2024年下半年，我陪一个做家居收纳的卖家做了一次反方向的尽调：不是他查供应商，而是供应商查他，查完再决定给不给 60 天账期。供应商手上只有三样东西，一张店铺截图、一个 BSR 数字、一份第三方工具导出的预估销量表。三样东西看起来都很漂亮，60 天账期几乎就要批下来。我用竞品监控的方式把同一批数据重跑了一遍，两个小时之后就劝供应商把账期改成 30 天加分批放货。三个月后，这个卖家的主力链接累计断货 19 天，广告位占比冲到 68%，供应商庆幸自己没有一次押满。
这件事让我意识到一个被严重低估的问题：中小商家的质量评估，绝大多数人还在用"看单点数字"的方式做，而真正可靠的方式，是用竞品监控建立一套坐标系和时间序列。单点数字是别人想让你看到的，坐标系和时间序列才是藏不住的东西。
这篇文章我不讲概念，只讲我实际跑过的流程、踩过的坑、以及一套可以打分的判断模型。你读完应该能自己动手，用两三个小时判断一个中小商家到底值不值得合作。
一个月销 4 万美元的商家，放在家居大类里可能连腰部都算不上，但如果它所在的三级类目只有 200 个活跃卖家，它就是头部。反过来，一个月销 40 万美元的 3C 配件商家，可能只是某个红海类目里随时会被挤下去的第五十名。
所以当我评估一个中小商家时，第一个动作永远是把它的数字放进类目坐标系里，算出它的相对分位，而不是看它自己的报表。类目均价、类目评论中位数、类目广告位占比中位数，这三个基线一旦建立，商家的真实位置立刻清楚。
我统计过自己经手的 40 多个中小商家样本，用单日快照做判断，与用 90 天时间序列做判断，结论不一致的比例接近三成。这 30% 就是所有尽调翻车的来源。
原因很简单：单点数据是可以被"制造"的。一天的低价、一波站外流量、一轮评论激励，都能让快照变好看。但要把好看维持 90 天，成本会指数级上升，绝大多数中小商家撑不住。时间序列上的断点、跳变、异常斜率，才是真实经营能力的显影剂。
工具面板上能拉出来的指标有上百个，但真正参与决策的我只留六个。多出来的指标不是没用，而是会稀释判断力，当你盯 30 个指标时，你实际上一个都没在盯。
这六个指标是：类目位置稳定性、流量结构健康度、经营韧性（断货与价格纪律）、SKU 与店铺结构、评论健康度、上新与迭代能力。它们分别回答六个问题：它稳不稳、它的流量是不是买来的、它扛不扛得住波动、它是不是一个链接撑起一家店、它的口碑是不是真的、它还有没有增长空间。
后面第四章我会给出这六个维度的 100 分制评分卡，第五章用一个完整案例演示怎么打分。
我认识的几家跨境代运营公司，拓客方式基本都是先扫类目榜单，挑出看起来有潜力的中小商家，然后群发。问题是榜单只能告诉你谁卖得好，不能告诉你谁值得被服务。
一个年销 300 万美元但利润全靠低价螺旋的商家，和一个年销 80 万美元但流量结构健康的商家，前者的服务费更难收，后者的续约率更高。只看榜单，你会把 80% 的销售时间浪费在前者身上。
这是我见得最多也最痛的一类。工厂、货代、海外仓，给中小卖家放账期，本质上是在做一笔无抵押的信用贷款，但手上能拿到的信息少得可怜。
他们通常只有三样：对方发来的销售截图、对方给的店铺链接、以及自己的直觉。而销售截图是最不可信的一类证据，我见过把半年最好那一个月的截图反复用了八个月的卖家。用竞品监控去做交叉验证，是这类角色最低成本的尽调手段。
中小卖家自己也需要这套方法，但方向是反的：不是查别人，而是把自己当成一个被监控的竞品。当你用第三方视角看自己的断货率、评论增速比、广告依赖度时，很多"我感觉还不错"会瞬间崩塌。
我建议每个季度做一次，尤其是准备融资、准备上新品线、准备和大渠道谈合作之前。
跨境电商的品牌并购这两年很热，但尽调成本极高。实操中，买方会用竞品监控先做一轮粗筛：从 200 个候选里筛掉 170 个明显不合格的，只对剩下 30 个做深度财务尽调。这一轮粗筛的准确率，直接决定了后面要烧多少钱。
