我见过最典型的跨境电商市场调研现场是这样的：运营在三个数据平台之间来回切换，把截图丢进一个叫“选品调查”的云文档，密密麻麻写满两屏笔记，然后，就没有然后了。两周后老板问“那个宠物饮水机到底做不做”，文档还在，结论没了，谁做的、为什么否掉、当时看到的价格带是多少，全凭记忆。
更糟的是，三个月后换了一个运营，同样的类目又调研了一遍，得出的结论还不太一样。这不是人不够努力，而是调研这件事本身没有被当成一项“管理动作”来设计。数据买了、看板开了、报告写了，但没有沉淀成可复用、可追溯、可校准的资产。
这篇文章不讲“如何用工具找蓝海词”，那类内容太多了。我要讲的是：怎么把市场调研从一次性的个人行为，变成一套围绕决策的标准化管理机制，以及这套机制在不同规模团队里到底该怎么落地、该在哪些地方主动放弃。
先把结论放在前面，后面所有内容都是围绕这几条展开的。
2024年之后，跨境卖家能拿到的数据其实严重过剩。平台后台、第三方选品工具、海关数据、社媒趋势、Google Trends、评论抓取工具，凑齐一套并不难。难的是：这些数据之间没有统一的字段、没有统一的评分口径、没有统一的归档位置。结果是每次都从零开始，调研的边际成本永远降不下来。
我服务过的一个深圳卖家，2023年时三个人分别用三套工具，各自维护自己的表格。等到2024年要复盘“过去一年新品成功率”时，发现连“上架日期”这个字段的定义都不一样：有人记的是打样完成日，有人记的是FBA入仓日。这种数据是没法用来做决策校准的。
很多人一听到“标准化管理”就想到审批流、想到加流程、想到效率变慢。我的判断恰恰相反：好的标准化是在减少重复劳动，而不是增加审批节点。围绕市场调研的标准化，本质上只需要固定四件事。
这四条里，最容易漏掉的是第四条。没有复盘的调研体系，本质上还是拍脑袋，只是拍得更有仪式感。
怎么判断一个团队的调研管理做得好不好？我给一个很朴素的指标：同一个类目，第二个运营在两周内做第二次调研时，能复用第一次多少比例的结论。如果复用率低于 30%，说明你的调研还停留在个人经验层面；如果高于 70%，说明体系已经跑起来了。
先说大背景。为什么现在必须把市场调研制度化？我觉得有三个推力。
第一，试错成本显著上升。据海关总署公布的数据，2024年我国跨境电商进出口规模约2.63万亿元，同比增长约10.8%，规模在涨，但流量成本也在涨。美国站点的广告CPC在过去三年里普遍上涨，具体幅度因类目而异，但“用广告烧出一个爆款”的窗口基本关闭了。这意味着每一次上架决策的机会成本比五年前高得多。
第二，供应链端“小单快反”普及。以前起订量 3000 件，你只能谨慎选品；现在很多工厂接受 200-500 件试单，可选 SKU 数量翻了十倍。选择变多，本该是好事，但没有筛选机制时，它变成了内耗，每个运营都有十个“感觉能做”的产品。
第三，团队扩张后经验无法靠人传人复制。3 个人的时候，老板一句话就能对齐；30 个人的时候，新来的运营根本不知道公司判断“这个类目能不能做”的隐含标准是什么。
2024 年上半年，我参与过一家深圳卖家的流程梳理。团队规模 20 人左右，主营家居和宠物两个类目，美国、德国、日本三个站点。
他们的调研现状是：每个运营每周花 6-8 小时做调研，用两套第三方数据工具，产出物是飞书文档里的截图和一段结论。问题出在三处：
后来他们做的事情并不复杂：统一了一张调研评分表，把结论从“形容词”变成“分数 + 阈值”，并且要求每一条调研记录必须绑定一个编号。三个月后，运营周均调研耗时从 6.8 小时降到 4.1 小时，不是因为工具变强了，而是因为不用重复查同样的东西了。
跨境电商行业的人员流动率不低，这是事实。一个运营离职，带走的往往不只是客户资源，还有一整套“什么产品能做”的隐性判断。
我常跟团队讲一句话：如果你的选品能力只存在于某几个人的脑子里，那你的公司其实没有选品能力，只有雇人能力。市场调研标准化的真正价值，是把个人判断转译成组织可以继承的判断规则。这件事不做，团队规模越大，风险越高。
这是最普遍的认知偏差。一提到调研，大家立刻想到“找爆款”。但一个 SKU 从调研到赚钱，中间要过的关卡远不止需求这一关。
