2023 年秋天，一个做家居收纳的卖家找我做复盘。两年时间，他换了四个品类，累计投入 87 万，最后还在稳定盈利的 SKU 只剩 6 个。我问他第一个品类是怎么定下来的，他说：”看榜单，前二十名里挑了三个评价数在 500 到 2000 之间的，感觉竞争不大。”
这个回答几乎是跨境卖家的标准答案。问题在于，”感觉竞争不大”是一个情绪判断，不是一个可验证的假设。它没有对应的数据字段，没有回流机制，也无法被证伪。等到半年后发现问题，钱已经变成了海外仓里卖不动的库存。
我后来把他的决策链路完整画了一遍，从”决定做收纳”到”上架第一款”一共 11 个决策点，其中 7 个是拍脑袋定的：定价、包装规格、颜色、首发数量、广告预算、备货节奏、退换政策。而这 7 个点里，至少有 5 个本可以在开店前用两周的市场调研解决。这就是我坚持一个判断的原因，跨境电商运营的上限由供应链和流量决定，但下限由市场调研系统决定。而绝大多数卖家，是从下限开始亏钱的。
我见过太多团队把市场调研放在”开店前的准备工作”里，和”注册店铺””联系货代””买拍摄灯”并列。这是一个致命的定位错误。准备工作是一次性的，做完就结束了；模块是系统的一部分，它会持续运转、持续被调用、持续产生判断依据。
我服务过的一个做宠物用品的团队，他们把调研结论直接写进了新品立项表：目标售价区间、可接受的广告 ACOS 上限、单 SKU 首单备货量、退货率容忍线、以及”什么条件下判定失败并止损”。这份立项表后来变成了他们内部系统的一个字段模板。
结果是，他们新品的决策周期从平均 21 天压缩到 6 天，而且不是靠拍脑袋压缩的，是靠”该有的信息已经在模板里”压缩的。调研的最高价值不是让你知道答案，而是让你的判断过程可以被复用、被审计、被迭代。
一个调研结论如果不能被证伪，它就是一句正确的废话。”这个品类有需求”无法证伪。”美国市场 30 到 45 岁女性宠物主，对可折叠猫砂盆的月搜索量稳定在 4 万到 6 万次，且前 10 名 Listing 的平均评分低于 4.2，说明产品体验存在系统性缺陷”，这个结论可以被证伪，也可以被打成参数。
我自己的习惯是，每一条进入系统的重要结论，都必须写清三件事：数据来源、观察窗口、以及”什么情况下我会推翻它”。第三件事最容易被忽略，但它恰恰是调研系统能不能自我进化的分水岭。
市面上大多数调研工具解决的是”采集”问题：抓榜单、抓评论、抓搜索量。但真正决定运营效率的，是数据能不能回流到决策环节。采集 100 万条评论却不知道它影响了哪个决策，和采集 1000 条评论精准修正了定价策略，后者价值高一个量级。
我把调研系统分成两种：一种是采集型系统，产出报告；另一种是回流型系统，产出参数和阈值。前者在团队里通常以周报形式存在，看完就归档；后者会变成选品打分卡、广告投放规则、备货计算公式的一部分，每天都在被调用。
我把过去几年接触过的跨境团队归纳成三类。这不是理论分类，是我在实际项目里反复观察到的模式，每一类都有对应的典型行为和典型损失。
这类团队通常 3 到 10 人，年销售额在 300 万到 2000 万之间。他们的调研方式是打开平台前台，看类目榜单，翻十几条评论，然后开个会讨论”我觉得这个能做”。
他们最大的问题不是不勤奋，而是勤奋用错了地方。我见过一个团队为了确认一款产品能不能做，让两个运营花三天手动统计了 400 条评论的关键词，做了一张漂亮的情感分析表。但这张表里没有任何一条信息指向”该定什么价””首批备多少货””广告预算上限是多少”。
这类团队已经有了数据意识，通常会用一套 Excel 模板管理选品调研：市场规模、竞争度、评分分布、价格带、利润率测算。模板做得很完整，但有两个隐性成本。
第一个成本是数据时效性衰减。他们的表格是季度更新的，而平台的价格和竞争结构往往是月度甚至周度变化的。用三个月前的数据做今天的定价决策，中间的时间差就是风险敞口。第二个成本是个人依赖，表格掌握在一两个老运营手里，人一走，判断逻辑就断了。