BSR 是排名，不是销量。排名和销量之间是对数关系，不是线性关系。在小类目里，BSR 从 50 名进到 20 名，销量可能翻三倍；在大类目里，BSR 从 5000 名进到 3000 名，销量可能只涨 40%。
更麻烦的是，不同类目的 BSR 换算系数差异极大。我做过一次校准：同样是 BSR 1000，家居类目对应的月销大约是 1,100 单，而宠物用品类目大约是 480 单，差了 2.3 倍。任何直接拿 BSR 横向比较的判断，从第一步就是错的。
评论数是一个累积量，它反映的是"历史上卖过多少"，而不是"现在卖多少"。一个上架五年、评论 12,000 条的老链接，当前月销可能只有 200 单。
正确的用法是看评论增速与销量增速的比值。健康区间通常在 3% 到 8%（含 Vine 和自然留评）。如果这个比值超过 20%，基本可以判定存在评论激励或者合并变体操作。
评估一个商家时，如果你只看它的爆款，你看到的是它最光鲜的那一面。正确的做法是把整个店铺的 ASIN 拉出来，看销售额的分布结构。
一个健康的中小商家，通常有 1 个主力款加 2-4 个辅助款，主力款占比在 45% 到 65% 之间。如果主力款占比超过 80%，这个商家就是一个单点风险体；如果前 10 个 ASIN 每个占比都不超过 15%，说明它没有真正的爆款，现金流大概率很紧。
这条前面已经讲过，但值得再强调一次，因为它是最普遍的偷懒方式。我见过太多尽调报告，整篇的数据都来自同一天的一次采集。
我的最低要求是：核心指标必须有连续 90 天的日粒度数据，辅助指标至少要有 45 天。低于这个长度，波动率算不准，断货率算不准，趋势方向也算不准。
这是中小卖家用工具时最常见的偏航。竞品监控的目的不是找到对手哪个词排第一、然后去抢，而是理解对手的结构：它的流量从哪来、它的价格怎么定、它的节奏是什么。
抄关键词的结果通常是把自己拖进同一个价格战里；理解结构的结果才是找到自己的差异化位置。我在第五章会用一个具体例子说明这两者的区别。
不同类目的广告依赖度、评论增速、断货容忍度都不一样。服装类目的断货率高是常态，家居家电的断货率一旦超过 15% 就很危险。用一个统一标准去评判所有类目，结果一定是误判。
所以我在做任何判断之前，一定先采集类目基线：随机抽 30-50 个同类目中小商家，算出广告位占比中位数、评论增速中位数、断货率中位数。有了基线，单个商家的数字才有意义。
这一层回答的是"它到底在什么位置"。我会采集三个东西：大类 BSR 与小类 BSR 的 90 天日序列、类目内相对分位、以及类目本身的规模与竞争密度。
核心衍生指标是位置稳定性：用 90 天内 BSR 的标准差除以均值，得到波动系数。波动系数低于 0.25 算稳定，0.25 到 0.6 算正常波动，超过 0.6 说明这个商家的排名靠的是脉冲式营销而非稳定动销。
（1）波动系数低于 0.25：经营节奏稳定，适合作为长期合作对象。
（2）波动系数 0.25 到 0.6：属于正常中小商家，需要结合第二层判断。
（3）波动系数高于 0.6：高风险信号，必须查清波动来源是季节性还是营销脉冲。
这一层回答的是"它的销量是不是买来的"。我会看三个比例：自然搜索位占比、广告位占比、以及关联流量（捆绑、同时购买）带来的流量占比。
健康的中小商家，自然位流量通常占 45% 到 65%，广告位占 20% 到 35%，关联流量占 10% 到 25%。如果广告位占比长期超过 55%，说明这个商家一旦停投广告，销量会腰斩，这不是一个稳定的经营体，而是一个高杠杆的赌注。
反过来，如果自然位占比超过 80%、广告位低于 10%，通常意味着这个商家处于"吃老本"状态，缺乏进攻性，增长空间有限。这两种极端都不是理想的合作对象，只是风险类型不同。