完整的调研至少应该覆盖六个维度：需求规模、竞争结构、利润空间、物流与履约、合规与税务、内容与素材可得性。很多产品死在后面四项上，而不是需求上。
我见过一个典型案例：一款带锂电池的户外电源配件，需求旺盛、竞争也不算激烈，毛利率估算能到 45%，团队兴致勃勃下单。结果卡在航空运输的 UN38.3 认证和目的国电池法规上，前后拖了四个月，等能发货时旺季已经过了。这类失败不是选品失败，是调研维度缺失导致的失败。
销量榜是结果，不是原因。新手常犯的错是看到某个类目榜单前十里有一半是低价产品，就判断“这个类目只能打价格战”。但如果你去看评论的时间分布，可能会发现头部产品的评论大量集中在 18 个月以前，说明这个类目的头部其实是“存量老品”，新品几乎没有进入机会，这才是真正的结论。
我习惯在调研时看三个结构性指标：评论的时间分布、差评的关键词聚类、变体销量占比。这三个指标比单纯的销量数字有用得多。评论时间分布告诉你机会窗口，差评聚类告诉你产品改进方向，变体占比告诉你这个类目的购买决策是认尺寸/颜色还是认品牌。
“这个我发群里了”，这句话是调研管理最大的敌人。群聊里的信息 72 小时后基本等于不存在，搜索困难、无法结构化、无法统计。
我的建议很直接：任何一条会影响立项决策的信息，必须落到结构化台账里。聊天工具可以用来讨论，但不能用来存储结论。
另一种极端是流程过度。有的团队搞出十几页的调研模板，运营填一次要一整天，最后大家开始应付，复制粘贴、随便打分。这时候标准化反而降低了数据质量。
我的判断标准是：一份调研表的填写时间不应该超过 25 分钟。超过这个时间，要么字段设计有问题，要么该由系统自动填充而没有自动填充。标准化追求的是“关键字段的纪律”，而不是“所有字段的完备”。
美国站、德国站、日本站、东南亚各站点的判断逻辑差异很大。美国站看的是评论数量和广告竞争，德国站要额外考虑包装法、EPR 注册和退货率，日本站则要高度关注尺寸精度和说明书的本地化质量。
用一套字段打所有站点，会导致两个后果：要么字段太泛导致没有信息量，要么字段太细导致大量空格。正确的做法是共用主干字段，按站点挂接扩展字段。
我用的判断框架是一个四层漏斗，顺序不能变，因为后面的判断依赖前面的结论。
第一层，需求真实性。不看绝对销量，看的是搜索量趋势是否稳定、是否存在明显季节性、评论增量是否还在持续。一个类目如果近 12 个月评论新增主要来自两三个老品，说明需求端已经固化。
第二层，竞争可进入性。关注头部集中度、新卖家进入比例、广告位密度。我的经验阈值是：如果类目评论数前 10 名中有超过 6 个评论数超过 5000，且近 6 个月没有新品进入前 20，直接放弃。
第三层，利润结构。从毛利率倒推净利率，把平台佣金、FBA 费用、广告费、退货损耗、仓储长期费全部扣掉。这里最容易低估的是广告费和退货损耗。
第四层，履约与合规。体积重量、是否带电、是否涉及认证、目的国是否有特殊法规。这一层是很多团队的盲区，也是最容易一票否决的一层。
很多团队第一次定阈值时，喜欢照搬别人的标准，比如“评论数超过 3000 的不做”“毛利率低于 40% 的不做”。这些数字本身没有对错，关键在于它是否匹配你的供应链能力和资金周转节奏。
我的做法是：先给一组初始阈值，跑 3 个月，然后用实际结果回推。具体怎么回推？把上架后 90 天的表现分成三档（达标、持平、亏损），看看当初哪一个字段的得分和结果相关性最高，然后调整那个字段的权重。
这个方法我称为“反向校准”。它比一开始追求完美阈值有用得多，因为阈值的本质是经验值，而经验只能从结果里来。
不是所有调研结论都同等可信。我要求团队在每条结论后面标注可信度等级。
| 等级 | 数据来源特征 | 适用决策 | 典型风险 |
|---|---|---|---|
| A 级 | 平台官方后台数据 + 自有小批量实测验证 | 可直接立项下单 | 验证成本较高，但误差最小 |
| B 级 | 两个以上第三方数据源交叉一致 + 人工抽样核对 | 可进入打样阶段 | 口径不一致时容易高估需求 |
| C 级 | 单一第三方数据源或行业群信息 | 仅可作为候选池输入 | 时效性差，容易被误当成结论 |
