2024 年 3 月，我陪一个做家居收纳的亚马逊团队做了一次选品工具复盘。团队 6 个人，年 GMV 约 320 万美元，主攻美国站和德国站，一年在选品工具上的订阅支出合计 4.7 万元人民币。听起来不算多，但当我们把他们过去 12 个月的立项记录全部拉出来对齐时，发现一个尴尬的事实：只有 9 个立项里，有 3 个真正在决策会上引用了工具的数据字段，剩下 6 个靠的是"我感觉这个品能起"。
更麻烦的是，那 3 个引用了数据的立项，事后复盘时没人能说清楚当时看的是哪几个指标、阈值是多少。工具买了，数据看了，决策链却没留下痕迹。半年后同类品再出现，团队还得从头查一遍。
这篇文章我想用几个真实案例，拆解一个问题：亚马逊团队到底该怎么判断一个选品工具方案值不值得买、买哪一种、什么时候该换。我的核心立场是：选品工具买的是"可复现的排除能力"，不是"找到爆款的能力"。谁先想明白这句话，谁就能少花冤枉钱。
在展开案例之前，我先把这三年积累下来的判断框架摊开。如果你只想要答案，看完这一节基本就够了；如果你想知道这些结论是怎么被验证出来的，后面七节会逐个拆。
好机会从来不是工具找到的，是人的行业嗅觉加上供应链资源碰出来的。工具真正能做的，是把 200 个看起来都能做的 ASIN 快速筛到 20 个，让你把宝贵的时间花在值得深挖的那 20 个上。
我在 2022 年做过一次对照：同一个团队，一组用纯人工方式初筛，一组用工具辅助初筛，两组最终立项的品在 90 天存活率上差不多，但人工组平均要花 6.5 小时/款做需求验证，工具组只要 1.8 小时/款。差距不在结果质量，在单位时间能覆盖的候选数量。
大部分人选工具的顺序是反的：先看别人推荐什么，再想自己怎么用。正确的顺序应该是先把团队现有的选品决策链路画出来，从线索来源、初筛、需求验证、利润测算、合规检查到立项评审，每一步谁负责、看什么指标、阈值多少。
链路画完之后你会发现，有些环节根本不需要工具，有些环节工具能省掉 70% 的时间。工具是链路的补丁，不是链路的替代品。我见过最离谱的一个案例，团队买了一个功能极全的平台，最后只用了里面的"竞品销量估算"一个功能，其他模块因为跟自己的流程对不上，压根没人打开。
数据源覆盖度好理解：能不能覆盖你做的站点、类目、变体层级、历史周期。但这只是上限。真正决定这个工具能不能在团队里活下来的，是每一个数字能不能被解释清楚"它从哪来、怎么算的、什么情况下会失真"。
我判断一个工具是否合格有个土办法：随便挑一个销量估算数字，问对接的顾问或产品文档三个问题，这个数字是基于评论反推还是基于类目排名反推？爬取频率是多少？季节性类目里它有没有做季节修正？回答含糊的，基本可以判定为黑箱。
功能对比表是最没用的选型材料，因为所有工具的销售都会把功能列得一样长。有效的做法是回溯验证：拿你过去 6-12 个月已经做过、并且已知结果的项目，丢进候选工具里跑一遍，看它当时会给出什么结论。
如果工具在你已经失败的品上给出了"高潜力"评分，说明它的模型跟你的真实经营场景不匹配；如果它在你成功的品上给了低分，那更要小心，说明它对细分需求的识别有盲区。这一步我建议每个候选方案都做，成本很低，但能排掉 80% 的错配。
年费 2 万还是 8 万，本身没有意义。有意义的算法是：年费 ÷ 一年内真正用工具支撑的立项数量 = 每个决策的工具成本。
如果一年只立项 10 个，2 万块的工具等于每个决策摊 2000 元；如果一年立项 60 个，同样的工具每个决策只摊 333 元。同样一笔钱，价值差 6 倍。这也是为什么小团队不应该照搬大团队的采购清单。
说回开头那个家居收纳团队。我把他们的画像和当时的状态写清楚，因为选型建议脱离具体场景就是废话。
团队构成是：1 个老板兼选品负责人、2 个运营、1 个美工、1 个供应链、1 个客服兼助理。美国站占 65% 营收，德国站 25%，日本站 10%。主品类是家居收纳，SKU 数维持在 40 个左右，每年主动上新 12-15 个。
