我曾经因为一个"看起来非常对"的数据，砍掉了一个后来被用户骂了三个月的功能。那是在一个家居收纳类目上，我们统计了 TOP20 竞品的详情页，发现"可折叠"这个结构覆盖了其中 17 家，覆盖率 85%。团队当场得出结论：这是红海功能，做了也拉不开差异，不如把研发人力挪去做"智能分区"。上线后智能分区几乎没人点，评论区里却每隔几条就冒出一句"要是能折叠就好了"。三个月后我们补做折叠结构，多花了 42 个研发人天和一批模具费。
这次翻车让我彻底改掉了用竞争强度做功能决策的方式。以前我把"竞品覆盖率"当成判死刑的证据，现在我把它当成一个需要被交叉验证的信号。竞争强度真正的作用，是帮你判断一个功能还能不能成为差异点，而不是替你做要不要做的决定。这篇文章就把我后来固化下来的那套方法完整拆开，包括指标口径、判断框架、工具路径和取舍清单。
文中的数据分三类：一类来自我 2023，2024 年亲自经手的三个家居与户外类目，标注为"项目实测"；一类来自公开平台的类目结构，标注为"平台观察"；还有一类是为了说明逻辑而构造的模拟推演，会明确写"模拟数据"。把这三类混在一起讲，是很多商品分析文章最大的问题，我不想重复。
先给结论。在商品分析里，竞争强度是一个过滤器，不是一个决定器。它最多只能告诉你某个功能还剩下多少差异化空间，不能告诉你这个功能值不值得投入。这两件事的决策依据完全不同。
我把核心功能的判断顺序固定成三步：先定功能属性，再看竞争强度，最后算自身匹配度。顺序不能换，换了就会像我那样砍错功能。
入场券功能，是用户默认你必须有的东西。没有它，用户连比较你的意愿都没有；有了它，用户也不会因此夸你。收纳箱的承重、保温杯的不漏水、儿童餐椅的安全带，都属于这一类。
加分项功能，是用户在几个候选之间做最终选择时才会考虑的东西。它不决定用户要不要买这个品类，只决定用户买谁。同样是收纳箱，抽屉滑轨的顺滑度、标签区的可替换性，属于加分项。
这个区分不是文字游戏。入场券功能的竞争强度天然很高，因为所有理性玩家都会做；加分项功能的竞争强度才真正具备判断价值，因为它反映的是"有多少人已经把这个差异点占掉了"。
我现在的规则很明确：对入场券功能，竞争强度高不构成任何放弃理由，只能决定我要做到什么水平；对加分项功能，竞争强度高才构成放弃或换角度的理由。
回到折叠结构的例子里。折叠对收纳类目来说不是加分项，是入场券。用户搜"折叠收纳箱"的时候，折叠是搜索词的一部分，它是进入比较池的门槛。我用"覆盖率 85%"这个数据得出"红海、放弃"，本质上是用加分项的逻辑去处理入场券，判断框架本身就用错了。
很多人误以为数据分析的问题是"数据不够"。我的经验恰恰相反：框架错了的时候，数据越多，错误结论越有说服力。因为我们当时不但有覆盖率，还有价格带分布、销量集中度，三组数据互相印证，所有人都觉得结论很扎实。
下面这张图是我复盘的起点，对比的是立项时的预估值和上线后的实测值。
把这次复盘讲细一点，因为它几乎涵盖了商品分析里所有典型的判断错误。
我们的流程是这样的：从类目榜单拉 TOP20 竞品，逐个人工看详情页，把主图、卖点、规格里出现过的结构特征记下来，然后统计每个特征的出现频次，算出覆盖率。
这个过程花了大概两天，出了 40 多个功能标签，覆盖率从 5% 到 90% 都有。当时我们定的规则是：覆盖率超过 60% 的视为红海，低于 20% 的视为机会。按这个规则，折叠 85% 被判红海，智能分区 12% 被判机会。
规则清晰，数据完整，执行利落。唯一的问题是，这个规则假设了"覆盖率高的功能没有差异空间"，而这件事在家居类目里根本不成立。
后来我重新回看那 17 家竞品的折叠结构，发现一个当时完全没记录的事实：其中 11 家的折叠方式是"拆装式"，需要用户自己取下侧板再叠放，差评里反复出现"折起来比装起来还累"。真正做成一秒快折的只有 3 家，而且都在 150 元以上价格带。
也就是说，这个功能的覆盖率是 85%，但"做得让人满意"的覆盖率只有 15%。这两个数字之间的差值，才是机会窗口的大小。我当时只采集了前者。