| D 级 | 个人主观判断、社媒热点直觉 | 只能作为提出假设的起点 | 系统性高估短期热点 |
这张表最大的作用是阻止 C 级和 D 级信息直接驱动下单决策。我见过太多团队，拿着一个社媒爆火的视频就下单一万件，最后库存压了两年。分级不是为了降低效率，而是为了明确“什么证据配得上什么级别的投入”。
工具选型这件事，我的判断标准一直很简单：它能不能减少我在“字段对齐”上花的时间。如果一个工具只能给我一堆漂亮图表，但不能让我的台账字段自动填进去，那它对我的管理价值是有限的。
在试过几种方案后，我们现在主要用数跨境作为调研数据的主要来源之一。选它的原因有三个：一是覆盖多平台类目数据，方便做横向对比；二是数据的口径相对稳定，便于长期建立时间序列；三是它的输出结构比较规整，导出后能直接映射到我们自己的台账字段里，不需要大量人工整理。
需要说明的是，工具本身不解决判断问题。数据平台给你的是原材料，能不能做出好决策，取决于你在原材料之上构建的字段体系和阈值体系。这一点我想反复强调，因为很多团队迷信工具，买了贵的数据服务却依然选不出好产品。
下面是目前实际在用的主干字段结构。这套结构跑了一年多，改过三次，我认为对 5-50 人规模的团队基本够用。
| 字段分组 | 字段名 | 数据类型 | 填写要求 |
|---|---|---|---|
| 标识 | 调研编号 | 文本，规则为站点+年月+序号 | 唯一，不可重复 |
| 标识 | 类目路径 | 文本，三级类目 | 必须精确到三级 |
| 需求 | 近12月搜索趋势斜率 | 数值 | 由数据平台导出计算 |
| 需求 | 评论月度新增量 | 整数 | 取近 6 个月均值 |
| 竞争 | 前10名平均评论数 | 整数 | 人工抽样核对 |
| 竞争 | 近6月新进前20产品数 | 整数 | 用于判断可进入性 |
| 利润 | 预估毛利率 | 百分比 | 扣佣金与头程后 |
| 利润 | 预估净利率 | 百分比 | 扣广告、退货、仓储后 |
| 履约 | 体积重 | 数值，千克 | 包装后实测或工厂提供 |
| 合规 | 风险等级 | 枚举：低/中/高 | 按站点法规清单判定 |
| 结论 | 可信度等级 | 枚举：A/B/C/D | 必须标注来源 |
| 结论 | 决策结果 | 枚举：通过/待定/否决 | 附一句话理由 |
这张表看起来普通，但它解决了一个非常具体的问题：让不同运营的调研结论变得可比。当每个类目都用同一组字段描述时，你才可能在一次会议上横向比较 20 个候选品，而不是听完 20 段不同的故事。
调研台账单独存在没有意义，它的价值在于和后续环节打通。我们的做法是：调研编号一旦确定，后续所有环节都引用这个编号。
这样做的直接好处是：一年后你能准确回答“我当初判断净利率 18% 的产品，实际做到了多少”。没有这条线，你永远不知道自己的判断是偏乐观还是偏保守。
如果你打算自己搭一套轻量系统，下面是我们用的数据结构，可以直接改成 Notion 数据库或飞书多维表格的字段定义。
{
"research_id": "US-202503-014",
"site": "US",
"category_path": ["Home & Kitchen", "Kitchen & Dining", "Water Bottles"],
"demand": {
"search_trend_slope_12m": 0.14,
"monthly_new_reviews_avg_6m": 268,
"seasonality_index": 1.32
},
"competition": {
"top10_avg_reviews": 3420,
"new_entrants_top20_6m": 3,
"ad_density_score": 0.71
},
"profit": {
"gross_margin": 0.42,
"net_margin_estimate": 0.176,
"ad_cost_ratio_assumed": 0.18,
"return_rate_assumed": 0.06
