先给结论：多店经营的选品工具，本质上只解决三件事
如果你现在手握2个以上亚马逊店铺，正在考虑"要不要上选品工具""上哪一套""怎么用"，我先把结论放在最前面：多店经营场景下，选品工具的价值不取决于它的数据库有多大，而取决于它能不能把"账号隔离、数据归口、跨店去重"这三件事做干净。这三件事任何一件没做到位，工具只会让你更快地踩坑。
我见过太多团队把预算花在"数据库千万级""全站点覆盖"这类参数上，结果买回来发现：采集回来的数据没法按店铺归属，A店的选品结果被B店重复执行，C店的失败教训没人沉淀。工具很好，流程是坏的，最后还是靠人肉Excel。
亚马逊对多账号关联的判定维度，早就不只是IP和MAC地址了。浏览器的Canvas指纹、WebGL渲染特征、字体列表、时区、语言、甚至鼠标移动轨迹，都在判定范围内。所以多店经营的第一道门槛不是选品，是"每个店必须活在一个独立、稳定、可复现的环境里"。
这件事听起来是技术问题，实际是选品工具能不能用的前提。如果你的选品工具需要登录卖家后台抓数据、需要装浏览器插件、需要读取订单和广告报表，那它必然要和你的账号环境打交道。一个在多店环境下会串号的工具，比没有工具危险得多。
同一个ASIN，在美国站看到"月销3000件"，在欧洲站看到"月销800件"，在日本站看到"月销200件"。如果你不做口径统一，就会得出"这个品在美国好、欧洲一般、日本差"的结论。但真实情况可能是：三个站点的统计周期不同、退货剔除规则不同、变体归并方式不同。
我从2022年开始记录自己操盘的选品决策，到2024年底累计约340个候选品进入深度评估。其中因为"口径不一致导致误判"而被淘汰后又捡回来的，占了7%左右。这7%如果一开始口径就是统一的，本可以省下大约两个月的时间。
单店经营，选品的核心是"找到能赚钱的品"。多店经营，选品的核心变成了"找到能赚钱、且不和自家其他店打架的品"。这个变化非常本质。
同一款产品在两个自家店铺同时上架，最直接的后果是内部竞价：你自己的两个Listing在同一批关键词下互相压价，广告成本上升，Buy Box轮换，最后两个人的利润加起来还不如一个人做。
下面这张图，是我在2023，2024年跟踪的四个多店团队（样本量4个，店铺数2，8个）的汇总观察，用来解释"店数增长"和"选品环节人力、重复率"之间的关系。
理解了上面的结论，我们再看背景。多店经营不是"把单店经验复制N遍"，它在三个节点上会发生质变，而绝大多数团队是在质变发生之后才意识到要补工具。
第一个临界点是第2个店。这时候主要矛盾是账号安全，选品还能靠人脑记。你清楚地知道A店在卖什么，B店不会撞上。
第二个临界点是第4个店。这时候主要矛盾变成信息过载。你开始记不住每个店在推什么、推到什么阶段、哪个品已经验证失败过。选品决策开始依赖"印象"而不是"记录"，错误率上升。
第三个临界点是第7个店以上，或者跨3个以上站点。这时候主要矛盾是组织协同。不同运营负责不同店铺，各自的选品标准不一致，供应链资源被重复占用，同一个工厂的同一款模具被三个店分别打样。
我在2024年初接触过一个团队，他们的第7个店开业两个月后才发现，这个店的主推款和自家第3个店的主推款来自同一个供应商、同一个模具，只是颜色不同、Listing标题不同。两个店在同一个类目里互相打了三个月广告。这个损失是可以量化的，但更贵的是团队信任成本。
我把一个5店团队（美国2、德国1、英国1、日本1，团队4人）的选品周工作流完整记录过一次，大致是这样：
这个流程看起来合理，但问题在于：这150个候选ASIN，是从哪个店的角度收集的？如果是从A店的类目出发，那B店、C店很可能被系统性忽略；如果是随便收的，那跨店重复几乎是必然的。