这个规模有个典型特征：已经过了"拍脑袋也能赚钱"的阶段，但又养不起专职的选品研究员。选品是老板和运营兼职做的，每个人每周能挤出来的选品时间大概 6-8 小时。
第一件事发生在第 12 天。运营在美国站看到一个折叠收纳箱的竞品半年涨了 4000 条评论，用工具查了下月销量估算 8000 件，毛利率算下来 32%，老板当场拍板立项。
第二件事发生在第 45 天。首批 1200 件到仓，上架两周后发现真实转化率只有预估的三分之一。回头查才发现，竞品的评论增长里有大约 40% 来自变体合并，不是自然增长。工具当时并没有给这个信号做任何提示。
第三件事发生在第 78 天。这批货最终清了 5 个月，加上长期仓储费和清货折价，单这一款净损失约 40 万元人民币。差不多等于他们团队一年半的工具预算。
复盘时我把他们的成本分成四块：工具订阅 4.7 万元/年、选品人力投入折算约 28 万元/年、试错损失 40 万元/年、机会成本（占用的现金流和团队精力）无法精确计量。
结论是：工具费在他们所有成本里只占 6%，而它影响的试错损失占了 55%。省工具费的性价比极低，选错工具的代价却极高。这个结构在中小卖家里非常普遍。
很多人以为选型的目标是省钱。但从这个案例看，团队真正的问题不是买贵了，而是买的那个工具的强项，跟他们的高频决策场景不匹配。他们需要的是"识别伪信号"的能力，工具给的却是"发现新机会"的能力。
下面这五个误区，是我在最起码 20 个团队身上反复见到的。我按"出现频率 × 平均损失"排了序，越靠前的越普遍，但损失最大的不是最普遍的那个。
数据量大是最容易做的营销点，也是最容易骗人的。见过一个工具的销售话术是"覆盖 20 亿条商品数据"，听起来很唬人，但当你具体到"德国站家居类目、变体层级、最近 90 天的评论增速"这个口径时，可用样本可能只有几百条。
我判断数据可信度看三个点：更新频率（是日更还是周更）、样本口径（是否区分站点和变体）、缺失率（查不到数据的比例有多高）。缺失率这个指标几乎没人宣传，但它最能说明问题，一个工具如果对某个类目 40% 的 ASIN 都返回空值，那它在选品会上是帮不上忙的。
类目排名高不等于值得做。我见过太多团队盯着 BSR 前 5000 的品，却没意识到这些品大多已经处在成熟期的后半段，评论壁垒高、广告成本高、利润被压得极薄。
我的经验是把自己做的类目按"上架时长"分层看：上架 6-18 个月的品，才是中小卖家最有切入机会的窗口。太新的品需求没验证，太老的品壁垒太高。工具里如果有上架时间维度的筛选，一定要用起来。
这是最危险的一条。工具给的评分是"综合加权后的参考值"，它没法知道你的供应链能不能把成本压到那个水平，也没法知道你的现金流能不能撑住 90 天回款周期。
我的做法是把工具评分当成排序工具而不是判断工具：用评分决定先深挖哪几个，而不是决定做不做。真正决定做不做的，永远是深挖之后的三件事，供应链成本能不能达标、现金流能不能撑住、有没有合规风险。
这个误区出现频率不高，但单次损失最大。外观专利、商标抢注、类目认证（比如欧洲的 CE、美国的 FCC）、平台限售类目，任何一条踩中，前期所有投入都可能打水漂。
我在 2023 年见过一个案例，团队做宠物饮水机，做到月销 4000 件，突然收到外观专利投诉，链接直接下架，库存 2000 多件砸在手里没法在平台内清，最终转线下渠道处理，净损失接近 60 万元。
很多团队买工具的逻辑是"6 个人，买 6 个账号"。但选品的决策节点其实只有几个：初筛、需求验证、利润测算、立项评审。真正需要高频使用工具的是初筛和验证这两个节点，可能只需要 2-3 个账号；评审节点看的是一份导出报表。
按人头买的结果就是账号闲置率极高。我统计过一个小样本，8 个团队的选品工具账号周活跃率中位数只有 43%，也就是说超过一半的钱花在了不登录的账号上。