},
"fulfillment": {
"volumetric_weight_kg": 0.86,
"battery_included": false,
"certification_required": ["FDA_FOOD_CONTACT"]
},
"compliance_risk": "medium",
"confidence_level": "B",
"decision": "pending",
"decision_reason": "需求稳定但广告密度偏高，建议先小批量测款",
"owner": "ops_team_a",
"created_at": "2025-03-11"
}
这个结构里我特别想强调两个字段：decision_reason 和 confidence_level。前者保证结论有理由，后者保证理由有分量。缺了这两项，台账就退化成了一个产品清单。
主干字段共用，站点差异用扩展字段解决。我们用数跨境做多站点横向对比时，会把四个重点站点的关键维度拉到一起看，差异往往比想象中大。
这个阶段最大的风险是工具过重。我见过不少一两个人的团队花两周搭系统，结果选品本身没做几个。
建议做法：用飞书多维表格或类似的表格工具，建一张包含 12-15 个核心字段的调研表，字段严格控制在上面表格里“需求、竞争、利润、履约”四组中的关键项。每周固定一个时间做调研，当天必须把结论写进表里，不接受“先记在手机备忘录里”。
数据源方面，用一到两个数据平台即可，重点是保持口径一致。个人卖家不需要多源交叉验证，但需要坚持记录，因为你需要积累的其实是“自己判断的偏差规律”。
这个规模是标准化收益最明显的区间。人数足够多，重复劳动开始显现；又没多到需要复杂系统。
我建议做三件事：
这个阶段最容易出问题的地方是评审会开成“听汇报”。要避免这一点，规定每个人发言不超过 3 分钟，且必须围绕字段分数说话。
到这个规模，人工录字段会成为瓶颈。需要做的是：调研台账和采购、上架、财务数据打通，形成统一编号体系；数据平台的导出结果通过脚本或自动化工具直接写入台账，人工只负责核对异常值。
同时要建立站点适配层。前面说过，主干字段共用，站点差异用扩展字段解决。当你有 5 个以上站点时，扩展字段的管理本身就值得做一次专门的整理，否则台账会迅速膨胀到没人愿意看。
工厂背景的卖家有个独特优势：改产品的能力强。所以他们的调研重点不在于“选哪个现成产品”，而在于“现有产线能力匹配哪些需求缺口”。
我建议这类团队在调研表里增加两个字段：现有模具改造难度、单次最小生产量与需求的匹配度。这两个字段往往比需求规模本身更能决定成败。很多工厂卖家失败的原因不是选错品类，而是选了一个自己产线做不出成本优势的品类。
品牌型卖家的判断逻辑和前几类不一样。他们关心的不是单次转化能赚多少，而是这个品类能不能支撑长期内容叙事。
这类团队需要在调研阶段就评估：产品有没有可延展的使用场景、用户是否愿意主动分享、是否有天然的复购或耗材逻辑。这三个问题的答案，往往决定了一个品牌能不能从单品走向品牌。
需要提醒的是，品牌型卖家最容易犯的错误是用“我觉得这个产品很有故事”替代数据验证。内容可讲性也需要量化，比如统计同类产品在社媒平台的自然分享量中位数、UGC 内容占比等。
这是个必须明确选择的取舍。广度优先意味着调研大量类目、快速筛选，适合快速试错的团队；深度优先意味着聚焦少数类目、深挖供应链和内容壁垒，适合有长期规划的团队。
我的判断是：资金周转周期短于 45 天的团队应该优先广度，长于 90 天的团队应该优先深度。原因很直接，周转快的团队可以用速度换取信息量，周转慢的团队经不起频繁试错。
只有当你需要的字段是市面上任何工具都无法提供的时候，自建才划算。绝大多数情况下，第三方数据平台的覆盖度已经足够，你需要自建的只是那层“科室台账”和“评分逻辑”。
这也是我倾向于用数跨境这类现成平台做数据底座、自建轻量台账做管理层的组合方案的原因：把开发资源留给判断逻辑，而不是留给数据采集。
标准化一定会在某种程度上牺牲响应速度。旺季前一个月，如果还要求每个候选品走完整的四层漏斗，可能会错过窗口。