很多团队把选品工具当成"周一下午的那个查询动作"，这是把它放错了位置。在多店经营里，选品工具真正应该覆盖的是从"候选采集"到"立项决策"再到"结果归档"的整条链路。
具体来说，它至少要承担四个角色：跨店的统一采集入口、统一的数据口径层、跨店去重的过滤器、决策结果的结构化仓库。少了任何一个，它就只是个查询器。
下面这张瀑布图，是我按一个5店团队的实际支出结构拆出来的"从0到1搭建多店选品体系"的成本构成，可以看到工具订阅费其实只占一小部分。
接下来我把最容易踩的五个误区拆开讲。它们有个共同特点：单独看都很有道理，放在多店经营场景里就变成了陷阱。
这是最普遍也最危险的认知。多开窗口只解决了"同时操作"的问题，没解决"环境独立"的问题。指纹浏览器厂商在2023，2024年公布的测试数据中反复提到，指纹重复是触发关联审查的首要原因之一。
更隐蔽的风险在于，当你用同一个浏览器环境去登录选品工具，而选品工具又需要读取后台数据时，这个工具本身就成了关联的传导路径。很多团队买工具时只问"数据全不全"，不问"账号模型怎么设计"，这是本末倒置。
我在选工具时会把"账号模型"放在第一顺位考察：它是否支持店铺维度的数据隔离，是否支持一个主账号下管理多个店铺而互不干扰，是否支持按店铺设置不同的数据权限。这三条不满足，后面免谈。
工具给你的是"过去一段时间卖得好的品"，不是"未来会卖得好的品"。这两者之间隔着一个完整的商业判断。
我统计过自己2023年用工具筛出来的候选品，最终立项的有62个。其中真正跑出来（90天动销率超过60%）的有19个，占31%。剩下43个里，有28个是"数据好看但我不该做"，比如供应链搞不定、合规有风险、季节窗口已过。
也就是说，工具的准确率其实不是31%，而是"筛选效率"这个指标。它把150个候选压到20个深度评估，这个压缩比才是它的真正价值。把它当答案机用的人，会把工具给的前10名全部立项，然后亏三次就不再相信工具了。
如果你的5个店是同一个类目、同一个价格带、同一个市场，那共用标准是对的。但绝大多数多店团队不是这样：A店做精品、B店做铺货、C店做清库存、D店测试新类目。
这四种店的选品标准完全不同。精品店看的是"能不能长期做、有没有品牌化空间"，铺货店看的是"上架速度、动销概率、库存风险"，测试店看的是"能不能快速拿到数据反馈"。
用一个标准去筛这四种店，结果就是：要么精品店被塞进一堆短命款，要么铺货店因为标准太严而错过大量机会。多店经营里，"一套标准打天下"是最常见也最贵的管理偷懒。
销量估算这个数字，不同工具的算法差异可以很大。有的基于BSR排名映射，有的基于评论增速反推，有的基于广告位数据采样。三种方法给同一个ASIN的估算，差距达到2，3倍是常事。
我在做跨店对比时，固定用一套口径：同一工具、同一统计周期、同一变体归并规则、同一退货剔除逻辑。换工具可以，但必须整批换、重新建立基线，不能A店用一个工具、B店用另一个工具然后直接比大小。这个错误在新团队里出现的频率极高。
我见过一个团队花了两个月选工具、比参数、做POC，买回来之后发现没人知道该在什么节点用、谁负责录入、结果怎么归档，最后工具躺在那里每月扣费。
正确的顺序是反过来的：先把"候选从哪里来、谁筛、按什么标准筛、结果放哪里、多久复盘一次"这五个问题写清楚，再去找工具填空。流程是骨架，工具是肌肉。没有骨架的肌肉只会瘫在地上。
下面这张帕累托图，是我汇总的2023，2024年约120个选品失败案例的原因分布，可以看到真正"数据判断错误"的比例其实不高。
把误区和背景讲清楚之后，我给出一套我自己在用的五层结构。这五层是有严格顺序的，跳过任何一层，上层的效率都会被下层拖垮。