这类团队不一定规模大，但有一个共同特征：调研结论会以字段的形式沉淀下来，并且和后续的采购、投放、库存动作挂钩。他们不追求把调研做得更”全”，而是追求把调研做得更”可调用”。
“可调用”的判断标准很简单：新人接手时，能不能只靠系统里的字段和阈值，做出和老运营接近的决策。如果答案是能，这个团队就具备了可复制的调研能力。
2022 年到 2024 年，我先后跟进过三个团队做同一个品类，折叠式宠物推车。三个团队的产品形态接近，供应链成本差异不超过 8%，但结果差别很大。
三者最大的差异不在产品，也不在流量技巧，而在第一阶段投入的调研时间和调研结论的可执行度。团队 C 在立项前花了 19 天做调研，团队 A 花了 2 天。
这是我在咨询里纠正得最多的一个认知偏差。选品只是市场调研的一个输出结果，把它当成全部，会导致整个调研系统缺失关键层。
工具榜单告诉你的是”过去 30 天什么卖得好”，它不告诉你”未来 90 天什么还能卖得好”，也不告诉你”这个价格带里还有没有利润空间”。
我做过一个小测试：在某平台家居类目榜单前 50 名里，随机抽 20 个产品，回溯它们 12 个月前的排名。结果只有 6 个还在前 100 名以内。榜单是结果，不是原因；用结果推导原因，中间缺的那一环就是市场调研。
很多团队在立项前认真做一次调研，之后再也不看。但市场是动态的：竞品会降价、新卖家会进入、平台佣金会调整、物流价格会波动。三个月前的利润率测算，可能早就不成立了。
我的做法是给每个核心品类设一个”调研刷新周期”，快消类 30 天，耐用品 60 天，季节性品类在旺季前 45 天强制刷新。刷新不是重做，而是只更新那几个关键字段，用 30 分钟确认假设是否还成立。
前端数据是售价、销量、评论数，后端成本是头程、平台佣金、仓储、广告、退货、汇损、资金占用。这两个数字之间的差额才是真实利润，而绝大多数调研只看前者。
我见过一个团队，调研得出某品类”平均售价 39.9 美元，毛利率约 45%”，非常兴奋地上了。结果第一个季度算下来实际净利率只有 6.8%，差额全部来自他们没算的三项：退货率 14%、头程涨价 32%、广告 ACOS 从预估的 22% 涨到 41%。
这是我见过最普遍也最可惜的浪费。团队花两周做了一份很专业的调研报告，结论是”建议定价 29.9 到 34.9 美元之间，主推蓝色款，首批备货 500 台”。然后呢？这份报告被放进共享盘，运营在实操时凭手感又改成了 27.9 美元。
调研结论要想真正起作用，必须变成三个东西：可录入的字段、可触发的规则、可对比的基线。定价区间是字段，跌破区间的自动预警是规则，上一批次的动销表现是基线。缺任何一个，结论都会在传递过程中失真。
这是新手最容易踩的坑。有人同时用六七个工具，抓来的数据口径不一致，反而更难判断。我自己的经验是，核心决策用三个以内的可信数据源交叉验证，比用七个来源互相矛盾的数据更有价值。
关键是搞清楚每个数据源的偏差在哪里：平台官方数据权威但滞后，第三方工具灵敏但样本可能有偏，供应商给的市场数据往往带销售倾向。知道数据怎么错的，比知道数据是多少更重要。
下面这套四层模型是我在实际项目里反复打磨出来的，它不是一个理论框架，而是一个检查清单，每一层都有明确的进入下一层的门槛，任何一层不通过，就不应该继续往下走。
这一层要回答的问题是：这个需求是真实存在的，还是被平台流量临时制造出来的？我通常看三个指标：搜索量的绝对值、搜索量的趋势方向、以及评论增量的速度。
绝对值决定天花板，趋势决定窗口期，评论增量决定竞争进入速度。如果一个月搜索量 5 万但评论增量只有 200 条，说明市场还没被充分开发；如果搜索量 5 万而月评论增量 3000 条，说明大量卖家正在涌入，你的窗口期可能只有 3 到 6 个月。