我的建议是设置一条“快速通道”：对于客单价低于某个阈值、且属于已验证类目内的变体产品，可以只走需求真实性 + 履约合规两层，跳过完整的竞争分析。这样既保持了纪律，又保留了灵活性。
这是一个常被忽略的取舍。有些团队把预算全部砸在调研上，买最贵的数据工具、做最详细的分析，却不愿意花钱做小批量试单。
我倾向于 调研与试单的预算比例控制在 1:3 左右。原因很简单：调研只能降低不确定性，不能消除不确定性；而试单是真正把不确定性变成确定信息的动作。一个 200 件的试单能验证的东西，往往比再多两周的桌面调研都多。
最后说个可能不太讨喜的判断：如果你的团队连基础的 listing 优化和广告投放都还没跑通，先不要投入精力做重度市场调研。
调研解决的是“做哪个产品”的问题，而执行解决的是“做出来能不能卖出去”的问题。有些团队其实是执行问题，却错误地归因成选品问题，然后不停地换品类，永远在原地打转。先做一次诚实的归因：过去失败的产品里，有多少是真的选错了，有多少是明明选对了却没做出来？
字段结构建议半年审视一次，阈值建议每季度校准一次，具体记录则是随做随记。最忌讳的是频繁改字段定义，因为一旦改了，之前的横向对比就失效了。如果必须改，保留旧字段并新增字段，不要直接覆盖。
那就把调研时间固定下来，比如每周二下午两小时，全员参与。固定时间比固定人员更重要，因为固定人员一旦离职就会断档，固定时间则形成了组织习惯。
不能。平台给的是数据，不是针对你的结论。同一个类目，对有供应链优势的卖家和对纯贸易型卖家，结论可能完全相反。数据是共用的，阈值必须是你自己的。
我的标准是：当你能够清楚说出“如果这个产品失败了，最可能的原因是哪一个”时，调研就够了。如果你只能说“我觉得挺好的”，那说明还差得远。
回到最初那个问题：为什么很多团队调研做了不少，却感觉没积累？
我的答案始终是同一句话，他们把调研当成一次性的项目，而不是一条持续沉淀的管线。项目会结束，人会走，结论会过期；管线会一直在那里，每次运行都在上一次的基础上往前走。
围绕市场调研建立标准化管理，说到底就是三件事：用统一字段把杂乱的观察变成可比较的数据；用明确阈值把主观感觉变成可执行的判断；用编号体系把分散的环节串成可回溯的证据链。这三件事都不难，难的是坚持做，并且定期用真实结果去校准它们。
至于工具，无论是用数跨境这类数据平台做数据底座，还是自建一套轻量台账，都只是手段。真正决定成败的是你有没有一套属于自己的判断规则，以及敢不敢在结果不好的时候回头改它。
下一步，我建议你做一件很小但很具体的事：把你过去 12 个月上架的产品列出来，逐个补上“当初为什么选它”和“90 天实际表现”两列。不用多，先做 10 个。做完之后你会立刻发现两件事，你的判断偏差主要集中在哪个维度，以及你现在缺的到底是数据，还是判断规则。
我自己带过三个人的小团队，以前调研总是“感觉差不多了就上”，结果选出来的品要么同质化严重，要么一上架就撞上大卖的价格战。后来复盘才发现，问题不是没调研，而是每次都漏掉几个关键维度，口径还前后不一致。所以我很想知道，有没有一个最小可用的数据集，采完就能判断“这个品要不要做”。
按需求侧、竞争侧、利润侧、合规侧四个维度采，四个都齐了才算够用。需求侧看两件事：核心词近 12 个月的搜索趋势斜率，以及近 90 天的搜索量量级，斜率向下而量级再大也要警惕；
竞争侧至少拉 30 个 ASIN，不要只看前 5 个，重点看 Top20 里有多少是 12 个月内上架且评论数低于 300 的，如果超过一半，说明新进入者还有空间，如果 Top3 吃掉类目 60% 以上销量且都是三年以上的老品，就要非常谨慎；
利润侧把售价带、平台佣金、仓储配送费、头程、退货率都摊进去，目标毛利率低于 30% 的品直接淘汰；合规侧查认证要求和侵权风险，这一步花 20 分钟能省掉后面几万块的损失。判断依据很简单：这四个维度里任何一个你答不上来，就不是“调研够了”，而是“风险没看见”。
我们团队就三四个人，每次上新都是重新拉一张表、重新吵一遍口径，同一款产品两个人算出来的市场规模能差一倍，开会一半时间在争论“你的数据哪来的”。我特别想知道，小团队人力有限，怎么用最低的成本把这件事标准化下来。