这一层的目标不是效率，是安全。每个店铺对应一个独立的浏览器环境或设备，固定IP，固定时区、语言、分辨率，长期不变。选品工具如果涉及后台数据读取，必须通过合规的API通道，而不是模拟登录。
我判断这一层是否合格的三个标准：一是"可复现"，任何一天的环境参数都能查得到；二是"可交接"，新人接手时能完整还原；三是"可审计"，出问题能定位到具体时间和操作。
这是多店和单店最大的区别。单店采集，候选池是一个平面列表；多店采集，候选池必须是一个带"店铺标签、站点标签、类目标签、来源标签"的四维结构。
我见过最有效的做法是：候选采集不区分店铺，先用统一的类目和关键词库捞一遍，再在进入评估环节前按店铺做一次分流。这样既避免了"每个店各自采集导致信息孤岛"，也避免了"一个池子被某一个店全吃掉"。
采集来源建议固定四类：类目榜单与新品榜、竞品店铺的全店跟踪、关键词搜索量异动、以及站外趋势信号（社媒、众筹平台、节令）。四类来源按固定配比进入候选池，避免被单一来源带偏。
口径层的核心工作是把不同来源的原始数据，转成一套内部统一的可比指标。我固定用这六个：月销量估算、月销售额估算、日均评论增速、上架时长、变体数、主图review情感倾向。
这里有一个容易被忽略的细节：上架时长这个指标，在多店场景下比在单店场景下重要得多。因为它决定了这个品是"已经被验证过、市场已经稳定"，还是"正在起量、还有窗口"。同一个数字，在不同店铺类型里的解读完全相反。
对铺货型店铺，上架6，18个月、销量稳定的品是好品；对精品型店铺，上架3，9个月、销量在爬坡的品才有价值。你不做这层区分，同一个数据会被错误地用两次。
评分模型的价值不在于它多准，而在于它可复现、可追溯、可迭代。下面是我目前在用的一个简化版配置样例，你可以直接改成自己团队的版本：
# 多店选品评分模型 v3（示例，非 Python 代码，仅表达结构）
店铺类型: 精品店
权重配置:
市场需求分: 0.30 # 月销量估算 + 搜索量趋势
竞争强度分: 0.25 # 头部集中度 CR5 + 平均 review 数
利润空间分: 0.20 # 到岸成本 / 售价，目标 >= 30%
供应链稳定分: 0.15 # 起订量、账期、交期波动
合规安全分: 0.10 # 专利、认证、类目准入
硬性门槛:
月销量估算 >= 300 件
头部 CR5 毛利率 >= 28%
无外观专利高风险
起订量
跨店去重规则:
与现有在售 ASIN 的类目相似度 > 0.85 时，直接拦截
与现有在售 ASIN 的供应链重合度 > 0.60 时，转人工复核
采集周期: 每周一定时拉取，保留历史快照用于回溯
注意最后那段"跨店去重规则"。这是多店经营里唯一一个必须强制执行的环节，它不能是建议，必须是拦截。因为运营在看到一个数据漂亮的品时，理性程度会显著下降。
下面这张漏斗图，展示了一个健康的5店团队每周候选品的筛选路径，以及每一层的通过率。
这一层被绝大多数团队跳过，但它是整个体系能不能自我进化的关键。具体做法很简单：每个立项的品，在90天后打一个标签，起量、平销、失败；失败的要写清楚失败原因，归档到候选池的对应类目下。
这样做的直接好处是：当同一个类目的相似候选品再次出现在候选池时，系统能提示"该方向曾在X月失败，原因是Y"。在多店经营里，这个提示的价值远高于一次数据查询，因为人脑根本记不住几十个失败案例的细节。
下面这张雷达图，对比三种常见的多店选品策略在六个维度上的表现，帮你判断自己该往哪边走。
讲完方法，我拿一套具体工具来讲落地。这一节我用「数跨境」（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）作为样本，原因不是它是唯一选择，而是它在"多店数据归口"这件事上的设计思路，正好对应我上面讲的第二层和第三层。