这一层的核心不是”竞争大不大”，而是”竞争以什么形式存在”。我把竞争分成三种形态：价格战型（前 10 名价格高度集中，靠低价抢量）、品牌型（前 10 名有明确品牌壁垒，新卖家难切入）、体验缺口型（前 10 名评分普遍偏低，差评集中在同类问题上）。
前两种对新卖家不友好，第三种才是真正的机会。我自己判断体验缺口的方法是：抓取前 20 名 Listing 的 1 星和 2 星评论，按问题类型归类，如果某一类问题出现在 3 个以上竞品的差评里，那就是系统性缺口。
这一层最容易被跳过，但它的否决权最强。认证周期、产品体积重、易碎程度、季节性仓储限制、目的国法规变化，任何一项不通过，前面的调研全部作废。
我有一个硬性规则：如果认证周期超过 60 天，或者体积重比实际重量高出 40% 以上，这个品类直接淘汰，不管利润测算多好看。因为这两项风险在执行阶段几乎无法通过运营手段弥补。
前三层是”上架前”的调研，第四层是”上架后”的调研。它的作用是验证前三层的假设是否成立，并把偏差记录下来，用于修正下一次调研。
我要求团队每上一个新品，都要记录三项对照：调研预估的转化率 vs 实际转化率、预估的 ACOS vs 实际 ACOS、预估的退货率 vs 实际退货率。三个月后回头看，如果偏差普遍超过 30%，说明调研模型本身需要调整，而不是运气不好。
| 层级 | 核心问题 | 关键指标 | 不通过的后果 |
|---|---|---|---|
| 第一层：需求真实性 | 需求是真的还是在退潮 | 月搜索量、搜索趋势斜率、月评论增量 | 上架后无自然流量，全靠广告硬推 |
| 第二层：竞争与利润 | 竞争形态是什么，净利空间多少 | 前 20 名价格离散度、差评问题聚类、净利率 | 陷入价格战，毛利率被持续压缩 |
| 第三层：履约与合规 | 能否合规、低成本地把货送到用户手里 | 认证周期、体积重比、破损率、仓储限制 | 断货、扣关、成本失控，直接终止项目 |
| 第四层：数据回流 | 前面的假设对不对 | 转化率偏差、ACOS 偏差、退货率偏差 | 同样错误重复发生，调研能力无法提升 |
我在实际决策时，会把候选品类放在一张”竞争度，净利率”的二维图上。左上角（高竞争、低净利）是红海，右下角（低竞争、高净利）是理想区，但通常伴随需求规模不足的问题。
真正值得下注的是”中等竞争、净利率 18% 以上、且存在体验缺口”的区域。这个区域不大，但一旦找到，通常能支撑 12 到 18 个月的稳定盈利。
理论讲完，说点具体的。2024 年上半年，我参与了一个厨房小家电品类的调研系统搭建，全程用 数跨境 作为数据底座。这里把过程和结果完整拆开讲。
我选工具的标准从来不是功能多，而是数据能不能直接进入我的决策字段。市面上不少工具做的是”信息展示”，给你一堆图表和榜单，看完还得人工搬运到自己的表格里。这个过程既费时又容易出错。
数跨境这类数据平台对我最大的价值在于，它把市场、类目、商品、关键词这些维度的数据组织成了可以持续调用的结构化视图。我不需要每次都从头采集，而是可以在同一套口径下做前后对比，这一点在”调研刷新周期”里特别重要。
另一个实际的好处是，它让团队内部的讨论从”我觉得”变成了”数据显示”。我带的团队里有个不成文的规矩：任何选品会上提出的判断，必须能指到具体的数据视图和观察窗口。这个规矩建立之后，会议时长平均缩短了约 40%。
品类方向是三明治机。我们最初的假设是：欧美家庭早餐场景稳定，产品单价适中，物流成本可控。这个假设听起来合理，但如果不做验证，很可能又是”感觉竞争不大”的翻版。
调研第一步是需求验证。我们观察到的数据是：该细分方向的月搜索量在观察窗口内保持相对平稳，没有明显的季节性塌陷，但搜索增长斜率接近零。这意味着需求是真实的，但市场已经成熟，不是高速增长期。
这个结论直接改变了后续策略：既然是成熟市场，就不能指望靠需求增长带来红利，只能靠产品差异化和成本结构优势拿份额。如果当时误判为增长市场，很可能会给出激进的备货和投放预算。