第一个动作：统计覆盖率时，必须同步统计"做到了什么程度"。现在我看任何一个功能，都会把它拆成"有没有"和"好不好"两层，两层分开记录，不做合并。
第二个动作：在功能清单定稿前，强制去读一遍差评。不是读好评，也不只读低星评论的标题，而是读那些写了两三行、描述具体使用场景的中评。这类评论信息密度最高，而且不会像一星评论那样情绪化。
这两个动作看起来增加了一倍工作量，但比起补做功能多花的 42 个人天，成本可以忽略。下面这张表是我现在做功能覆盖率统计时的字段结构。
| 字段 | 记录内容 | 为什么必须记 |
|---|---|---|
| 功能名称 | 统一命名，避免"折叠""可收折""折叠款"被算成三个功能 | 命名不统一会导致覆盖率虚高 |
| 有无覆盖率 | TOP20 竞品中有几家出现该功能 | 判断是否为入场券 |
| 达标覆盖率 | 其中有几家在该功能上差评率低于 5% | 判断真实差异空间 |
| 负面归因条数 | 差评中明确抱怨该功能的条数 | 判断"做了但没做好"的严重程度 |
| 价格带分布 | 该功能在哪些价格带出现 | 判断功能与溢价的绑定关系 |
| 上架时间 | 首发该功能的竞品上架时间 | 判断是趋势功能还是存量功能 |
接下来四个误区，是我在带团队和看同行报告时反复见到的，每一个都有具体的错误后果。
"这个类目有 8000 个竞品，太卷了"，这是我听过最多的一句话。但竞品数量和竞争强度之间的关系非常弱。竞争强度的核心不是供给数量，而是供给的同质化程度。
一个类目有 8000 个竞品，如果 7000 个是同一套模具换颜色的贴牌货，实际竞争压力集中在价格战上；另一个类目只有 300 个竞品，但每个都有明确的专利结构和不同卖点，竞争压力反而分散在功能上。这两种情况需要用完全不同的功能策略。
竞争强度高就放弃，竞争强度低就投入，这是最省事也最危险的线性思维。真实情况是：高竞争强度里的机会，往往藏在"大家都做了但都没做好"的地方；低竞争强度里的坑，往往藏在"没人做是因为做不出来或者不值得做"的地方。
前者我刚才已经用折叠结构举例了。后者我见过一次：某个户外类目里，一个"内置温度计"的功能覆盖率只有 4%，团队判断是蓝海机会，投入做了。上线后才发现，这个功能在低温环境下读数漂移严重，几家做过的大牌都因为售后成本太高悄悄下架了，覆盖率低是结果，不是机会。
覆盖率来自详情页，而详情页是商家想让你看到的东西。用户真实在意什么，藏在评论、问答和搜索词里。这两类数据源反映的是完全不同的东西，只采详情页就等于只听商家说话，没听用户说话。
我现在会把两类数据做成对照：详情页告诉我"市场提供了什么"，评论和搜索词告诉我"用户在找什么"。两者之间的差值，就是我判断机会的最主要依据。
类目集中度、价格带宽、新品存活率，这些都是类目级指标。它们能告诉你这个类目值不值得进，但不能告诉你这个类目里哪个功能值得做。我见过太多报告把类目集中度直接当成功能判断依据，结果是"这个类目很卷，所以我们要做差异化"，这句话没有提供任何可执行信息。
下面这张图展示了同一个类目下三个细分类目，用四种不同口径测出来的竞争强度排名完全不同。这也是我不建议用单一综合评分的原因。
先说清楚一件事：下面这四个指标是我在项目里自用的口径，不是行业标准，也没有公认的计算公式。写出来是因为它可复现、可交接，比拍脑袋强，但不代表它是唯一答案。
FCR = 出现该功能的竞品数 / 抽样竞品总数。抽样我会固定在 TOP20 加近 90 天新品 TOP10，一共 30 个样本。加新品的原因是新品往往代表最新的功能取向，只有 TOP20 会看到一堆两年前的老结构。
这个指标的局限非常明确：它只是供给侧的密度，和用户需求没有任何关系。覆盖率 90% 的功能也可能是用户根本不在乎的，覆盖率 10% 的功能也可能是用户急需但没人做出来。所以它只适合做第一步粗筛。
DMR = 评论与问答中主动提及该功能的条数 / 有效评论文本总条数。这里有两个坑必须避开。
