2023年下半年，我陪一个做宠物用品的团队复盘他们的一次失败上新。他们花了三周时间，把一个在TikTok上跑得很好的猫砂盆案例从头到尾拆了一遍：视频脚本、达人矩阵、定价结构、赠品组合、评论区话术，甚至连客服自动回复都抄了过去。上线第11天，广告花费8600美元，成交37单，退款率19%，库存压了4200件在海外仓。团队负责人跟我说了一句话，我印象很深：“案例里每一个数字我都看到了，但我不知道哪个数字是能用的。”
这句话基本上就是过去两年跨境电商案例拆解这件事的核心矛盾。案例本身从来不缺，缺的是把案例里的数字还原成“这个市场的需求结构长什么样”的能力。而这一步，几乎全部落在市场调研上。我见过太多团队把案例拆解做成“抄作业”，也见过少数团队把它做成“做实验”，两者的差别不在执行勤奋度，而在调研阶段愿不愿意花时间去验证分母。
这篇文章我想讲清楚一件事：案例拆解的价值不在案例本身，而在你是否能用市场调研把案例拆成可以验证的假设。我会用我自己和身边团队真实经历过的案例，结合可查的行业数据，把市场调研这一环从头到尾拆一遍，告诉你哪一步能省、哪一步不能省、哪一步看着有用其实是在自欺欺人。
先把结论摆出来，后面再用案例和数据去支撑。如果你只记一件事，就记第一条。
任何一个被公开拆解的案例，呈现给你的都是结果层：月销多少、客单价多少、ROI多少、达人数量多少。这些数字之所以能被写出来，是因为它们已经发生了。但结果层的数据天然无法告诉你，同样的动作换个市场、换个时间点、换个价格带，会不会复现。
我做过一个粗略统计：在我们内部复盘的47个“看起来可复制”的跨境案例里，如果不做市场调研直接照搬，能在6个月内跑通盈亏平衡的只有9个，约19%。而这9个里面，有6个是因为供应链成本本身有优势，换句话说，成功的归因根本不是案例拆解做得好，而是供应链红利在兜底。
很多人把市场调研理解成“查一下这个品类有多大”，这只回答了三分之一。我自己的框架是三个递进问题：这个需求是真的吗、这个需求有多大、这个需求的利润留在谁手里。
第一个问题是真伪，解决的是“值不值得做”。第二个问题是规模，解决的是“能赚多少”。第三个问题是分配结构，解决的是“我进去之后排在什么位置”。第三个问题最容易被跳过，也最致命，因为它决定的是你能不能在价格战里活下来。
我见过最常见的错误，是把市场调研当成上新前的一次性动作。实际上调研至少要分三个尺度：选品期的结构调研（1-2周一次）、上新期的竞争调研（3-7天一次）、成熟期的价格调研（每天或每两天一次）。三个尺度问的问题不一样，用的数据源也不一样。
选品期看的是品类趋势和需求缺口，上新期看的是竞品动作和流量成本，成熟期看的是价格带漂移和评论风向。用一次调研的结论去应对三个阶段，本质上是在用过期的地图导航。
这两年数据工具进步非常快，能拿到的数据密度比五年前高了一个量级。但工具解决的是“更快拿到数据”，不解决“这个数据说明什么”。我见过太多团队把工具输出的图表直接当成结论，结果是把别人的平均值当成了自己的机会值。
工具能告诉你市场在哪里，告诉你不了你应该在市场的哪个位置。后半句必须靠你自己的供应链、资金和团队能力去判断。
为了让讨论不飘在空中，我把2023年那个猫砂盆案例的完整拆解过程写出来。这个案例我参与过两次，一次是看着团队失败，一次是帮另一个团队重做。
原始案例是一个美国市场的智能猫砂盆，单价129美元，主要通过TikTok达人视频起量。公开拆解里能看到的信息包括：合作达人217位、主推视频播放量320万、首月销售额约42万美元、退货率6%、复购率约11%。这些数字放在任何一个跨境社群里，都是会被反复转发的“模板”。