第二步是竞争结构分析。我们抓取了类目头部 Listing 的评分分布和差评主题，发现一个问题相当集中：清洁困难。多个高销量产品的差评里反复出现”难清洗””残渣卡在缝隙里”这类描述。这就是前面提到的”系统性体验缺口”。
第三步是履约与合规。这一层筛掉了另外两个备选方向：一个因为需要额外的电气认证，周期超过 75 天；另一个因为体积重比实际重量高出 46%，头程成本把净利率压到了 7% 以下。
调研做完，最关键的一步是把结论转成系统里能用的东西。我们当时定义的字段结构大致是这样的：
{
"category": "kitchen_sandwich_maker",
"research_window": "2024-03-01 ~ 2024-05-31",
"demand": {
"monthly_search_volume": 42000,
"search_trend_slope": "flat",
"monthly_review_increment": 680
},
"competition": {
"top20_avg_rating": 4.1,
"top20_price_range": [26.9, 45.9],
"pain_point_cluster": ["hard_to_clean", "uneven_heating"],
"gap_confidence": 0.82
},
"margin": {
"target_price": 34.9,
"landed_cost_ratio": 0.34,
"estimated_acos_ceiling": 0.28,
"expected_net_margin": 0.19
},
"thresholds": {
"first_batch_units": 300,
"stop_loss_margin": 0.08,
"review_refresh_days": 45
}
}
这个结构看起来简单，但每一行都对应一个真实决策。比如 estimated_acos_ceiling 设为 0.28，意味着广告投放团队在 ACOS 超过 28% 时必须复盘，而不是无限追加预算；stop_loss_margin 设为 0.08，意味着净利率跌破 8% 就启动止损流程。
没有这些参数，调研结论就只是一段描述性文字。有了这些参数，它变成了系统里可以触发动作的规则。这是我们和只做报告式调研的团队最大的区别。
这个品类最终上架的 SKU 数量是 6 个，首批备货总量 1800 台。上线后三个月的数据：动销率 74%，实际净利率 17.3%（预估 19%），实际 ACOS 26.1%（预估上限 28%），实际退货率 6.4%（预估 7%）。
偏差都在可接受范围内，其中净利率偏差主要来自一次汇率波动和一次头程涨价。更重要的变化在团队效率上：同类调研的工作量从原来的人均 14 小时降到 6.5 小时，因为数据采集和整理环节被压缩，人力集中在判断和讨论上。
还有一个容易被忽略的收益：调研刷新从”想做但没时间做”变成了”30 分钟能做完”。45 天一次的关键字段复核，实际执行率接近 100%，而在用表格管理的阶段，这个执行率不到 30%。
前面讲的是通用逻辑，但不同阶段的卖家，调研的重点和投入方式差别很大。下面按四种典型情况分别给建议。
这个阶段最大的风险不是选错品，而是在选品上花太多时间却什么都没上架。我见过有人调研了五个月还没开店，这种情况反而更危险，因为调研能力必须在真实交易中才能提升。
我的建议是：把调研时间控制在 14 到 21 天内，只做三层中最关键的两个判断，需求是否真实、净利率是否高于 15%。第三层履约合规只做硬门槛筛查（认证周期、体积重），第四层先不建。
首批备货量控制在 200 到 400 台，接受”可能会断货”而不是”可能会滞销”。断货的损失是可逆的，滞销的损失是现金和仓储的双重占用。
这个阶段的团队已经有一个跑通的品类，现金流相对稳定，最大的风险是把成功归因于能力而不是时机。这时候调研的重点应该转向”现有品类的衰退预警”。