第一个坑是关键词覆盖不全。用户不会用你的功能名。你叫"快折结构"，用户说的是"收起来""叠起来""不用拆"。所以我收集关键词时会先用搜索下拉词跑一轮，再从已有评论里跑一轮词频，两轮合并。
第二个坑是把提问当成需求。提问可以算需求信号，但权重应该低于"使用后的主动提及"。一个功能如果有人问但没人用后称赞，说明它更像营销噱头。
NCR = 该类功能相关差评条数 / 该功能相关评论总条数。这个指标是我现在最看重的，也是最少人用的。
它的核心价值在于区分两种情况：一种是"没人做这个功能"，另一种是"有人做了但普遍做不好"。前者是产品机会，后者是体验机会。体验机会的投入产出比通常更好，因为你不需要教育用户，用户已经在找了，只是没找到满意的。
Gap = DMR − FCR，单位是百分点。这个定义很粗暴，但它有一个非常大的好处：可以直接排序，而且解释成本极低。
Gap 为正，说明用户说的比商家做的多，大概率存在未被满足的功能需求；Gap 为负，说明商家做得比用户在乎的多，大概率是内卷区。我在项目里把 Gap 大于 8 个百分点的功能放进优先评估池，把 Gap 小于 −15 个百分点的功能直接进放弃清单。
下面这段代码是我实际在用的处理逻辑，跑完直接输出一个带象限标签的功能清单。
import pandas as pd
competitors: 30 个抽样竞品，每个功能是否出现、是否达标
reviews: 有效评论文本，含命中的功能标签与情感极性
func_keywords: 功能关键词字典，一个功能对应多个用户表达
def build_function_table(competitors, reviews, func_keywords):
rows = []
total_comps = len(competitors)
total_reviews = len(reviews)
for func, keywords in func_keywords.items():
1. 有无覆盖率
has = competitors[func].sum()
fcr = has / total_comps
2. 达标覆盖率：差评率低于 5% 才算达标
ok = ((competitors[func]) & (competitors[f"{func}_neg_rate"] ok_rate = ok / total_comps
3. 需求提及率：评论中主动提到该功能
mentioned = reviews["text"].str.contains("|".join(keywords)).sum()
dmr = mentioned / total_reviews
4. 差评归因集中度
neg = reviews["text"].str.contains("|".join(keywords)) & (reviews["sentiment"] == "neg")
ncr = neg.sum() / max(mentioned, 1)
gap = (dmr - fcr) * 100
if dmr >= 0.30 and fcr quad = "机会窗口"
elif dmr >= 0.30 and fcr > 0.30:
quad = "入场券"
elif dmr 0.30:
quad = "内卷噪音"
else:
quad = "伪需求"
rows.append({
"功能": func, "有无覆盖率": round(fcr, 3),
"达标覆盖率": round(ok_rate, 3), "需求提及率": round(dmr, 3),
"差评归因集中度": round(ncr, 3), "供需缺口pp": round(gap, 1),
"象限": quad
})
return pd.DataFrame(rows).sort_values("供需缺口pp", ascending=False)
用法：先跑一遍，人工复核象限归属，再决定排期