第一个团队的做法是全面对标：价格定在119美元（比案例低10美元）、达人数量定在200位、视频脚本按原案例的爆款结构改写、赠品加了猫砂和除臭剂。整个准备周期21天。
第二次接手时，我没有立刻看案例的执行细节，而是先问了四个问题。这四个问题后来成了我拆解任何案例的标准动作：
四个问题里，只有第一个能从公开拆解里部分找到答案，其余三个全部要靠市场调研去补。这就是案例拆解的真实状态：公开信息只覆盖了结果层，原因是空白的。
我后来把案例拆解固定成三个阶段，每个阶段对应一次市场调研。
大多数人只做了阶段一，而且做得非常细，细到视频第几秒出现产品。但阶段二完全跳过，阶段三靠拍脑袋。案例拆解的深度不体现在还原得多细，而体现在验证得多狠。
原因很现实：阶段一是免费的，翻案例、看视频、整理表格，一个人一天能做完。阶段二要花钱、花时间，还要面对“查完之后发现不能做”的心理落差。
我见过一个团队，调研做完发现目标市场的价格带已经被压到79美元以下，而他们的成本结构最低只能做到95美元。负责人犹豫了两周，最后还是上了，理由是“案例明明跑通了”。结果四个月后清仓，亏损约18万美元。调研最难受的地方在于，它有时候会告诉你一个你不想听的答案。
这一节我列出六个我自己踩过、也见过别人反复踩的误区。每个误区我都会给出具体的错误表现和修正方法。
错误表现：看到某个类目在亚马逊上一款产品月销8000件，就判断“这个市场需求很大”。
问题在于，平台销量是供给和需求匹配之后的结果，不是需求本身。一个类目月销8000件，可能是因为这个类目只有三家卖家在做，也可能是因为这个类目有两百家卖家在打价格战，两种情况的含义完全相反。
修正方法：把销量拆成“搜索量 × 转化率”两个变量去看。搜索量代表需求规模，转化率代表当前供给的满足程度。转化率低但搜索量高，说明需求存在但供给没满足好，这才是机会。
错误表现：看到案例定价129美元卖得好，就把自己的价格定在119-139美元区间，认为这是“主流价格带”。
价格带的真实含义是需求分布，不是可定价范围。129美元附近之所以有量，可能是因为这个价位段的商品供给最集中，而不是这个需求最旺盛。我见过一个厨房小家电品类，59-79美元区间占了68%的销量，但90%的利润集中在109-149美元区间。
修正方法：同时看销量分布和利润分布，两条曲线经常不重合。销量高的价格带不一定是利润高的价格带。
错误表现：看到竞品有2万条评论、评分4.6，就认为这个竞品“口碑很好、难以撼动”。
评论数是累积量，不是当期口碑。一个2019年上架的产品可能积累了2万条评论，但近三个月的评分只有3.8。真正应该看的是近90天新增评论的评分分布，那才反映当下的产品体验。
修正方法：把评论按时间切分，看评分和负面关键词的变化趋势。如果近期差评集中在同一个功能点，那说明竞品正在暴露弱点，这就是切入点。
错误表现：看到一个品类连续三个月销量上涨，就判断这是“上升趋势”，然后按趋势斜率备货。
很多品类的销量曲线是季节性的，尤其是户外、节庆、宠物保暖类。连续三个月上涨可能只是进入旺季，而不是趋势性增长。用旺季的斜率去推全年，备货一定会出问题。
修正方法：至少看三年同期的同比数据，把季节因素剥离出去。看同比不看环比，是判断趋势的基本纪律。如果用数跨境这类数据平台看品类趋势，我也会优先看同比曲线而不是月度环比。
错误表现：发现同一个产品在亚马逊卖得好，在TikTok Shop卖得一般，就认为是“平台流量还没起来”，继续加大投放。