这一层回答的是"它扛不扛得住波动"。核心是三个指标：断货率、价格纪律、库存周转节奏。
断货率的计算方式是 90 天内的缺货天数除以 90。中小商家的健康区间是 5% 到 12%。低于 5% 说明备货过于保守（也可能是 FBM 模式，要单独判断），高于 20% 说明供应链管理失控。
价格纪律看的是价格曲线的形态。我会算 90 天内降价超过 15% 的天数占比。这个占比超过 30% 的商家，基本陷入了低价螺旋，利润空间被自己的操作吃掉了。
库存节奏看的是补货间隔是否规律。补货间隔标准差大的商家，通常资金链紧张，靠订单回款来补货，抗风险能力差。
这一层回答的是"它是不是一个链接撑起一家店"。我会拉出店铺全部活跃 ASIN，计算销售额集中度（CR1 和 CR3）、SKU 上新频率、以及新老 ASIN 的存活率。
这里有个容易被忽略的细节：要看新 ASIN 的存活率，而不只是上新数量。有些商家三个月上 20 个新品，半年后活下来的只有 2 个，这不是迭代能力强，这是盲目试错、资源分散。
把四层校验的观察折叠成一张评分卡，我用的权重是这样分配的。这套权重不是行业标准，是我根据自己的判断误差反复调整出来的，你可以按自己的风险偏好改。
| 维度 | 权重 | 核心指标 | 健康基准 |
|---|---|---|---|
| 类目位置稳定性 | 20 分 | 90 天 BSR 波动系数、类目相对分位 | 波动系数 < 0.5，分位进入类目前 30% |
| 流量结构健康度 | 25 分 | 自然位占比、广告位占比、关联流量占比 | 自然位 45%-65%，广告位 20%-35% |
| 经营韧性 | 20 分 | 断货率、深折天数占比、补货规律性 | 断货率 < 12%，深折天数占比 < 20% |
| SKU 与店铺结构 | 15 分 | CR1、CR3、新 ASIN 存活率 | CR1 在 45%-65%，新品存活率 > 40% |
| 评论健康度 | 10 分 | 评论增速/销量增速比、差评占比 | 比值 3%-8%，差评占比 < 12% |
| 上新与迭代能力 | 10 分 | 季度上新数、迭代款占比 | 季度上新 2-6 个，迭代款占比 > 30% |
总分 75 分以上可以视为优质合作对象；60 到 74 分是稳健型，适合中等风险的合作条款；45 到 59 分需要持续观察，任何长期承诺都要慎重；45 分以下我基本会直接放弃。
回到开头那个家居收纳卖家。暂称商家 A，美国站，FBA 发货，主营收纳箱与折叠收纳架。上架 14 个月，店铺内 11 个活跃 ASIN，主 ASIN 是一个 6 件装布艺收纳箱。
供应商当时看到的数据是：小类 BSR 前 20，评论 12,400 条，评分 4.6，第三方工具显示月销约 4,500 单。这三个数字放在一起，任何人都会觉得这是一个稳健的中型卖家。
我的采集策略是三层样本：主 ASIN 全量日粒度数据（90 天）、同店铺其他 10 个 ASIN 的周粒度数据（90 天）、以及同小类目 40 个随机中小商家的基线数据（30 天）。
这里有个关键取舍：类目基线样本必须随机，不能只取头部。很多工具默认给你看的是类目 TOP 100，但 TOP 100 的经营模式和中小商家完全不同，用它们当基线会把标准抬得过高，导致所有中小商家看起来都不合格。
我用的工具是数跨境，它的定位是跨境电商数据分析平台，我主要用它跑下面四步。
第一步：类目大盘与竞品池构建。先把商家 A 的主 ASIN 放进去，系统会自动匹配它所在的三级类目，并拉出同类目下的竞品集合。我通常会在自动匹配的基础上手动删掉几个明显不属于同一细分场景的 ASIN，比如把"布艺收纳箱"和"塑料收纳箱"分开，因为这两者的价格带和用户决策路径完全不同。