df = build_function_table(competitors, reviews, func_keywords)
print(df.to_string(index=False))注意代码里最后那行注释：我从来不让这段代码直接输出排期结论。它只负责排序和打标签，象限边界附近的功能一定会人工复核，因为 30% 这个阈值是我根据类目特征调的，不是普适常数。
四个指标的采集成本和判断价值差异很大，排期时要有取舍。
四个指标出来后，我会把它们落进一个二维平面：横轴是功能覆盖率，纵轴是需求提及率。差评归因集中度不做轴，而是作为气泡大小，用来提示"这个位置的空白是真空白还是难啃的骨头"。
高覆盖高需求，我称为入场券区。这里的动作是达标，不是创新。你要做的是把功能做到行业合格线以上，而不是重新发明它。在这个区域炫技，投入产出比极差。
低覆盖高需求，我称为机会窗口区。这是唯一值得投入结构创新和模具预算的区域。判断标准是 Gap 大于 8 个百分点且 NCR 不太高。
高覆盖低需求，我称为内卷噪音区。这里的动作是主动放弃，而且要放弃得干脆。很多团队舍不得，因为"竞品都有"，但没有的功能反而能省下成本去补别的短板。
低覆盖低需求，我称为伪需求区。这里的动作是观察，不是投入。最常见的情况是竞品曾经做过但撤了，或者这个功能需要用户教育。
我不建议照抄我的 30% 和 30%。阈值应该根据类目的功能密度来定：功能差异大的类目（比如户外装备、厨房小电），阈值可以提到 40%；功能同质化严重的类目（比如基础收纳、日用塑料），阈值应该降到 20%，否则所有功能都会落进入场券区，失去区分度。
下面这张散点图是模拟数据，展示的是四个功能在我这套框架里的落点，用来演示判断过程。
入场券功能最大的浪费是过度投入。我做过一次小样本验证：把某入场券功能的达标度从 60% 逐步提到 100%，观察转化率的边际变化。提升不是线性的，前期每提升 10 个百分点，转化提升不到 0.3 个百分点；从 75% 提到 85% 这一段，转化提升接近 1.5 个百分点；85% 之后再往上，曲线迅速走平。
这条曲线的实践含义是：入场券功能的正确目标是跨过用户感知阈值，而不是做到行业最优。把 95 分做到 100 分的那部分资源，拿去补机会窗口区，回报通常高得多。
前面讲的是方法，这一节讲工具路径。类目层的量化数据我主要用数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）来跑，功能层的数据还得自己从评论里挖，这两层必须接起来，缺一层就会变成拍脑袋。
说明一下：数跨境的具体字段和板块会随版本更新，我这里写的是我实际用到的分析路径，具体功能以官网实际展示为准。
直接看竞品详情页是很多人的第一步，但这一步有个陷阱：你不知道你看到的竞品是不是这个类目的主流形态。如果抽样偏了，后面所有覆盖率都是错的。
我的顺序是先用数跨境把类目结构看一遍，重点看三件事：销量集中度、价格带分布、上架时间分布。集中度告诉我这个类目是寡头还是长尾，价格带告诉我功能溢价能落在哪一段，上架时间告诉我这个类目的功能取向是存量稳定还是快速迭代。
看完类目结构之后，我用数跨境的商品榜和竞品监控把抽样名单定下来。这一步的产出不是"TOP20 竞品"，而是"三层样本"：头部稳定款、近 90 天新品、中价格带主推款。三层样本的作用不一样，头部看主流形态，新品看功能趋势，中价格带看竞争最激烈的功能区。
把名单定下来之后，才进入详情页采集和评论挖掘。这个顺序能让抽样偏差降到最低。
我列了一张分工表，因为很多团队会误以为买一个工具就能解决全部问题。
| 分析环节 | 数跨境能提供 | 必须人工补充 |
|---|---|---|
| 类目竞争格局 | 市场规模、销量趋势、集中度、价格带分布 | 集中度背后的原因，是品牌壁垒还是渠道壁垒 |
| 竞品抽样 | 商品榜、新品榜、竞品店铺监控 | 把商品映射到功能标签，这一步工具做不了 |
| 需求信号 | 关键词与搜索词的趋势变化 | 评论与问答里的口语化功能表达，需要人工归一词表 |