平台差异不是损耗，是需求结构差异。亚马逊的用户带着明确需求来搜索，TikTok的用户是内容激发需求。同一个产品在两种场景下的转化逻辑完全不同，用一套素材去打通两个平台，成功率很低。
修正方法：把平台当成不同的市场来看，重新做一遍需求调研，而不是把亚马逊的详情页搬到TikTok上。
错误表现：把数据工具导出的“蓝海类目推荐”直接当成选品清单，按顺序去上架。
工具输出的是筛选结果，不是决策结果。任何工具的算法都在做取舍，它优先呈现的是“数据形态好看”的类目，而不是“适合你”的类目。你的供应链能不能做、资金能不能撑、团队会不会运营，工具不知道。
修正方法：把工具输出当候选池，用你自己的成本模型和团队能力做二次筛选。工具负责把10000个类目筛到200个，你负责从200个里选出1个。
知道误区之后，需要一个可操作的判断框架。我自己的做法是四层验证，每一层有明确的输入、判断标准和否决条件。
这一层要回答的是：案例里的需求，是真实存在的长期需求，还是被流量短期催生的伪需求。
我的判断标准有三条：搜索量是否有稳定的基线、评论里的需求描述是否具体、退货原因是否集中在“与预期不符”。三条里满足两条以上，需求基本为真。
举个对比。我调研过一个“宠物智能饮水机”类目和一个“桌面迷你加湿器”类目。前者搜索量基线稳定、评论里大量提到“猫不爱喝水”“想监控饮水量”，需求具体；后者搜索量起伏极大，评论集中在“好看”“摆件”，退货原因多为“没想象中好用”。前者是真需求，后者很大程度是被短视频流量催起来的外观消费。
这一层要判断的是：这个需求能撑起多大的生意。
我一般用三个口径交叉验证：类目总销售额、头部集中度、中腰部卖家的平均单量。三个口径里，我最看重中腰部数据，因为头部往往是特例，中腰部才代表“普通人能做到什么程度”。
如果中腰部卖家的月均单量低于某个门槛（取决于你的成本结构），那这个市场的规模对你来说就不够，即使它的总盘子很大。市场总规模是给投资人看的，中腰部单量是给运营看的。
这一层要判断的是：你进去之后，能不能拿到合理的流量份额。
我会重点看四个指标：前10名卖家的评论集中度、新上架产品的出单速度、广告位的平均点击成本、以及是否存在明显的价格断层。
如果前10名占据85%以上的评论量，且新上架产品在90天内无法出单，那这个类目就是典型的高墙市场。不是说不能进，而是进去的成本会高到需要重做财务模型。竞争结构验证的作用，是把“能不能做”翻译成“花多少钱能做”。
最后一层要判断的是：把案例的做法迁移到你这里，需要付出多少额外成本。
迁移成本包括四块：内容制作成本、达人合作成本、物流与履约成本、合规成本。很多团队漏掉的是第三、四块，尤其是当目标市场涉及认证、税务和退货政策时。
我的经验是，把迁移成本按乐观、中性、悲观三档估算，然后只用悲观档去算净利润。如果悲观档下依然有正毛利，这个案例才值得进入执行清单。
四层验证全部通过，我才认为一个案例具备可迁移性。四层里任何一层被否决，我都会停手，而不是“先做着看看”。
前面讲的都是框架，这一节讲我实际怎么做调研。数据平台的选型上，我这两年用得比较多的是数跨境（https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys），主要原因不是它数据最多，而是它的数据组织方式比较贴合前面那套四层验证框架。下面我按自己的使用顺序讲。
我打开任何数据平台的第一个动作，都不是找爆款，而是确定分母。所谓分母，就是这个类目到底有多少个活跃卖家、多少个在售SKU、多少条有效搜索。