我评估一套选品工具，会先看它默认的数据组织方式。多数工具的组织方式是"按类目"或"按关键词"，这是单店视角；而多店经营需要的是"按店铺+站点+类目"的三维组织。
数跨境在这方面的处理是：先建立店铺维度，再在每个店铺下挂类目和关键词监控，采集回来的数据天然带店铺归属。这个设计看起来只是数据结构不同，实际影响很大，它让"这个品是不是我们已经在做的方向"变成一个可以自动回答的问题，而不是每周开会靠人回忆。
另外一点是它的数据更新节奏。多店经营最怕的是"数据是上周的"，因为类目窗口期很短。我实测过几次它的核心指标更新频率，基本能支撑"周一定策略、周三调整"的节奏。当然，任何工具的数据都有滞后，关键是你知道自己用的是哪一天的数据。
第一个动作是建立店铺矩阵视图。把5个店按"类目重叠度"和"价格带"两个维度排布，每周看一次。重叠度高的店铺之间必须有更严格的去重规则。这个视图我建议固定下来，不要每次重新拉。
第二个动作是设置分层监控词库。每个店根据自己的定位配一组关键词，精品店配20，30个精准词，铺货店配200，500个宽泛词。数跨境支持按店铺分别配置监控，这就把"不同店用同一套标准"这个误区从工具层面堵住了。
第三个动作是候选池的分流规则。采集回来的候选品先不打店铺标签，统一进入公共池，在进入深度评估前，用去重规则跑一遍，再按每个店的评分模型分流。这个顺序很重要，反过来做会导致公共池永远捞不到新东西。
# 多店候选池分流规则（示例）
步骤1: 公共采集 ， 不区分店铺，四类来源合并
步骤2: 硬门槛过滤 ， 全网统一，销量/毛利/合规
步骤3: 跨店去重 ， 与所有在售 ASIN 做相似度比对
相似度 > 0.85 → 直接拦截
0.60 ~ 0.85 → 转人工复核
步骤4: 按店铺分流
精品店模型 → 权重偏向利润空间与供应链稳定
铺货店模型 → 权重偏向动销概率与上架速度
测试店模型 → 权重偏向数据反馈速度
步骤5: 结果归档 ， 打标签、写结论、进知识库
我在2024年下半年，跟踪了一个从3店扩到6店的团队，在使用统一选品链路前后的90天对比。这个样本量很小，只有1个团队，所以只能当作情景推演看，不能当作行业统计。
使用前（前90天）：候选采集靠人肉，周均约160个；跨店重复选品率约28%；新品90天动销率24%；平均决策周期8天；选品环节周均人力耗时42小时。
使用后（后90天）：候选采集周均约380个；跨店重复选品率降到9%；新品90天动销率提升到37%；平均决策周期缩短到4.5天；选品环节周均人力耗时降到19小时。
需要说明的是，这个改善里，工具本身的贡献大概占一半，另一半来自"把流程写下来"这件事本身。很多团队在梳理流程的过程中就已经发现了一半的问题，工具只是把梳理结果固化了。
我不想把它说得太万能。以下三种情况，我认为它不划算，或者不是最优解。
第一种是单店经营且类目极度聚焦的卖家。如果你的全部精力都在一个类目的20个SKU上，你对这个类目的熟悉度远超任何工具的数据，工具的边际价值很低。
第二种是纯铺货型、SKU动辄上万的团队。这类团队的核心能力是供应链和上架效率，选品的颗粒度要求没那么细，用更轻量的批量采集工具可能更合适。
第三种是没有专职选品人员的团队。工具能提高效率，但不能替代判断。如果没人负责每周跑流程、做决策、写复盘，工具只会变成一个新的订阅项。
选择候选方向时，我习惯把类目放在"竞争度，利润空间"的二维平面上，气泡大小代表该类目的市场容量。下面这张散点气泡图是我在2024年做类目筛选时的一张示意视图，帮你理解这个判断方式。
方法讲完了，接下来按团队规模给具体建议。你不需要照搬，只需要找到和自己最接近的那一档。