下面这套四层筛选逻辑，是我从 2021 年到现在逐步收敛出来的。它不是某个工具的功能清单，而是一套你可以在任何工具上实现的判断顺序。工具只是加速器，筛子本身才是核心资产。
需求侧要回答的问题是：这个需求是真实、持续、可触达的，还是被短期事件放大的？我主要看四个信号。
供给侧要回答的是：这个赛道的门槛是什么，我能不能跨过去。我一般看三个维度。
评论壁垒是第一道，看类目搜索首页有多少产品评论数超过 1000 条。如果前 16 个自然位里有 12 个都是千评大卖，新品的自然曝光会非常艰难。
卖家集中度是第二道，看前 10 名卖家的销量占类目总销量的比例。超过 60% 就说明这个类目的头部效应很强，新进入者只能吃边角需求。
变体拆分的营销手段是第三道，也是我吃过亏的地方。要留意竞品是不是通过变体合并快速积累评论数，这类数据显示出来的"评论增长"具有误导性。
利润结构是最容易算错的一层。大部分团队只算"售价 – 采购 – 头程 – 平台佣金 – FBA 费"，然后得出一个漂亮毛利率，忽略了下面这几项。
我的经验阈值是：把上面五项全部计入后，净利率仍能保持 15% 以上的品，才值得立项。裸毛利率低于 35% 的品，基本不用往下算了。
这一层的检查成本最低，但拦截价值最高。我固定查四项：外观专利检索、商标检索（目标站点）、类目认证要求、平台限售政策。
这四项不需要多深的专业能力，但需要一个已经固化的检查清单。把清单做成模板，每次立项前必须逐项打勾，比事后补救便宜太多。
四层筛完之后，我会用一个加权公式把结果合成一个 0-100 的分数。权重不是固定的，但结构固定，这样不同项目之间可以互相比较。
# 选品综合评分（示意实现，仅为说明加权结构）
weights = {
"demand_score": 0.30, # 需求侧可信度 0-100
"competition_score":0.25, # 供给侧友好度 0-100（越高越友好）
"profit_score": 0.30, # 利润结构 0-100
"risk_score": 0.15, # 风险与合规 0-100（越高越安全）
}
def composite(scores: dict) -> float:
total = sum(scores[k] * w for k, w in weights.items())
return round(total, 1)
立项门槛经验值：
>= 70 可进入深度供应链验证
55-70 观察名单，补数据后再评这套算法的价值不在于算得多准，而在于它让决策过程可追溯。半年后你回头看，能清楚地知道当时每一个分数是多少、依据是什么、事后看哪一层的判断偏了。这才是团队能力真正沉淀的地方。
说明: 这张漏斗图展示的是筛选的收敛比例，帮助团队判断"每筛出一个可立项产品需要多大的初筛池"，从而决定工具需要多高的初筛吞吐量。
理论说完了，我用一个具体平台把上面的流程跑一遍。之所以用数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）做样本，是因为它的产品定位比较贴合中小团队的实际决策链路，不是堆功能，而是围绕"选品，分析，决策"这条线组织的。
我评估一个平台是否"可解释"，会看它是不是把数据来源和计算口径放在用户能看到的地方。数跨境在类目分析、关键词分析、竞品分析这几块，会把指标的统计维度和时间窗口标出来，这一点对建立团队内部统一口径很重要。
统一口径的价值被严重低估。我见过一个团队，运营 A 说某个品月销 8000，运营 B 说月销 3000，两个人用的是不同工具的不同口径，在会上吵了四十分钟，最后还是拍了脑袋。工具的价值之一，就是让全团队说同一种语言。
这是我 2024 年第二季度参与的一个项目，厨房类小家电，客单价 39.9 美元。
在数跨境的类目分析里，我先按"月销量增长率"和"平均评论数"做了一次交叉筛选，把月销增长率高于 15%、但首页平均评论数低于 800 条的细分赛道挑出来。这一步从大约 340 个细分赛道收敛到 27 个。