具体做法是给核心品类建一套衰退指标：搜索趋势斜率是否转负、竞品数量是否加速增长、平均售价是否持续下移、类目广告 CPC 是否连续三个月上升。这四项里任意两项同时恶化，就应该启动第二品类调研。
这个阶段还有一个高价值动作：用现有的真实经营数据反向校准调研模型。你已经知道自己的实际 ACOS、退货率、头程成本，把这些真实值代入下一次调研的测算里，准确度会明显高于行业均值估算。
这个阶段的痛点是调研结果无法跨站点复用。同一个产品在美国站成立，不代表在欧洲站也成立，因为认证要求、消费习惯、物流结构、竞争格局都不同。
我的建议是建立一套站点差异系数表，把每个站点的关键差异量化为可调整的系数：价格敏感度系数、退货率系数、头程成本系数、广告成本系数。总部做一次基础调研，各站点按系数调整，而不是各做各的。
这样做的好处是调研工作量大幅下降，同时避免了各站点判断口径不一致导致的内部争论。但要注意，系数表本身需要每季度用实际数据校准一次，否则会逐渐失真。
这类卖家的调研对象不只是产品，还包括人群和内容。除了常规的市场规模、竞争结构，还需要调研目标人群的内容消费习惯、搜索意图分布、以及复购驱动因素。
一个实际的做法是：把调研分成”商品侧”和”人群侧”两条线。商品侧沿用前面的四层模型；人群侧重点观察搜索词的意图变化、社媒讨论的情绪倾向、以及竞品用户的复购评价内容。两条线的结论要在定价和内容策略上汇合。
品牌型卖家特别容易犯的一个错误是，用平台型卖家的逻辑做调研，只看销量和价格，忽略人群资产的积累可行性。如果调研里没有”这个人群能不能被沉淀下来”的判断，后面的品牌建设会缺乏根基。
调研系统搭建的过程中，几乎每一步都涉及取舍。下面是我认为最需要提前想清楚的四组取舍。
这是一个被讨论得最多但没有标准答案的取舍。我的判断依据是试错成本的可逆性：如果试错成本可逆（比如备货量小、可以改款、可以调价），就应该压缩调研时间，快速上架；如果试错成本不可逆（比如需要开模、需要认证、首批备货量大），就应该把调研做透。
具体拆下来：开模类产品调研周期建议 30 到 45 天，因为模具成本一旦投入就无法回收；无开模的现货类产品，14 天足够，剩下的交给市场反馈。这个分界线比”统一调研三周”要实用得多。
有些团队倾向于自己搭一套调研数据系统，理由是”数据在自己手里更安全”。我不反对自建，但要算清楚两笔账。
第一笔是开发维护成本。一个能稳定运行的调研数据系统，需要持续处理数据源变化、反爬策略调整、字段口径统一，这些工作量通常在每年 20 到 60 人天之间。第二笔是机会成本。同样的 60 人天用在选品测试和广告优化上，产出可能更高。
我的建议是：调研数据的采集和清洗环节优先采购成熟平台，决策逻辑和阈值参数一定要自建。因为前者是通用能力，后者才是你的核心竞争力。把通用能力外包，把差异化能力留在内部，是效率最高的组合。
我个人的选择是明确偏向可信度。宁可只用三个口径清晰的数据源，也不要用七个口径混乱的数据源。原因是，决策错误的成本远高于决策慢的成本。
一个具体的判断标准：如果你无法解释某个数据是怎么算出来的，就不要用它做决策。这条规则帮我避免过好几次错误，比如某些工具给出的”市场容量”数据，实际上是按类目总销售额除以产品数得到的平均值，这个数字在集中度高的类目里会严重误导。
这是调研系统成熟后的必经之路。我的经验是分三步走：先人工判断并记录理由，再把重复出现的判断逻辑写成规则，最后让规则处理 80% 的常规情况，人工只处理例外。
跳过第一步直接上规则是危险的，因为你会把错误的判断逻辑固化下来。我见过团队设定了”评分低于 4.2 才考虑进入”的规则，但没想清楚评分低可能是因为产品本身难做，结果筛选出来的全是高难度品类。
可以，但要选对哪一层。如果是现货类产品、首批备货小，只做第一层（需求真实性）和第二层（竞争与利润）就够了，第三层只做硬门槛筛查。