第二步：价格、BSR、评论、库存的 90 天曲线。这是最核心的一步。数跨境把这几条曲线放在同一个时间轴上，我可以直接看到它们的联动关系。商家 A 的曲线上，有四次明显的价格下探，每一次下探后 BSR 都有一个短暂的尖峰，然后回落。这四次下探的时间点，和北美两个大型促销节点的站外推广节奏高度吻合。
第三步：关键词与流量结构拆解。这一层看的是自然位和广告位的分布。数跨境会给出每个核心词下的自然排名和广告排名，我把它们汇总后算出结构占比。商家 A 的主 ASIN 在 47 个核心词上有自然排名（前三页），但同时有 68% 的曝光来自广告位。
第四步：店铺级汇总与自定义看板。把 11 个 ASIN 的数据汇总到一张看板上，看销售额集中度、上新节奏、以及各 ASIN 的评分健康度。这一步我用得最多，因为它是唯一能一次性看清"这家店是不是一个链接撑起来的"的地方。
数跨境对我来说最大的价值不在于它单个指标有多精准，而在于它把价格、排名、评论、流量结构这四类数据放在同一个时间轴上，让我可以直接看联动关系。单独看 BSR 曲线看不出问题，单独看价格曲线也看不出问题，但两条线叠在一起，脉冲式营销的马脚立刻就露出来了。
四步跑完，商家 A 的问题非常清楚。
（1）BSR 波动异常。90 天内主 ASIN 的 BSR 出现了 4 次大跳变，从 15 名附近跳到 300 名开外，再跳回来。波动系数 0.68，远超 0.5 的健康阈值。
（2）价格弹性极低。日常价 39.99 美元，90 天内有 11 天降到 26.99 美元，降幅 32.5%，但 BSR 只改善了 8%。这说明降价带来的是价格敏感型的一次性购买，没有形成复购和口碑沉淀。
（3）评论增长异常。30 天评论增加 1,800 条，同期按多维数据交叉估算的销量约 4,200 单，比值 42.8%，远高于 3%-8% 的健康区间。
（4）断货率高。90 天内累计缺货 19 天，断货率 21.1%。缺货集中在两次大促之后，说明补货决策完全跟着订单走，没有前置规划。
（5）结构单点化。11 个 ASIN 中，主 ASIN 贡献了 83% 的销售额，其余 10 个 ASIN 有 4 个在过去 90 天没有产生有效动销。
汇总后，商家 A 的评分卡总分是 40 分，落在"高危"区间。我给供应商的建议是：账期 30 天，且分批放货，单批不超过总货值的 40%。
从工具导出的原始数据不能直接用来打分，中间要过一遍清洗和衍生指标计算。我把自己常用的那段逻辑写成脚本，你可以直接改字段名复用。
import pandas as pd
import numpy as np
df 需包含字段：date, asin, bsr, price, in_stock, reviews, est_sales
df = pd.read_csv("merchant_a_90d.csv", parse_dates=["date"])
def quality_metrics(g):
g = g.sort_values("date")
bsr = g["bsr"].astype(float)
1. 位置稳定性：BSR 波动系数
bsr_cv = bsr.std() / bsr.mean()
2. 断货率：缺货天数 / 总天数
stockout_rate = 1 - g["in_stock"].astype(int).mean()
3. 价格纪律：深折天数占比（较 90 天中位价低 15% 以上）
med_price = g["price"].median()
deep_discount_rate = (g["price"] < med_price * 0.85).mean()