分三步走：字段字典、固定模板、评审卡点。第一步先做字段字典，把每个指标的口径写死，月销量是用哪个工具估的、按哪个站点、取近 30 天还是 90 天、评论数是抓主链接还是合并变体，全部写进一张表并注明数据来源和抓取日期，口径不统一时以字典为准，不许临场改。
第二步做固定模板，只保留五个板块：类目大盘、竞品清单、评论痛点归类、利润测算、结论与待验证假设，模板一旦定下来就只增字段不删字段，保证不同人产出的报告可以横向比较。
第三步设评审卡点，把每个调研任务拆成数据采集、交叉验证、结论评审三个状态，用某项目管理工具跑，评审不通过就打回重采，不允许跳过评审直接进入打样。我的经验是，标准化省下的不是采集时间，而是争论时间，口径统一之后开会效率至少翻一倍。
我以前也写过几十页的分析，老板看完说“知道了”，然后还是凭感觉拍板，报告最后躺在共享盘里没人再打开。后来我意识到问题出在报告全是描述、没有可验证的东西，所以想搞清楚：调研结论到底要写成什么样，才能真的左右决策。
把每条结论都改写成“可验证的假设 + 数值阈值 + 责任人 + 验证日期”。
举个例子，不要写“这个类目有机会”，而要写“假设以 19.99 至 24.99 美元价格带、主打静音卖点切入可行，验证口径为上线 30 天内核心词自然排名进入前三页、广告 ACOS 不高于 35%、转化率不低于 8%，责任人是运营 A，验证日期是 X 月 X 日”。
这样写的好处是，决策不再是“信不信这个报告”，而是“这条假设能不能被验证”，老板拍板时看的是阈值合不合理。同时给每条假设配一个预设动作：30 天不达标是改主图、降价还是直接放弃，事先写清楚，避免上线后反复拉扯。
另外广告投放的预算分配也应该来自调研：把类目里差评集中在某个功能点的竞品挑出来，广告主图和文案就专门打这个点，这样调研和投放才算真正接上。
我们做的是有明显的淡旺季差异的品类，同一个关键词的排名和竞价在 Q4 和 Q2 完全是两回事。我总在纠结是按季度整体重做一遍，还是每次大促前再单独做一次，全做太耗人力，不做又怕错过变化。
建议分三层节奏，不要一刀切。第一层是类目大盘，季度做一次就够，只看趋势斜率、新进入者数量、价格带迁移这三件事，目的是判断“这个类目还值不值得待”。
第二层是核心竞品，月度一次，只看 Top10 的价格变动、评论增量、广告位变化，判断依据是：如果某个竞品近 30 天的评论增速超过它自身历史均值的两倍，说明它在加大投放，必须重点跟踪。
第三层是大促专项，提前 6 到 8 周做一次，重点看去年同期的价格带走势，以及那些“只在促销期才冲上来的链接”，这类链接往往代表平台流量分配的真实偏好。
至于验证，每季度做一次调研复盘，把当时写下的假设和实际结果对照，如果命中率低于 60%，说明问题出在字段口径或样本量上，先修口径再改结论，不要急着换方向。
读者评论
固定阈值那段我认同，但“改阈值必须走复盘会”在小团队里不现实。我们五个人，一周开一次会已经占掉半天，阈值基本是季度调一次，平时只在台账备注里写“本次偏离原因”，事后一起看。另外25分钟填表这个标准，我们第一版模板要50分钟，问题不在字段多，而在没人能立刻查到评论时间分布和变体占比，得手动翻数据，后来才发现该优化的不是表而是取数环节。
复用率这个指标挺有意思，但实际很难测准。第二个运营往往不是查不到结论，而是不敢信第一个人的判断，尤其是那人已经离职了，复用率自然就低。所以我觉得台账之前还有个前提：结论要能追到原始数据和当时的评分，不然新人对着一行分数也不知道该不该采信。还有90天复盘，我们很多品在90天时还在爬坡，判断对错其实看不太清，是不是该按类目定不同的回看周期。
四层漏斗的顺序我基本同意，但履约合规放最后一票否决，容易把调研成本打得很高。现实里很多卖家的合规信息是靠货代口头给的，不同货代答复还不一样，等走到第四层才发现带电不能发，前面三层的人力就白花了。我的做法是合规和需求并行做粗筛，用几个必答项先卡掉明显不行的。另外图上退货率从8.6%降到4.1%全归给调研管理，感觉有点满，listing和图片质量的影响可能被算进去了。