对 27 个赛道逐个看关键词的搜索趋势和季节性系数。有 11 个赛道因为季节性过强被剔除，旺季搜索量是淡季的 3 倍以上，对现金流要求太高。剩下 16 个进入下一轮。
这里用到了竞品分析模块。我重点看两个东西：前 10 名卖家的销量集中度，以及新品上架后的评论增长速度。如果一个赛道的头部集中度低于 45%，且过去 6 个月有 3 个以上新品进入前 20 名，说明这个赛道对新进入者相对友好。
16 个赛道里，符合这个条件的有 5 个。
5 个赛道逐个做供应链询价。最终有 1 个品在计入广告费 28%、退货率 7%、头程波动 10% 的假设后，净利率还能做到 19%。合规方面，这个品不需要特殊认证，外观专利检索也没查到有效障碍。
2024 年 6 月立项，8 月上架。上架第 90 天的数据是：日销 62 单，广告占销售额 24%，净利率 16.8%。比预期低一点，但在可接受区间。
这个案例我觉得比成功的更有价值。同样是 2024 年第二季度，一个宠物饮水机项目，在初筛和需求验证阶段表现都很好，搜索量稳定增长，类目集中度也不高。
被否掉是在利润测算阶段。这个品需要一个小型水泵，供应链询价后发现，要满足目标售价 29.9 美元的成本结构，水泵只能用低一档的规格，而低规格水泵的故障率在同类产品评论里被反复提及，退货率预估会到 15% 以上。
把 15% 的退货率代进去，净利率从 21% 掉到 6.4%，直接低于立项门槛。项目被否。
这个案例说明一件事：工具能告诉你"这个市场有机会"，但它不能告诉你"你的供应链能不能接住这个机会"。最终否决决策的还是人的判断，工具只是让这个判断有了量化的依据，不至于变成"我觉得行"或"我觉得不行"。
把这套流程在他们团队跑了两个季度，我记录了几个观察值。
第一，立项周期从平均 42 天压缩到 21 天。压缩主要发生在初筛和需求验证环节，深度的供应链询价环节时间没变，因为那部分本来就不该被压缩。
第二，90 天存活率从 31% 提升到 58%。提升不是因为我们变得更会选品了，而是因为我们更早淘汰了那些注定做不成的品。
第三，单款验证工时从 6.5 小时降到 1.8 小时。这个数字的下降幅度最大，也最直接地体现在团队的日常感受上，选品不再是每周要专门腾时间做的苦差事。
下面按团队阶段分四类。我不建议跨阶段照搬，因为每一类的核心矛盾完全不同。
这个阶段的核心矛盾是现金流紧张，经不起试错，但同时又最需要试错来找到方向。我的建议是：不要买贵的，但要买"能帮你少犯错"的。
这个阶段的核心矛盾是人力跟不上 SKU 扩张速度。6-15 人的团队，每个人都在多线程工作，最缺的是"标准化"。
建议把工具当成流程载体来用：四层筛子固化到工具里，每个环节的产出都必须能在工具里留痕。账号数量按决策节点配，初筛和验证各 2-3 个，评审用共享报表。
这个阶段我最推荐的一步是建立"选品决策档案"，每个立项项目在工具里挂一个标签，记录当时的评分、关键指标、否决或通过的理由。一年后回看，这份档案就是团队最值钱的资产。
核心矛盾变成跨站点数据口径不统一、决策分散。同一款产品在美国站和德国站的表现可能完全相反，如果两个站点的负责人用不同的数据源，内部沟通成本会爆炸。
这个阶段必须做的一件事是：统一数据源和指标定义。宁愿牺牲一点功能丰富度，也要保证全团队看的数字是同一套。工具选型上，跨站点覆盖能力和指标口径一致性，优先级高于单点功能的深度。
这类团队的优势是成本，劣势是离终端需求远。核心矛盾是产能已经投下去了，需要找到能消化产能的品。
我的建议是反着用工具：先锁定几个可行的需求方向，再反推自己的产线能不能改造出对应产品。不要被工具推荐的高潜力赛道牵着走，那些赛道往往和你的产线能力不匹配。
选型到最后，几乎都是取舍问题。下面四组取舍我几乎在每个项目里都遇到过。
覆盖站点多、类目全的平台，通常在单点的指标解释上做得浅；反过来，深耕某个环节的工具解释得清楚，但覆盖不全。