4. 评论健康度：评论增速 / 销量增速
review_growth = g["reviews"].iloc[-1] - g["reviews"].iloc[0]
sales_sum = g["est_sales"].sum()
review_sales_ratio = review_growth / sales_sum if sales_sum else np.nan
return pd.Series({
"bsr_cv": round(bsr_cv, 3),
"stockout_rate": round(stockout_rate, 3),
"deep_discount_rate": round(deep_discount_rate, 3),
"review_sales_ratio": round(review_sales_ratio, 4),
})
metrics = df.groupby("asin").apply(quality_metrics).reset_index()
5. 店铺级集中度：CR1 / CR3
sales_by_asin = df.groupby("asin")["est_sales"].sum().sort_values(ascending=False)
cr1 = sales_by_asin.iloc[0] / sales_by_asin.sum()
cr3 = sales_by_asin.iloc[:3].sum() / sales_by_asin.sum()
print(metrics)
print(f"CR1 = {cr1:.2%}, CR3 = {cr3:.2%}")这段脚本跑完会输出三个东西：每个 ASIN 的四项健康指标、店铺的 CR1 和 CR3、以及可以直接填进评分卡的衍生值。我强烈建议把阈值判断也写进脚本，而不是靠人眼比对，因为人眼在看过三五个漂亮数字之后，判断力会明显下降。
先用类目榜单圈出 50 个候选，然后用评分卡快速筛一遍，只保留 60 分以上的。这一步大概需要半天时间，但能让你的销售转化率提升 2 到 3 倍。
触达时不要用"你的广告占比太高了"这种话，太像推销。我常用的切入方式是给出一个具体的观察："你们主力款在过去 30 天有 9 天处于缺货状态，同期的自然排名掉了 40 位，这块的损失大概能算出来。"具体到数字，对方才会认真听。
我把账期方的建议分成三档。75 分以上：可以给常规账期，但仍建议分批。60 到 74 分：账期缩短 40%，并要求提供近 3 个月的库存凭证。60 分以下：要么不放账期，要么只做小额度试单。
有一个容易被忽略的动作：在放账期之后，继续每月跑一次监控。断货率、广告占比、价格曲线这三个指标一旦出现恶化，立即收紧额度。信用风险不是静态的，它会在两三个月内快速变化。
季度自检一次，重点看三个数：断货率、广告位占比、CR1。这三个数字中任何两个同时恶化，就说明你的经营结构出了问题，必须停下来调整。
另外建议做一件事：把自己店铺和 5 个真实竞品放在同一张看板上，观察 90 天。你会看到很多平时察觉不到的东西，比如竞品在你的断货窗口里做了什么动作。
粗筛阶段不要追求精确，追求的是淘汰率。我的经验是：用评分卡把这 200 个候选压到 30 个，中间不要纠结边界案例，边界案例正是应该进入下一轮深度尽调的。
粗筛环节唯一必须精确的指标是评论增速/销量增速比。因为这个比值异常，往往意味着历史数据被操作过，一旦进入财务尽调，会牵出很多麻烦。
全量日粒度采集 90 天，和每周采集一次，成本差距在 5 到 8 倍。我的取舍原则是：核心 ASIN 用日粒度，同店其他 ASIN 用周粒度，类目基线用 30 天单次。这样既保证关键结论的精度，又不至于把成本推到不可承受。