很多人直接跳到“销量排行榜”，看到第一名月销2万件就兴奋。但如果没有分母，你根本不知道2万件意味着什么。是2万件占类目总量的30%，还是占0.3%？这两种情况的策略完全不同。
我的做法是：先用平台的市场容量数据把类目总盘子拉出来，再看头部集中度。先有分母，再看分子，是市场调研最基本的顺序。
确定分母之后，我会把类目的价格带按分位数拆成五段，然后分别看每段的销量占比、卖家数量、评论增速。这一步的核心不是找销量最高的段，而是找“卖家密度低但销量占比不低”的段。
举个我自己看到的例子。在某宠物用品类目里，最低价格带的卖家密度最高，但销量占比只有19%；中间偏高的一个价格带，卖家密度只有前者的三分之一，销量占比却达到26%。这种结构就说明中间偏高的价格带存在供给不足，是潜在切口。
下表是我当时做的价格带结构记录（数据为我自己的调研记录，做过脱敏处理）：
| 价格带 | 销量占比 | 卖家数量占比 | 近90天评论增速 | 我的判断 |
|---|---|---|---|---|
| 19-29美元 | 19% | 41% | +4.2% | 红海，价格战明显 |
| 30-49美元 | 27% | 24% | +11.6% | 供需相对平衡 |
| 50-79美元 | 26% | 13% | +18.3% | 供给不足，重点观察 |
| 80-129美元 | 18% | 15% | +9.1% | 需要内容能力支撑 |
| 130美元以上 | 10% | 7% | +2.4% | 增速放缓，慎入 |
这张表最有价值的信息不是任何单个数字，而是价格带50-79美元的评论增速（18.3%）明显高于其他段。评论增速代表新进入者正在获得订单，说明这个价格带是有活动空间的。
大部分人看竞品是看产品长什么样、卖多少钱。我更关注的是竞品的上新节奏：多久上一个新品、新品上架后多久起量、起量后多久降价。
这三个时间点组合起来，能告诉你这个类目的竞争节奏。上新周期短说明对手在快速试错，起量周期短说明流量成本低，降价周期短说明利润空间在被压缩。
我调研过一个类目，头部卖家的上新周期是45天，起量周期是21天，降价周期是90天。这个节奏说明对手在用快速迭代抢流量，但价格相对稳定。这种类目适合有开发能力、能快速跟上的团队，不适合产品单一的团队。
这是我认为市场调研里性价比最高的一步。把竞品的差评和中性评论抓下来，按功能点归类，做成需求缺口清单。
我的做法是三类归类：“应该有但没有”的功能、“有但不好用”的功能、“用起来有风险”的场景。第一类对应产品开发机会，第二类对应产品改良机会，第三类对应营销话术机会。
在猫砂盆这个例子里，差评里最高频的三个问题是“清理死角难”“异味控制不稳定”“多猫识别不准”。这三个问题在公开案例里一个字都没提，但它们恰恰是后来那个团队做出差异的地方。
第一个坑是过度依赖销量估算值。早期我会把平台给出的销量估算当成精确数字，用它反推利润，结果发现误差可能超过40%。后来我改成用区间思维：把销量估算当成量级参考，只在同一类目内部做横向对比，不做绝对值的财务测算。
第二个坑是只看热度不看衰减。有一段时间我只看“搜索量增长最快”的类目，结果踩了两个快速退潮的品类。后来我加了一个条件：必须同时满足“搜索量基线稳定”和“近12个月无剧烈波动”，才进入候选。这一步让我避开了不少短期爆款陷阱。
调研做完之后，我要求团队输出的不是一份数据报告，而是一页结论，包含五个部分：需求真伪判断、规模区间、竞争位置预判、迁移成本估算、以及一个明确的“做/不做”建议。