我的判断规则是：如果你的选品决策里"跨站点对比"权重高，选广度；如果"单站点单类目深挖"权重高，选可解释性。很难两者兼得，也不用强求。
自动化能提高吞吐量，但会掩盖异常。我的做法是设置"自动筛选 + 人工复核"的双轨：自动筛选负责把 200 个收缩到 20 个，人工复核负责从 20 个里挑出 6 个。
全自动的选品清单我从来不直接用。因为真正好的机会，往往藏在那些"数据看起来一般但你知道它有特殊原因"的地方，比如某个品类的销量下滑是因为头部卖家断货，而不是需求萎缩。这种判断，目前还得靠人。
年费制的单位成本低，但会形成"买了就必须用"的心理压力，可能导致为了用而用。按需付费灵活，但高频使用时成本会失控。
我的经验分界线是：如果团队每月至少做 3 次以上的完整选品分析，年费制更划算；如果只是偶尔查数据，按需付费不会浪费。判断标准是你的实际使用频次，不是你的团队规模。
一体化平台的优势是数据口径统一、切换成本低；单点工具组合的优势是每个环节都能用最强的那个。
对 15 人以内的团队，我通常推荐一体化平台。因为小团队最大的成本是"切换和整合"，不是"单点功能不够强"。等到团队超过 20 人、有了专职的数据岗位，再考虑单点组合也不迟。
如果你现在正在选型，我建议不要一次性签年费，先用 30 天做一次小规模验证。这套方法我用过至少 8 次，能有效排掉错配。
把过去 6-12 个月的立项记录整理出来，每个项目标注：最终结果（成功/失败/停止）、当时的关键判断依据、实际投入成本。这份基线是你后面所有对比的参照物。
没有基线的验证是没有意义的。这也是大多数团队跳过的一步，导致后面所有的"感觉效率提高了"都缺乏支撑。
拿基线里的 5-8 个项目，丢进候选工具跑一遍，看它给出的评分和结论是否和真实结果一致。重点看两类错判：在失败项目上给了高分，在成功项目上给了低分。
错判率超过 30% 的候选方案，基本可以直接排除。这个阶段的验证成本大概是 8-10 小时，但能省下几个月的试错时间。
选 1-2 个新项目，用新工具和原来的方式并行做一遍完整分析，记录每个环节的耗时和产出质量。这个阶段最能暴露工具是否真的贴合你的流程。
我特别建议记录一个数字：从"看到线索"到"形成可评审的立项材料"，总共花了多少小时。这个端到端的数字比任何单点功能的效率都更能说明问题。
把前面三个阶段的记录汇总，回答三个问题：回溯错判率是否可接受？并行跑是否真的省时间？团队是否愿意持续用它？三个都是"是"，就签；有一个"否"，就换方案或先不买。
最后一条"团队是否愿意用"经常被忽略，但它决定了工具 12 个月后的实际使用率。一个再好用的工具，如果团队不习惯它的交互逻辑，半年后就会变成摆设。
回到开头那个 40 万元的损失。那笔钱如果换算成工具预算，够他们买 8 年的选品工具。但问题从来不是"该不该买工具"，而是买的工具能不能嵌进你的决策链路，能不能让每一次判断都留下可追溯的痕迹。
我给过很多团队一个略显反直觉的建议：先别急着买工具，先把你的选品决策链路写下来。写完之后你大概率会发现，你真正缺的不是"更多数据"，而是"一套固定的判断顺序"和"一个能承载这套顺序的地方"。
顺序是资产，工具是载体。顺序不对，再贵的工具也是给拍脑袋加了一层数据的包装；顺序对了，哪怕先用一张表格，判断质量也能提升一大截。
如果你现在正准备做选型，我建议下一步做三件事：
选品这件事没有一招制胜的方法，但有可以被复利的判断。工具的价值，就是让每一次判断都比上一次更清晰一点。
我上周连着看了四家工具的演示，每家都说自己数据最全、AI 最准，PPT 翻完我反而更懵了。销售讲的功能我一半用不上，可又怕漏掉关键的，回头买完才发现缺东西。
先做减法再做对比。把需求拆成必须有、加分、无所谓三档，必须有这一档硬性控制在五条以内，超过五条基本等于没想清楚。我自己的必须有清单通常只有这几项：数据源是否来自平台官方接口（比如品牌分析、广告接口）而不是纯爬虫；更新频率是日更还是周更，做快消和季节品必须日更；