但如果是需要开模或认证的产品，第三层必须做，哪怕人手再紧。因为这一层的失败是不可逆的，其他层做错了最多是慢一点，这一层做错了是直接损失现金。
我用的分档是：快时尚、应季类 30 天；常规耐用品 60 天；长周期品类 90 天。另外设置强制刷新触发条件：竞品价格连续两周下调超过 10%、类目 CPC 单月上涨超过 20%、核心关键词搜索量单月下滑超过 15%，任意一项触发就立即刷新。
先别急着改策略，先把偏差拆开。我的做法是分成三类：数据偏差（原始数据本身有问题）、模型偏差（测算逻辑有问题）、执行偏差（策略没错但执行走样）。
三类偏差的解法完全不同。数据偏差要换数据源，模型偏差要调参数，执行偏差要查流程。我见过最可惜的情况是，明明是执行偏差，团队却去改了调研模型，结果越改越偏。
我的标准是：当你能明确说出”什么情况下我会放弃这个品类”，并且这个条件是可以被数据监测到的，调研就基本够了。如果只是觉得”信息差不多了”，那通常还不够。
回到最开始那个卖家。他后来又做了一个新品类，这次他花了 16 天做调研，写了 23 条可验证的假设，其中 18 条在三个月内被证实或证伪。第一个季度结束后，他的新品净利率是 14.8%，没有一件滞销库存。
他自己的总结很朴素：”以前是我在猜市场，现在是市场在回答我的问题。”这句话点出了调研系统化的本质，它不是让你知道更多，而是让你能更快地知道自己错在哪里。
我的核心观点可以浓缩成三句。第一，市场调研是运营系统的一个模块，不是准备工作，它的价值在于产出可调用的参数和阈值。第二，调研的有效性取决于四层模型是否完整，其中履约合规和数据回流两层的缺失最容易造成不可逆损失。第三，调研准确度不靠一次做完美，而靠持续回流校准逐步收敛，前两个周期的偏差是正常成本。
如果你现在就要动手，我建议按这个顺序往下走。第一步，把你最近一次选品的决策理由写下来，标出哪些是可验证的假设、哪些是主观感觉，这个动作大概花 1 小时，但能立刻暴露你的调研盲区。
第二步，选一个正在考虑的品类，用第一层和第二层的指标做一次完整验证，不要贪多，一个品类做透比五个品类浅尝更有价值。数据采集和结构化视图可以用像 数跨境 这样的平台来打底，把节省下来的时间投在判断上。
第三步，从下一个新品开始，强制记录”预估 vs 实际”的三项偏差，转化率、ACOS、退货率。三个月后回看，你会得到一份比任何行业报告都更有价值的、属于你自己的调研校准数据。
做完这三步，你会发现调研不再是一件”应该做但总是没时间做”的事，而是一套每天都在帮你省钱的系统。跨境运营的竞争，最终比的是谁的试错成本更低、修正速度更快，而这两件事，都从市场调研的系统化开始。
我刚开始做跨境的时候，选品全靠感觉，看着某个类目搜索量挺大就冲进去，结果广告费烧了两周才发现前面全是几千条评论的老链接。后来我才意识到，是自己调研的维度太单一了，只看需求端，没看竞争端和利润端。现在每次上新前我都会问自己：这个类目的钱到底能不能落到我口袋里？
只看搜索量和销量一定会踩坑，至少要补齐五类维度。需求规模看月搜索量、类目GMV和Google Trends的三年趋势线，判断是增长还是退潮；竞争烈度看头部集中度和评论门槛，我的经验口径是：类目Top20中前3名销量占比超过50%，基本属于红海，新品很难挤；
Top20评论数中位数低于200条，说明还有缝隙可钻。利润结构要反推：平台佣金（多数站点8%，15%）+头程+仓储配送+广告（成熟期ACOS通常15%，25%）+退货损耗，全部扣完后毛利率低于30%的类目我直接放弃。
合规门槛要看认证、专利和税务，比如欧盟CE、美国FDA、外观专利检索，很多类目不是不能做，而是前期合规成本吃掉半年利润。最后看季节性，用Google Trends看波峰波谷，波峰只有1，2个月的类目，库存和广告节奏极其难控，新手建议先避开。
老板总说先别买工具，用免费的试试，可我用免费工具查出来的数据自己都不太信，总觉得差了点什么。我也纠结过很久，到底是工具不行还是方法不行。后来我把数据源分层用，才发现免费和付费其实解决的是不同问题。