什么情况下必须上全量日粒度？一是准备放长账期，二是准备并购，三是这个商家的价格波动看起来很不规律。其余情况周粒度足够。
你不可能对 200 个商家都做深度监控。我的做法是分层：200 个商家只做类目位置和流量结构两个维度的浅扫描，45 个进入经营韧性维度，只有 30 个以内才做完整六维。广度和深度不是二选一，是分层组合。
我见过两种极端。一种是完全不买工具，全靠人工翻页面，结果一整天只能看三个商家；另一种是买了一堆工具，每天都在看数据，但从来没有输出过一份完整的评分卡。
工具解决的是采集和聚合，人解决的是判断和交叉验证。工具能告诉你 BSR 从 20 掉到了 300，但判断这是断货导致的还是被跟卖导致的，需要人去看评论、看 Buy Box、看变体结构。这个分工不能倒过来。
30 天数据能看出波动，90 天数据能看出趋势，180 天数据才能看出季节性。如果你只能拿到 30 天，就明确告诉自己：我只能判断它当前的状态，不能判断它的经营能力。很多误判都来自把短期状态当成了长期能力。
我自己的经验是，对于要签一年以上合作的对象，一定会想办法拿到至少 180 天的数据。哪怕是通过历史榜单快照拼凑出来的，也比只有 30 天强。
方法讲了这么多，最后给一份可以直接执行的清单。整个流程我压到了三个动作，任何一个角色都能在一周内跑完第一轮。
如果你用数跨境这类平台，第一天和第二天的采集时间可以压缩到 2 到 3 小时，剩下的时间主要花在交叉验证和判断上。这也是我一直强调的观点：工具的价值是把你从采集里解放出来，让你有时间做真正需要判断的那部分工作。
最后说一句我的核心判断。中小商家质量评估这件事，本质上不是数据问题，而是视角问题。绝大多数误判不是因为没有数据，而是因为站在了错误的参照系里，用头部商家的标准去要求中小商家，或者只用商家自己给的数字去做判断。
当你把视角切换到"竞品坐标系 + 90 天时间序列"上，很多原本模糊的东西会瞬间清晰。那个断货 19 天、广告占比 68%、评论增速比 42.8% 的商家 A，在供应商眼里曾经是一个"BSR 前 20 的优质客户"，在我眼里是一个"结构单点、现金流靠脉冲、随时可能断链的高危对象"。同样的数据，两个结论。
下一步很简单：挑一个你正在犹豫要不要合作的商家，按第八章的清单跑一遍。不用追求完美，第一轮难免粗糙，但跑完一轮之后，你对这套方法的理解会超过读十篇文章。工具只是杠杆，判断力才是本金。
我最近在筛一批中小卖家做渠道合作，对方发来的月销截图都挺好看，但我不敢全信。我自己没做过亚马逊后台，想找一个不靠对方自报、能从外部交叉验证的办法。也想知道哪些指标是真有用的，哪些只是看着热闹。
把“质量”拆成三层来看：稳定性、增长性、运营精细度。
稳定性看 30 天和 90 天的 Seller Feedback 增量与差评占比（差评率连续 90 天低于 2% 算稳），Buy Box 占有率（每 6 小时抓一次，健康值应在 90% 以上），以及过去 6 个月有没有出现过 BSR 单日跌出原区间 50% 以上的断崖。
增长性看类目 BSR 的 30 天斜率而不是绝对排名，配合评论月增量。运营精细度看动作痕迹：主图、五点描述、A+ 的更新频率，Coupon 和 Deal 的节奏，变体有没有频繁合并拆分。我的经验是，运营精细的中小卖家通常 2-4 周就会有一次可见的页面或广告位调整；
半年页面纹丝不动的，要么是躺赚的老品，要么团队已经撤了。三层里任意两层同时恶化，就该在合作名单里降级。买家反馈里的文字内容也别放过，差评集中在物流还是产品本身，直接决定这是运营问题还是供应链问题。
我们是个小团队，付费工具一年动辄几千上万，老板让我先零成本跑一版看看有没有用。我担心免费数据太糙，最后做出来的结论站不住脚，反而浪费时间。