历史数据能不能回溯到 24 个月以上，少于这个长度看不出季节性；类目和站点覆盖是否包含你主力出单的那两三个细分类目；能不能导出 CSV 或调 API，方便和你自己的后台数据对账。演示环节别让对方按剧本走，直接指定你自己的三个类目、五个 ASIN，让他在你面前现场跑一遍，看结果能不能复现、耗时多久。
能当场复现的才算功能，只能事后补录的通常要打折看。
去年我咬着牙想升级工具，一算年费比我半年的利润还高，纠结了两个月。身边有人说不用工具根本选不出品，也有人说不买照样做，我实在分不清谁说得对。
给你一个可量化的判断口径，符合任意两条再考虑付费：在售 SKU 超过 20 个、月广告花费超过 3000 美金、每周花在选品调研上的时间超过 5 小时。三条都不沾的话，把预算先留给试单更划算。真要算账，用工具年费除以 12 再除以每月上新数量，得到每个选品决策的成本。
比如年费 6000 元、每月上新 2 个，单次决策成本 250 元，只要它能帮你避开一次 2000 元以上的滞销库存，这笔钱就回来了。反过来，单个成功 SKU 的年利润还覆盖不了这个成本，那就是在给工具打工。
小卖家更实用的组合是：免费或低价工具做初筛和关键词挖掘，付费额度集中在旺季前两三个月按季度买，而不是一上来就签年费。
我看中一个类目，两家工具给的月销差了快一倍，一个说 800 单一个说 1500 单。这数据直接决定我备多少货，差一倍就是压货还是断货的区别。
用 BSR 反推销量的工具，误差天生存在，同款 ASIN 在不同工具间差 20% 到 50% 很常见，长尾和低频类目放大到两三倍都不奇怪，因为类目本身单量就少，排名跳动一下估算就剧烈变化。验证方法只有一种：盲测。
挑 20 到 30 个你自己后台有真实订单的 ASIN，把工具估算值和后台实际销量做对比，算中位绝对误差。中位误差在 30% 以内，这套数据可以用于粗筛和排序；要压到 15% 以内，才适合直接拿来拍备货量。另外看两个细节：它有没有标注数据来源和置信区间，敢标区间的通常比只给一个精确数字的可信；
季节性类目要看它有没有 24 个月以上历史，否则旺季系数全是猜的。记住一点，工具的作用是帮你把 100 个候选砍到 10 个，最后那 10 个的判断还是得靠自己的小批量试单。
我们现在这套工具用了一年多，数据不准、导出还受限，团队都在抱怨。可真要换，历史选品记录、标签、备注全在里面，我担心换了之后等于从零开始。
别做一次性切换，用并行跑加回溯测试。第一步先确认旧工具的数据导出权限，很多坑是在退订之后才发现的。第二步并行跑 2 到 4 周，同一批候选 ASIN 两套工具同时出结论，双轨记录差异。
第三步用回溯测试判断新工具值不值得切：挑你过去半年做成的 10 个决策，把时间点倒退回去，看新工具在当时会不会给出同样的结论，如果能提前两周识别出你已经成功的那几个 SKU 中的多数，才值得切。第四步只挑一两个类目试点，别全量迁移。
迁移时优先搬的是历史选品库、标签和备注，这些是团队一年攒下来的隐性资产，比工具本身值钱。合同上盯三件事：数据导出权、剩余席位怎么折算、试用期能不能延长到覆盖一个完整的类目周期。
读者评论
回溯验证这条我试过，但实操有个坑：多数工具不保存历史快照，你现在拿过去6个月的品去跑，用的是今天的评论数和排名在反推，等于用结果验证结果。真要做得提前半年把每次查询结果导出存档，否则只能验证口径，验证不了当时它到底能不能拦住。
小时一款的需求验证耗时我持保留意见。工具数据导出来还得人工核对评论增长是不是变体合并、退货率有没有算长期仓储，一圈下来4小时起步。工具省的是翻页时间，不是判断时间，这个差别在排人力预算时挺关键。
那个亏40万的案例，我觉得根子是决策链没留痕，不是工具没提示变体合并。就算当时标了“评论增长异常”，没人定义阈值也没人负责回查，照样拍板。所以我更认同先画链路那段，具体换成哪个工具反而是次要的。