这页结论必须能被非数据背景的同事读懂。如果一份调研结论需要配三页附录才能解释清楚，那说明调研还没有做完。调研的终点不是数据完整，而是判断清晰。
同一套框架，不同阶段的团队执行方式差别很大。下面按常见情况分别给建议。
新手最容易犯的错是调研过度。我建议这个阶段只做两件事：验证需求真伪、估算最低启动资金。需求真伪看搜索量基线，启动资金看首批备货加三个月广告预算。
不要在这个阶段做复杂的竞争结构建模，因为你还没有能力去竞争。先找一个竞争强度低、规模不需要太大的细分市场，跑通一次完整链路，比做一份完美的调研报告重要得多。
这类团队的核心优势在成本，所以调研重点应该放在价格带的下限和成本结构的匹配度上。你的调研目标不是找需求最大的市场，而是找“你的成本能落进去并且还有毛利”的市场。
我建议这类团队把调研的重心从需求侧移到供给侧：先算清楚自己的成本底线，再去数据平台反查哪些价格带的销量占比足够支撑你的产能。顺序反过来，会浪费大量时间。
扩品团队的调研重点在能力迁移度。你现有的达人资源、内容能力、物流方案，能不能直接迁移到新类目。迁移度高的类目，即使规模小一点，ROI也会更高。
我的做法是把现有能力拆成五块：选品、内容、投放、物流、客服，逐块打分，只有迁移度综合评分超过70分的类目才进入候选。这个方法帮我避免了好几次“看起来很美但做不了”的扩品。
独立站卖家的调研重点和平台卖家完全不同。平台卖家看的是站内竞争，独立站卖家看的是流量获取成本和复购结构。
我会重点看两块数据：目标关键词的广告竞价水平、同类独立站的复购周期。如果获取一个用户的成本高于其首单毛利，而复购周期又超过90天，这个市场的现金流压力会非常大。
B端调研看的是完全不同的指标：下游行业的采购周期、客户集中度、以及价格敏感度。平台销量数据对B端参考价值有限，更多要看行业展会信息、海关进出口数据和下游客户的公开采购信息。
这个阶段数据工具的作用会弱一些，但依然可以用来判断终端消费市场的变化趋势，从而间接判断下游客户的采购意愿。
调研不可能做到完美，现实里永远缺时间、缺预算、缺数据。这一节讲怎么在约束条件下做取舍。
如果只有一周时间做调研，我会保留需求真伪验证和价格带结构分析，砍掉竞品上新节奏的长期跟踪。
原因是：需求真伪决定做不做，价格带决定能不能赚钱，这两个是生死问题。上新节奏决定的是打法，是可以在执行中边做边调的。先保生死，再保打法。
预算紧张时，我会优先保住数据工具的订阅，砍掉第三方报告采购。原因是工具数据是持续更新的，报告数据是静态的，而且往往是公开信息的二次加工。
如果连工具预算都没有，那就用最原始的方法：手动抓取竞品的评论、手动记录价格变化。慢一点没关系，但不能不做。
数据缺失是常态，尤其是新兴市场和细分品类。我的补法有三种：
第三种方法我最推荐，因为它把调研从“看数据”变成了“做实验”。当数据不可得时，最小的真实实验比最大的模拟推演更有价值。
我给团队设了三条硬性放弃条件：需求真伪验证不通过、悲观成本模型下无正毛利、头部集中度超过85%且新进入者90天无法出单。三条里任何一条触发，直接放弃，不再讨论。
设硬性条件的意义在于，它把“要不要放弃”这个情绪化决策变成了规则化决策。我见过太多团队在明知不可行的情况下继续投入，理由都是“再试一个月看看”。
我的原则是：结构性问题听调研，执行细节听一线。价格带结构、竞争格局这类结构性判断，调研数据更可靠；素材风格、达人选择这类执行细节，一线团队的现场感觉更准。
把这两类问题混在一起讨论，是最容易吵架也最容易做错决策的场景。