| 功能判断 | 提供市场侧与商品侧的量化输入 | 功能属性定性（入场券还是加分项）、象限判定、排期决策 |
这张表里最关键的一行是最后一行。工具给的是量化输入，判断动作必须留在人手里。我见过最失败的做法是把工具输出的"竞争度高"直接翻译成"这个方向不做"，中间跳过了功能属性这一步。
我把最近一次类目分析的收敛过程记录如下，数据为模拟推演，用于展示每一级的筛选标准。
整个过程的收敛比是 42:3，但真正花时间的不是前两级筛选，而是第三级的评论挖掘。这也是我建议把主要人力压在第三级的原因。
同一个功能在不同价格带的价值完全不同，这一点如果不看价格带分布，几乎必然会判断失误。我把某个类目的四个价格带做了对照，结果是价格越高，功能类差评占比越高。
原因不难理解：50 元以下的价格带，用户预期是"能用就行"；200 元以上的价格带，用户预期是"每个细节都要对"。所以低价带的功能缺失不容易被骂，高价带的功能瑕疵会被放大。这意味着同样的功能缺口，在高价带是必须补的，在低价带可以先放。
同一套指标，在不同业务阶段的用法差别很大。下面按三个阶段分别说，每个阶段给一个核心动作和一条最容易犯的错。
新产品上线的第一目标是进入比较池，不是拉开差异。这个阶段的动作应该是：把类目里覆盖率最高的前 5 个功能列出来，逐个确认自己能达标，然后才考虑机会窗口功能。
最容易犯的错是在入场券没做好的情况下，把预算全压在差异功能上。结果用户看到差异点很兴奋，但发现基础功能不合格，直接流失。这种流失在数据上的表现是"页面停留长、加购率低"，很容易被误判为详情页问题。
有了一定销量之后，你才有资格谈差异化。这个阶段我会重点看两个数：Gap 大于 8 个百分点的功能有哪些，以及这些功能的 NCR 有多高。
NCR 低的机会窗口，说明用户想要但市面上没什么人做，切入难度主要在研发；NCR 高的机会窗口，说明有人做了但普遍做砸了，切入难度主要在体验打磨，通常更划算，因为用户已经在为这个方向买单了。
差异化功能最大的风险是它会被追平。我现在的做法是每季度重跑一次覆盖率，专门盯自己赖以竞争的 2-3 个功能。
如果它们的覆盖率在上升，说明差异点正在被稀释，需要提前准备下一代差异点；如果覆盖率在下降，可能是竞品放弃了这条路，也可能是整体在往别的方向迁移。这两种情况的应对完全相反，必须结合需求提及率一起看。
| 阶段 | 核心目标 | 主要看什么指标 | 最容易犯的错 |
|---|---|---|---|
| 0-1 | 进入比较池 | 入场券功能的达标覆盖率 | 用差异功能掩盖基础功能不达标 |
| 1-10 | 建立差异点 | Gap 指数、差评归因集中度 | 把高 Gap 但高 NCR 的功能当成轻松机会 |
| 守份额 | 延缓差异点被稀释 | 覆盖率的季度漂移、需求提及率变化 | 只看自己不看市场，错过替代方向的信号 |
取舍是这套方法最终要落地的地方。我把常见情况整理成一张决策表，每条都对应一个明确的动作，避免"看情况"这种无效结论。
覆盖率高于类目阈值、需求提及率同样高的功能，无论竞争多激烈都必须做。区别只在于投入方式：不要做结构创新，直接采用成熟方案，把研发预算压到最低，把省下来的资源投到机会窗口区。
这类功能最难受，因为竞品都有，砍了像是在认输。但数据显示用户不在乎它。我的处理方式是先做一次小样本验证：把该功能的详情页卖点模块去掉，观察两周的转化变化。如果转化没有显著下降，就砍掉。
观察的具体动作不是"留意一下"，而是设一个触发条件。我通常设置的条件是：连续两个季度需求提及率上升超过 5 个百分点，才重新评估。没有触发条件的观察等于不观察。
这类功能的投入要分两段：先用最小成本做出可验证的原型（比如用现有结构改装一个样品，找 20-30 个目标用户做实物测试），验证需求真实性之后再投模具。
跳过第一段直接投模具，是我见过最贵的错误。原型验证的成本通常在几千元量级，模具成本在几万到几十万元量级，两者差了两个数量级。