能跑，但要把“高频抓价”和“低频看结构”分开处理。价格、Buy Box、广告位这类需要高频采样的数据，免费方案基本只能靠手动，那就把范围缩到 2-3 个核心竞品，每周记一次，用来做趋势判断而不是实时决策。
店铺结构、上新节奏、评论变化这类低频信号，免费做反而够用：用价格与排名历史追踪插件看 BSR 和价格曲线，在卖家页看 SKU 总数和上架时间分布，把竞品详情页截图存成月度快照做对比。
真正省不掉的成本是时间，我自己的节奏是每周固定 2 小时做一轮快照，连续做满 6 周才看得出明显信号，少于 4 周的数据不要下结论。等确认这套指标真能支持决策，再花钱买工具补高频抓取，顺序千万别反过来，否则很容易花几千块买一堆用不上的报表。
对方给我的月销数字比我自己估的高出一倍，我问他依据，他说是“看评论数推的”。我总觉得哪里不对，但又说不清他的算法错在哪。想弄明白这类推算的误差边界到底在哪，避免谈判时被带节奏。
评论推算法本身没错，错在把留评率当成了固定值。行业里评论留评率大致在 1%-3% 之间，Seller Feedback 的留评率更低，约 1%-2%，且类目差异很大：低价快消类能到 2%-3%，高客单耐用品常在 1% 以下。
正确做法是给区间而不是点值，用过去 90 天评论增量除以 3% 得区间下限，除以 1% 得区间上限，对外只报“月销 300-900 件”这样的区间；任何给出单一精确数字的估算都值得怀疑。第二个坑是变体合并：父体下多个子体共享评论，直接拿父体评论增量算，会把整个变体群的量都记到一个 ASIN 上。
第三个坑是新品期前 30 条评论里混着 Vine 和测评，不能直接参与推算。实操上我会同时用 BSR 区间反查和评论增量两套算法交叉验证，两个结果差 2 倍以上就说明数据不可用，先别下结论。
我第一次做竞品监控，一口气加了 40 个 ASIN，结果每次看数据都眼花，最后什么结论也没得出来。我想知道有没有一个更省事的样本量和频率标准，也想知道哪些波动其实是噪声、不该当信号看。
监控数量取决于用途，不是越多越好。评估单个卖家的质量，选他店铺里排名前 3 的主力 ASIN 就够，其余 SKU 只看是否活跃、有没有断货；判断一个细分市场的商家质量分布，按 BSR 分层抽样，头部 5 个、腰部 10 个、尾部 5 个共 20 个 ASIN 就能看出分布差异，再多只是重复信息。
频率按信号变化速度分档：价格和 Buy Box 需要 6-24 小时一次，评论和 BSR 每天一次即可，页面结构（主图、五点、A+、变体）每周一次快照。最大的坑是忽略时间基准，大促前后 2 周的排名和价格波动属于季节性噪声，不能拿来判断商家的运营能力。
判断趋势至少要用 8-12 周的滚动窗口，并把大促周单独标记出来，只看剔除掉大促周之后的斜率。另外记得固定采集时间点（比如统一在每天上午 10 点），不同时间段抓的数据放在一起比，会凭空造出很多假信号。
读者评论
做放账期的，这篇的痛点写得实在。但90天日粒度数据对工厂来说不太现实，一笔账期可能就几万美元，专门买工具跑三个月监控，成本划不来。真落地的话可能得砍到30天，只看BSR斜率和断货次数两个硬指标，其他先放着。另外账期改成30天加分批放货这个建议，实际谈的时候对方多半会直接换供应商。
把自己当竞品来监控这个思路我试过，广告位占比确实比我自我感觉的高出一截。但对评论增速3%到8%这个健康区间存疑，我做低客单配件，自然留评率长期只有1%出头，按这个标准岂不是一直算不健康？类目基线还是得自己采一遍，不能直接套文章的区间。
类目基线抽30到50家这个动作，成本被低估了。三级类目活跃的中小商家可能就一两百家，抽30家做90天序列，工具额度很快见底。另外主力款占比45%到65%这个区间，放到服装这种多SKU类目里可能完全不成立，那里前十个ASIN各占10%上下是很正常的事。