回到开头那个猫砂盆案例。第二个团队最后没有照搬案例，他们做了一件很朴素的事：把案例里的每个数字都当成假设，用两周时间逐条验证。验证结果里，有3条假设成立，4条不成立，2条无法验证。
他们最终只保留了成立的那3条：强化除臭模块、主攻50-79美元价格带、用差评痛点做内容切入点。上线后第60天，月销约1400件，毛利率比照搬案例的第一团队高出约11个百分点。他们没有复制案例，他们复制的是案例背后的需求结构。
我这些年做跨境电商调研，最大的体会是：市场调研不是为了让你更有信心，而是为了让你更早知道哪里不能去。一个能提前否掉三个错误方向的调研，价值远高于一个让你信心满满冲进去的调研。
如果你现在正准备拆解一个案例，我建议你按这个顺序做四件事：
这四步不需要很高的数据能力，但需要你愿意承认一件事：案例是别人的结果，市场才是你的起点。看懂市场调研，本质上就是学会把别人的结果翻译成你自己的假设，然后一条一条去验证。
我之前看别人拆解案例，基本就是列一下类目销量、BSR排名、价格带，然后得出结论说这个品能做。但我自己照着做，选出来的品上架后根本不动，广告一烧就亏。我就很困惑，是不是我漏了哪些关键维度，还是说那些拆解本身就只讲了结果没讲过程？
销量和排名只是结果层指标，真正决定能不能做的是需求结构、竞争结构和成本结构这三层。需求结构看的是搜索词分布和季节性：把一个类目的核心词拉出来，看Top20搜索词里有多少是泛词、多少是精准长尾，如果泛词占比超过六成，说明用户需求分散，新品很难靠单一卖点切入。
竞争结构不只看头部卖家数量，要看头部Listing的上架时间、评论增速和变体数量，如果前五名都是三年以上老链接、评论数上万，说明这是靠时间积累的护城河，不是靠产品力；反过来如果前五名里有近一年上架的新链接，说明这个类目还有流量红利。
成本结构是最容易被忽略的，要把头程运费、平台佣金、FBA配送费、退货率、广告ACOS全部折算进去算净利，很多案例拆解只算毛利就喊蓝海，实际上把退货率按类目均值8%到15%代入后，净利润可能只剩几个点。我现在的习惯是先做这三层的表格，任何一层不达标就直接放弃，不进入选品环节。
我看过好几个案例，同一个类目，有的说月销量五千，有的说两万，价格带也差很多，我拿工具去查又对不上。我就想知道，这些数据到底哪个是真的，我该按哪个口径去判断市场容量，总不能凭感觉拍脑袋吧。
数据口径不一致是常态，关键是要建立一套交叉验证的方法，而不是找唯一真相。第一，明确每个数据的口径定义：是月销量还是近30天销量，是父体还是子体，是否包含变体合并，这些不统一就没法比。
第二，用两到三个来源交叉验证，第三方工具的销量估算误差通常在正负30%到50%，所以不要看绝对值，看数量级和趋势方向是否一致，如果三个来源都指向同一个趋势，这个趋势就可信。
第三，用平台自身的信号做锚点，比如评论增速，一个类目如果头部链接评价数每月新增200条以上，按类目平均留评率3%到5%倒推，月订单量大概在四千到六千单，这个量级和第三方工具对比就能筛掉明显离谱的数据。
第四，对案例里的数据要看它有没有给出时间窗口和取数方式，只给一个数字不说时间的，基本可以判定是二手转述或者为了叙事好看做的模糊处理，这种数据当参考可以，当决策依据不行。我自己的做法是，任何进入选品决策的数据，必须有两个独立来源，并且注明取数日期和口径。
我刚开始做跨境电商，一个月广告预算也就几千块，那些动辄几千上万的调研工具和报告实在买不起。但我又不想完全靠感觉选品，想问问有没有那种花小钱甚至不花钱，但能把市场基本盘摸清楚的实操方法。