这个阶段不要买重型工具，也不要搞复杂流程。你的核心动作是：把候选池和决策记录放在一个固定位置，哪怕是一张表。目标是让三个月后的自己知道你当时为什么做这个决定。
具体做法：每周固定2小时做候选采集，用平台的榜单+竞品店铺两个来源就够；每次立项前写三句话，为什么选、预期是什么、什么情况下止损。这三句话比任何工具都值钱。
工具上，先用轻量的数据查询工具，把预算留给库存和广告。等店数到3个以上，再考虑上系统。
这是最适合上选品工具的阶段，也是投入产出比最高的阶段。核心动作有三个：建立店铺矩阵视图、设置跨店去重规则、按店铺类型分设评分模型。
流程上，建议固定一条周节奏：周一定候选、周三定深度评估名单、周五定立项。所有结果进知识库，失败案例必须写原因。
工具选择上，我会优先看三件事：能不能按店铺维度组织数据、能不能配置拦截规则、能不能导出结构化的决策记录。数跨境在这三点上是我见过的比较完整的一档，可以作为调研的起点。
另外提醒一点：这个阶段最容易犯的错是"为了效率而跳过复盘"。5个店的失败案例积累速度是单店的5倍，不归档就等于每周重新踩一遍坑。
到这个规模，选品已经不是个人能力问题，而是组织能力问题。你需要的不只是工具，还有明确的角色分工：谁负责采集、谁负责初筛、谁负责深度评估、谁负责终审。
我建议设置一个"选品协调人"角色，不负责具体选品，只负责维护评分模型、去重规则和知识库。这个角色不产出直接业绩，但没有它，规模越大越乱。
工具上，除了选品能力，还要看权限体系和审计能力。10个店意味着至少10个人在用，谁在什么时候查了什么、改了什么规则，必须能查得到。
铺货型的核心KPI是上架速度和动销概率，不是单品利润。所以选品标准要放松利润门槛、收紧库存风险门槛。
具体建议：毛利率下限放到18%，22%，但起订量必须控制在小批量，交期波动超过15天的供应商直接排除。去重规则可以适当放宽，因为铺货型的类目覆盖本来就广，过度去重会误杀机会。
工具上优先看批量采集和批量上架的能力，数据深度反而次要。
精品型的核心KPI是单品的生命周期价值。选品标准要反过来：竞争度可以放宽，利润和供应链稳定必须收紧。
具体建议：毛利率下限提到30%以上，起订量不设死线但要求供应商愿意配合改款，去重规则要严格执行甚至加严。上架时长这个指标，重点看3，9个月的爬坡期产品。
工具上优先看竞品跟踪的深度和历史数据的连续性是关键。
最后一部分讲取舍。前面讲的都是"该怎么做"，这一节讲"什么情况下不该那么做"。
广度意味着覆盖更多类目、更多站点、更多ASIN；深度意味着单个ASIN的历史数据更连续、竞品拆解更细。这两者很难同时做到极致。
我的判断标准是看店铺类型。铺货店优先广度，精品店优先深度。一个精品店如果拿到1万个浅数据ASIN，价值几乎为零；一个铺货店如果只有200个深度数据ASIN，覆盖不了基本盘。
折中方案是：用广度数据做初筛，用深度数据做终审。这两层可以来自不同工具，但要注意口径统一的问题，初筛和终审如果口径不同，会出现"筛出来的和最后立项的完全不是一批"的荒诞局面。
统一策略的好处是简单、好培训、新人容易上手；坏处是会牺牲部分店铺的最优解。差异策略反过来。
我的经验分界线是团队人数：5人以下用统一策略，5人以上用分层策略。因为分层策略需要有人维护多套模型和规则，人不够时维护成本会吃掉收益。
还有一个中间选项：硬门槛统一、软权重分层。销量、毛利、合规这些硬门槛全网一套，避免漏掉明显不合格的品；评分权重按店铺类型分开配置，保留差异化。这个方案我推荐给大多数3，8店团队。
自建的优势是贴合自己的流程，劣势是维护成本和数据源成本极高。一个可用的选品系统，光是数据采集的稳定性维护，就需要至少1名工程师长期投入。
我的建议很直接：只有当你已经在做选品SaaS产品、或者你的选品逻辑构成了核心竞争壁垒时，才考虑自建。否则采购更划算，省下的工程量投入到供应链和广告上，回报更高。