我一般把数据源分三层，按可信度递进。第一层是平台前台数据，Best Sellers榜、新品榜、搜索下拉词、竞品评论区，这些是零成本且最真实的，尤其是差评区，我常常从差评里挖出产品改进点，比如某个爆款前20条差评里有6条抱怨接口松动，这就是差异化的入口。
第二层是免费的第三方和官方数据，Google Trends看趋势，Google Keyword Planner看搜索量和CPC区间，平台后台的类目洞察也能看到搜索词排名变化，这一层可以验证方向，但精度不够。
第三层是付费工具，用于看具体竞品的月销量、流量结构和广告词，通常在单量稳定到每天50单以上、需要精细化选品时再上，性价比才划得来。我的判断是：免费数据能帮你排除明显不该做的市场，付费数据才能帮你确认该做哪一个。
如果预算真的只有几百块一个月，建议先用免费数据筛出3，5个候选类目，再用工具试用期集中导出数据做对比，不要在试用期里东看西看。
我最怕的就是数据看了一整张表，最后还是要靠拍脑袋决定做不做。团队开会时每个人都能挑出一堆理由支持或反对，谁也说服不了谁。后来我干脆做了一张打分表，把主观争论变成客观门槛，效率高了很多。
我的做法是设置一票否决项加打分项。一票否决项有三条：第一，扣完所有成本后毛利率低于30%的不做；第二，类目前10名里超过6个是品牌旗舰店且评论数都在5000条以上的不做，新品获客成本会被拉到无法承受；第三，涉及强制认证或明显专利壁垒而自己没有供应链资源的不做。
通过一票否决后，再按五项打分：需求趋势（近12个月是否稳定或上升）、竞争缝隙（Top20评论中位数是否低于500条）、广告成本（核心词CPC占售价比例是否低于8%）、差异化空间（差评是否集中在可改进的功能点）、复购或关联销售潜力。每项1，5分，总分低于18分我一般会放弃。
这套标准的价值不在于精确，而在于让团队在上新前把风险摆到台面上，尤其是广告成本这一项，很多人只算采购价不算获客价，最后算下来是给平台和广告打工。
我们团队就三个人，运营、美工、发货全包。最开始每次上新我都从头查一遍数据，一个类目查三天，查完数据还过期了，因为竞品价格和广告词早就变了。那时候我才明白，调研不是一次性任务，而是一套要沉淀下来的系统。
我把调研节奏拆成三个频率。类目大盘按季度更新，看搜索趋势、类目GMV和头部格局有没有结构性变化；核心竞品按月跟踪，只盯价格、评论增速、上新节奏和主图变化这四项；关键词和广告数据按周看，因为CPC波动最快，一周不更新就可能判断失误。
沉淀方式是建一份固定的类目档案表，字段固定，每个类目一个sheet，包括需求规模、竞争门槛、利润测算、差异化机会、合规风险五个区块，新人接手也能直接看懂。每次上新只填增量数据，不用重做全部。
另外我会强制写一份决策记录，格式是假设、验证方式、结论、复盘日期，比如假设某功能是差评主因，就用小批量测款或问卷验证，三个月后回看结论对不对。判断依据上，我有一条硬线：某个类目连续两个季度核心词搜索量下滑超过20%，直接移出候选池，不再浪费人力去分析。
读者评论
系统型调研听起来很合理，但小团队未必养得起。我们五人团队也做过字段化立项表，最后因为没人维护废弃了，更新字段比选品还费时间。月销没到一定量级前，可能先把首单压小、止损线设死更实际，调研系统可以等有专人再做。
认同后端成本要拆，但文中宠物推车净利率13%这类数字偏理想。实际海运涨价、退货率波动很快，调研阶段很难算准。我们做家居收纳，最怕体积重和破损补发，这两项前期数据经常缺，所以有些成本只能靠小批量测出来，不能全指望前置测算。
可证伪这个标准很对，但落地时容易变成形式主义。我们之前要求每条结论写推翻条件，结果运营为了填表而填，真正市场变化反而没人看。后来只对定价、备货、止损三个关键假设做月度复盘，效率更高。不是所有结论都值得系统化，抓大放小可能更实际。