低成本调研的核心不是工具，而是把免费和低价资源用到位，关键在筛选逻辑而不是数据量。第一，用平台前台就能拿到的东西：搜索框下拉词和关联推荐能反映真实搜索需求，把核心词的下拉词全部记录一遍，连续记录两三周，看哪些词反复出现、哪些是新冒出来的，这些就是需求变化信号。
第二，看差评，不是看好评，把类目头部和腰部各挑十到二十条链接，把一到三星评价全部读一遍，把抱怨点归类，出现频率最高的三到五个问题就是现有产品的缺口，这比任何工具的需求报告都直接。
第三，用广告做小成本验证，不要一上来就压货，先发少量货或者用一件代发，开一个精准匹配的小额广告组，预算控制在每天十到二十美金，跑一到两周，看点击率和转化率，CTR低于0.3%说明主图或价格有问题，转化率低于类目均值一半说明产品定位和需求不匹配，这个测试成本往往比买报告便宜，而且拿到的是自己店铺的真实数据。
第四，借助免费公开信息，比如平台官方发布的类目趋势报告、行业展会的公开资料、目标市场的社媒讨论，这些都不花钱，但能帮你判断趋势方向。把这四步做完，你对一个类目的判断准确度已经能超过大多数拍脑袋选品的人。
我调研报告写了一堆，结论也有，但到了具体操作就卡住了，比如调研说这个类目价格带集中在二十到三十美金，那我到底定多少，广告词怎么选，感觉调研和实操中间断了一截。我想知道怎么把结论翻译成能执行的动作，以及后面怎么验证调研有没有做对。
调研结论要变成可执行动作，必须做到每一步都有对应的量化指标和验证方式。选品环节，调研给出的需求缺口要转成产品规格，比如你发现差评集中反映某部件容易断，那就在选品清单里明确这个部件的材质和承重要求，写进供应商的验货标准，而不是笼统地说质量要好。
定价环节，不要只盯价格带中位数，要看价格带内的销量分布，如果二十到三十美金这个区间贡献了类目六成以上销量，但三十到四十美金区间的转化率更高、评论数更少，那说明高价区间竞争弱、用户价格敏感度低，可以尝试卡在这个区间下沿定价，用配置差异支撑溢价。
广告环节，调研阶段记录的高频搜索词直接就是广告的关键词词库，把泛词放自动和广泛匹配用来跑量，把长尾精准词放精准匹配用来控ACOS，同时把差评里的痛点词反向写成卖点文案，用在主图和五点描述里。
验证环节，设定三到四个可回看的结果指标，比如上架三十天的自然出单占比、广告ACOS、退货率、评论评分，把实际值和调研阶段的预估值对比，偏差超过三成的部分要回头找原因，是调研样本不够还是执行走样。我自己复盘时会把每个品做一张这样的对照表，做多了以后调研的预估精度会明显提高，这本身就是最难被抄走的能力。
读者评论
小时调研这个数字我信，但小团队执行起来很尴尬。我们团队三个人，选品期真正能投调研的时间最多一天，剩下都是边跑广告边补数据。文章说的阶段二验证很对，可现实里常常是先小预算试投、用真金白银换验证，而不是调研前置。这两条路成本结构不一样，不完全是“愿不愿意花时间”的问题。
个样本里19%跑通、其中6个靠供应链兜底，这个归因我认可，但内部复盘样本可能有选择偏差，失败的案例更容易被拿出来细究，成功的反而没人拆。另外退款率从17.3%降到8.1%，我更想知道两组品类分布是否一致，宠物用品和服饰退货率天然差好几倍，直接对比容易高估调研的作用。
评论按时间切分那段挺实用。我们之前看一个竞品两万条评论、评分4.6就放弃了，后来把近90天差评拉出来，发现集中在一个配件断裂上，换材质后确实抢了一部分量。但这动作依赖评论时间维度，平台前台看不到，得靠第三方工具，而工具的数据完整性参差不齐，执行时经常卡在数据源上。