评率1%以下，1%-3%,3%-5%来设置，来判断整体类目是否有黑科技或者是其他的一些刷单之类的操作。

￮这里也是分为了6个组，里面有["<1%", "1%-2%", "2%-3%", "3%-5%", "5%-10%", "大于10%"]这些分组。

如果其他老铁不太熟悉这些公式，或者觉得自己一个一个制作这些公式比较慢的话，可以借助AI，把这些公式都放进AI里面，让AI帮你生成或改写对应的公式。比如说第一个价格区间，我想生成一个0-500价格区间的，步长为50的分组，如果你一个一个输入的话会比较慢，而且比较容易出错，最快的方法就是使用few shot少样本的提示词工程的方法，可以按照我下面的例子给到AI直接2-3秒生成正确的公式，然后复制粘贴到飞书里面就好了

四、数据可视化与数据分析报告

利用飞书的多维表格进行数据可视化，这个大盘所有的东西都是可以自己调整的，如果还需要另外一些数据，可以通过增加组件的功能进行相应调整

4.1 数据可视化大盘

我这里是做了一个数据大盘，把一些需要用到判断整体的数据指标都放进来了

为什么要用飞书来做这个大盘呢？

因为飞书大盘能够根据数据源来快速生成多种不同的图表，例如指标，饼状图，折线图，柱状图，散点图等。这些图表能够更加清晰的帮助我们更好的理解数据的规律，一目了然的总结出这些数据背后的结论。

大家可以通过添加组件功能，创建出以下的大盘

1.统计数字

2.饼状图

3.散点图

4.折线图

例如这个类目一共有233个ASIN，月销量多少，月销售额多少，平均价格多少，最高最低价格多少，价格分布怎样。这些就能够把我们常用的指标都列举出来了，能够辅助我们更好的分析整体类目情况，判断新品还有没有空间能够进入这个类目，这个类目的竞争情况是黑科技多呢，还是说白帽打法比较多

另外一个面板是这个类目的233个ASIN的属性特征总结

从这里我们也可以对产品的属性功能进行开发，也可以通过筛选价格段，找到如果你销售这个价格段的产品，你的产品需要具备什么功能，什么功能在这个价格段会比较好卖

4.2 数据报告

4.2.1 类目分析报告

我的这个报告总体分析的比较粗放，如果你们类目认真做的话，可以做得更加细致一些，把时间都集中在分析这里，而不是以上的部分

•类目总体概况

一共有233条listing在市场上，是售卖popup canopy的，其中99%的产品都是在outdoor canopies类目的，这个是由于我们的数据源抓取就是抓取这个小类的前400名，我们要上架的话也还是要瞄准这个类目

•listing总体情况

总共有233条listing占400个的一半，122,146月销量，17,513,124月销售额，算是一个比较大的市场，平均客单价是152美元，价格集中在300美元以下，

•价格分布

大部分产品价格集中在90-140美元价格段，大致占了70%，其次是150-200美元占了15%，最后是220-260价格区间占了8%

•品牌销量分布

前2个品牌的占比已经超过50%了，前五品牌分别是：CROWN SHADES，Best Choice Products， ABCCANOPY， Yaheetech， EAGLE PEAK 占比大概为66%，品牌垄断情况较高，前10品牌垄断超过75%

•卖家销量占比

前10卖家垄断超过75%，前5卖家为：Crown Shade-2 ， Best Choice Products Inc， Amazon.com ， Yaheetech， Eagle Peak 跟品牌垄断是相似的

•配送销量占比

64%为FBM，28%为FBA， 7%为AMZ，产品比较大件，使用FBA不划算，所以卖家大多数选择FBM以减少FBA派送费。

•评分销量占比

71%以上的评分都在4.5星以上，25%占比为5星，证明这个产品除非质量特别差，基本都满足了客户的需求，产品后续改进空间可能不大

•国家销量分布

60%是中国卖家，32%是美国卖家，还有6%是VC账号没所以没有区分国家，总体中国卖家比较多，可能会有一些黑科技

•上架时间分布

从销量占比上看五年以上的产品销量占了32%，3-5年的产品销量占了27%，1-2年内产品销量占了16%，1年内产品销量只占了22%，还是有一定比例的新品能够出现在top400里面的，证明整体市场还是有接纳新品的能力，对于新品进入还是有空间

•留评率分布

85%的销量分布在5%留评率以下，证明没有多少黑科技，刷单，合并僵尸等操作

4.2.2 类目卖点分析

popup canopy类目属性总结

•顶棚材质

在材质中，Polyester材质占了27%，oxford cloth 占了14%，49%的listing没有写材质或者没有抓取到，这个就需要我们把这些没抓取到的再进行一个一个核对了