如果一定要自建，建议从"流程管理"部分自建（评分模型、去重规则、知识库），数据采集部分采购。这个组合的性价比最高。
实时数据贵，而且多数情况下没必要。选品决策的节奏是"周"级别的，不是"分钟"级别的。你要的是每周一有一份准确的数据快照，而不是每五分钟刷新一次的看板。
例外是季节品和趋势品，这类品的窗口期可能只有2，3周，需要更高的更新频率。我的做法是：常规类目周更，季节类目日更，并提前2，3个月建立监控。
自动化适合处理"量"的问题：采集、去重、初筛、归档。人工复核适合处理"质"的问题：供应链判断、合规判断、类目理解。
我的原则是：凡是可以用规则明确表达的，一律自动化；凡是需要权衡的，一律人工。跨店去重相似度大于0.85直接拦截，这是规则，自动化；相似度在0.60，0.85之间的，转人工，因为这些品往往有差异化空间。
下面这张斜率图，展示了在不同店铺规模下，自动化覆盖率提升对单位选品成本的影响，用来解释"什么阶段该加大自动化投入"。
回到最开始那个团队。他们在复盘之后做的第一件事，不是换工具，而是花了两周把"5个店各自在做什么、做过什么、失败过什么"全部整理成一张表。整理完之后，他们自己就发现了11个重复选品和4个重复询价的供应商。
我的核心观点是：多店经营的选品工具，本质上是一套组织记忆系统，而不是一台爆款预测机器。它最大的价值不在于告诉你哪个品会火，而在于确保你不会第二次走进同一个坑，不会让自家的两个店互相打。
从0到1搭建这套体系，顺序一定是先流程、再口径、后工具。跳过前两步直接买工具，你买到的只是一个更漂亮的Excel。而当你把流程和口径理清楚之后，工具的选择反而变得简单，只要能满足"按店铺组织数据、强制拦截重复、留存决策记录"这三条，就够用了。
如果你现在正准备从单店走向多店，我建议的下一步是三件事，按顺序做：
最后说一句可能不太讨喜的话：多店经营里，绝大多数选品失败不是工具不够好，而是流程里没有一个环节负责"记住"。把这个环节补上，你就已经超过了大部分同行。
我去年刚开始做亚马逊，一个人管两个店，启动资金就一万多块，买工具的钱花出去心里直打鼓。身边有人跟我说用平台后台的免费数据就够了，也有人说不买付费工具根本选不出品。我到底该怎么分配这笔钱？
先把需求拆成发现需求和验证需求两步，两步用的工具完全不一样。发现需求确实可以不花钱：用搜索词排名报告看哪些词在涨、用类目榜单看新品占比（如果一个细分类目榜单前100里有15个以上是近180天上架的，说明这个类目还在给新品机会，反过来前100全是三年前的老链接就别碰了）、用商机类的免费入口看搜索量级。
但验证需求必须付费，因为免费数据给你的是当下快照，而你需要的是历史曲线：一个ASIN过去12个月的BSR走势是平稳、是季节性波动还是断崖下跌，只有付费工具的历史库能拉出来。
起步期的预算分配建议是，工具月支出控制在已实现月毛利的10%以内，第一年只买一个能做BSR历史追踪和竞品销量估算的工具，多合一的套装先别上，等你同时要管三个店以上再考虑。判断标准很实在：如果这个工具的某一项功能你不能在一个月内至少用出一次实际选品决策，那项功能的钱就是白花的。
我手上有三个店，之前图省事在一台电脑上用一个工具账号查所有类目，后来看到有人说这样会被关联，吓得我赶紧停了。可我又实在不想每个店都买一份工具，这个风险到底有多大、边界在哪？
关联风险不来自你用了哪款工具，而来自这个工具是否接触了你的卖家身份信息。判断方法很简单：这款工具是只抓取前台公开页面数据，还是要求你授权登录卖家后台。前者本质上和你用浏览器看别人的listing没区别，不产生卖家身份信号；