•顶棚布料厚度

41%为150D，39%为空白或未抓取到，其余的为 210D，300D, 420D, 500D等

•骨架材质

主要是铁为主，占了78%；其余的大部分是不锈钢 ，铝合金等材质

•产品特点-是否可折叠——是否快速安装

98%都是可以折叠的，可快速安装的，不然怎么叫popup canopy呢？肯定都是能够快速安装的

•产品特点-可调节高度

57%为三层可调节高度，15%为4层可折叠高度，23%的没有可调节高度或者没有填写抓取到

•产品特点-是否有通风口

47%的产品是有通风口的，有一些还有2个，但是53%的产品是没有这个特点的

•产品特点-是否有侧边墙

58%的产品是没有侧边墙或者没有写这个卖点，有一个侧边墙的有20%，4个侧边墙的有11%

•产品特点-是否带沙袋

76%的产品是有带4个沙袋的，21%是没有带沙袋的

•产品特点-是否带地钉

48%的产品是带有8个地钉的，36%的产品是没有描述的， 5%的产品是有4个地钉

•产品特点-是否带绳索

58%的产品是带有4个绳索的，37%的产品是没有带绳索的

•产品特点-是否有窗户

94%的产品都是没有窗户的，只有5%的产品是有的

•产品尺寸

81%的产品为10*10 英尺的，4.9%的产品为 10*20 ft, 3%的产品为 12*12 ft 

•收纳袋类型

52%的收纳袋是由轮子的，33%的收纳袋都是便携收纳旅行袋，不带轮子的，其他的15%都是普通的袋子

综合以上判断，我认为要做一个比较好卖的款式，是需要做10x10 英尺，polyester的材质，铁的框架，需要带有3层调节高度，佩戴的收纳袋有轮子的popup canopy。

五、综合分析与利润评估

综合AI的市场调研，卖家精灵数据的飞书数据大盘的调研报告，极目下载的数据报告，对整体类目再进行一个研判，评估需要做产品的利润情况

我个人习惯把所有分析的东西重新放在一个表格里面，综合再次分析所有的情况，来找出是否有突破点。因此，我会在飞书多维表格里面新增一个文档，里面放置所有的分析和数据。

在进行了一番总结后，发现了10 x 20ft的细分市场好像有空位能够进入，下一步就是做利润评估了。

这里我找了一个跟竞品差不多的同款，计算一下总体的成本

https://www.amazon.com/dp/B09DG6GRSD?psc=1

5.1 在阿里巴巴国际站上找到相似同款

在国际站上找到同款：https://www.alibaba.com/product-detail/FEAMONT-Commercial-10X20-Pop-Up-Canopy_1600430269081.html?spm=a2700.galleryofferlist.normal_offer.d_title.676413a0wZq1QS

5.2 通过极目查找到类目同价格段下的转化率

我们在后台的商机探测器里面，也能够查询到每个细分分类的点击转化率的。我这里图方便，就使用了极目数据里面canopy在该细分分类的点击转化率作为我们要计算广告成本的转化率

查到周的点击转化率是2.58%，年的转化率为5.08%

5.3 通过收入计算器计算FBA运费

由于产品是属于大件产品，且FBM占比是较高的，因此，我会比较FBA和FBM的费用，来衡量到底是做FBA还是FBM。

通过后台的收入计算器，计算得出FBA费用为45.37

通过我自己的表格来计算出FBM的费用

5.4 结合SIF关键词CPC与转化率计算广告成本

在查竞价下查关键词竞价，这个pop up canopy 的竞价为2美元，可以计算出广告成本在40-77美元之间

5.5 卖家精灵查找类目退货率

在卖家精灵——选市场查找当前类目的退货率均值为5.82%

5.6 汇总计算成本利润

在汇总了以上的数据之后，可以算出该产品在淡旺季转化率不同的利润情况，如果觉得还有利润的情况下，再考虑是否能够上这款产品。

以上就是如何利用AI等软件工具来对一个亚马逊上一个市场的全部调研的过程。希望能够对大家在调研过程中有所帮助，提高大家调研类目的效率。

转发这篇文章到朋友圈或者转发到250人以上的亚马逊群，给老铁送亚马逊第2期杂志，这本杂志包含广告/选品/管理等等技巧的亚马逊杂志。转发完直接加客服微信领取：

老铁们也可以关注君哥社群的公众号，这个公众号也记录社群老铁分享的干货和君哥经常邀请社群的卖家做直播分享，提前关注学习起来。