后者会把多个店铺的授权绑在同一个工具账号下，如果再加上同一IP、同一浏览器指纹，那才是真正的关联隐患。可执行的做法是三条：第一，优先选不需要卖家后台授权的工具，只做前台数据分析；
第二，如果工具必须授权，每个店用独立的子账号，并且在不同浏览器配置文件加固定独立IP下操作，不同店的授权绝不共用同一个工具主账号；第三，多店共用的选品数据在主表里统一沉淀，但登录环境严格分开。
另外提醒一句，真正容易出事的是用同一台设备、同一个网络同时登录多个卖家后台，选品工具反而是次要矛盾，别把精力放错地方。
我一个店做家居，一个店做户外，本来以为类目不同不会冲突，结果选品的时候发现好几次挑中了同一个供应链的相似款，上架后搜索页里两个自己的链接挨着，广告费互相抬。这种情况到底怎么提前避免？
核心动作是建一张跨店选品主表，字段至少包含ASIN、所属店铺、类目节点、目标售价、预估毛利、核心关键词、竞品BSR区间、上架时间、差异化点。
每次新品立项前先跑一次查重，查的方式不是比产品名，因为不同类目命名完全不同，而是用供应商货号加核心关键词做交叉检索，同一个供应链出来的产品只允许在一个店铺做，除非你能做出明确的价格带区隔或规格区隔（比如一个店做单件装走性价比，另一个店做套装走利润款）。
判断依据是搜索结果页的自我竞争：如果两个自己的链接在同一个核心词的前三页同时出现，点击会被分流，评论权重被摊薄，广告上你还得跟自己的另一个链接抢同一个广告位，实际表现就是CPC被自己抬高。
测过一次就能明白，同样的词、同样的竞价，两条自己的链接同时投的时候单次点击成本明显高于只投一条，这时候要么合并到主店，要么给弱势链接换关键词重新定位，不要硬扛。
工具明明显示这个款月销800单，我信心满满备了货，上架一个月只出了60多单，货压在海外仓天天烧仓储费。我现在完全不知道该不该继续信这些数字，有没有办法自己验证一遍？
工具的销量估算是用BSR和类目映射反推出来的，类目越小、季节性越强、变体合并越多，误差就越大，某些细分类目偏差能到两三倍，所以它只能当排序参考，不能当备货依据。验证至少要做三路交叉。
第一路，手动记录目标ASIN连续30天的BSR，对照该类目的BSR与销量对照关系，看它的排名是在稳定区间还是靠短期秒杀冲上去的。第二路，用评论增速反推，统计这个ASIN近三个月每月新增评论数，除以该类目大致的留评率区间来估算订单量，注意索评力度强的卖家留评率会明显偏高，估出来要往下压。
第三路，看跟卖和变体情况，如果一个父体下挂着十几个变体，工具的销量数字往往是整条父体合并的，单变体实际销量可能只有几分之一。三路结果如果有两路以上差距超过50%，这个品就该重新评估，别直接下单。
翻车之后最有价值的动作是把实际出单数据和当初的估算记在同一张表里，跑上十几个品，你会摸出这款工具在你这个类目里系统性地高估还是低估多少，之后按这个系数打折再决策，比换工具更有用。
读者评论
文中那组店铺数与选品人力消耗的柱状图，样本只有4个团队，店铺数从2到8个，说实话样本量偏小，结论当参考可以，直接拿来做预算依据有点冒险。另外单店新品90天动销率从38%掉到19%，这个降幅是不是混入了类目变化和平台流量波动的因素？
关于口径统一那段我深有体会。我们两个店分别用不同工具查同一个ASIN，一个报月销2800，一个报月销900，差点按前者备货。后来统一口径重跑才发现是变体归并方式不同。但这个成本文章里算6万一年，我觉得算保守了，0.5人干4个月，光沟通成本就不止这个数。
帕累托图里供应链问题排第一占25.8%，这个和我自己的失败清单对得上。但问题是供应链能力很难在选品阶段就被工具识别，起订量、账期、品控这些都是跟供应商谈完才知道。工具能拦住的是跨店同质化那20%，剩下的大部分还是得靠人。所以我不太认同把选品工具放到这么核心的位置。