下面这张图展示的是同一个项目在误配和修正之后，研发人天在四类功能上的分配变化。
这套方法本身也有失效的时候。我把踩过的坑总结成五条，写在这里是为了让你在数据看起来很漂亮的时候多问一句。
我前面举的内置温度计例子就是这个情况。判断方法是看这个功能在头部品牌的历史上新记录里有没有出现过，如果出现过又消失了，大概率是技术或成本问题。数跨境的竞品监控能看到商品的上架和下架节奏，这一步可以批量做。
同一个结构，不同商家叫法不同，自动化采集很容易把它拆成三个功能，导致每个功能的覆盖率都偏低，看起来全是机会。我的处理方式是先人工归一词表，再做统计，归一这一步不能省。
问答区的提问量高不等于需求强。有些提问来自竞品的对比行为，有些来自对新概念的猎奇。我在计算 DMR 时会区分"使用后主动提及"和"购买前提问"，前者权重设为 1，后者设为 0.4。
NCR 高不一定是功能做得差。如果差评集中在"安装说明看不懂""配件少发了"，那问题在说明书和仓储，不在功能设计。标注差评时我会再分一层：设计缺陷、制造缺陷、服务缺陷。只有设计缺陷才计入功能判断。
这是最容易被忽略的一条。机会窗口是会关闭的，而且关闭速度可能比你想象的快。我追踪过一个功能整整 12 个月，覆盖率从 22% 涨到 68%，需求提及率反而从 31% 降到 24%，供需缺口从正 9 个百分点一路变成负 44 个百分点。
这意味着用半年前的数据做今天的排期决策，风险和拍脑袋差不多。我的做法是把覆盖率采集做成季度例行，而不是一次性的项目动作。
方法如果不固化成例行动作，就会在项目忙起来的时候第一个被砍掉。我把整套流程压缩成四个每周动作，加起来大约 30 分钟。
只跑覆盖率和达标覆盖率，不跑评论挖掘。目的是尽早发现差异点被稀释。这一步用数跨境的商品榜更新配合本地脚本，15 分钟内可以完成。
只看最近 7 天的新增差评，按设计缺陷、制造缺陷、服务缺陷三层标注。目的是捕捉新出现的问题模式，而不是统计总量。
把这一周的覆盖率变化和差评变化写进功能清单，让象限归属和 Gap 指数保持更新。这张表是整个方法的中枢，其他动作都是为它服务的。
每月把四象限重新画一次，重点看有没有功能在象限之间移动。移动本身就是最重要的信号：从机会窗口移到入场券，说明差异点已经变成门槛，投入方式要跟着换。
回到标题。竞争强度在商品分析里最有价值的用法，不是告诉你"这个功能能不能做"，而是告诉你这个功能还剩下多少差异化空间，以及你该用哪种方式投入。高竞争强度的入场券功能，你要做的是达标；低竞争强度的机会窗口功能，你要做的是快速验证；高竞争强度的内卷噪音功能，你要做的是果断放弃。
我这套方法最核心的一个转变是：以前我盯着"竞品有没有做"，现在我盯着"竞品有没有做好"以及"用户有没有在找"。前者是供给密度，后者才是机会大小，而两者之间的差值，供需缺口指数，是我现在排功能优先级的第一参考。
如果你现在手头正有一份功能清单，我建议下一步做三件事。第一，把所有功能按入场券和加分项重新分一遍类，这一步不需要任何数据，半小时就能做完，而且能立刻发现一批分类错误。第二，挑出你打算重点投入的两个功能，算一下它们的功能覆盖率和需求提及率，看看 Gap 是正还是负。第三，去读 50 条中评，你会发现很多在详情页里看不到的信息。
这三件事做完，你对"竞争强度该怎么用"的理解，会比读十篇方法论文章都更具体。数据不会替你做判断，但它能让你的判断有据可依，这也是我写了这么多字，最想传递的一句话。
我做了三年电商运营，每次写商品分析报告都填一句「竞争激烈」，老板追问具体多激烈，我只能说同类商品有几千个，说完自己都觉得虚。后来发现身边同事也这样，大家把竞品数量当成竞争强度本身。
只看竞品数量基本没用，因为一个类目几万个链接，其中九成是僵尸链接。我实际用的口径是三个维度。第一是供给密度，抓该类目在售链接数，再抓近30天有销量记录的链接数，后者才是真实竞争面，经验上一个类目真实活跃供给如果只占在售总数的20%以下，说明大量链接是无效竞争者，可以忽略。
第二是同质化程度，把前100个SKU的主图卖点、标题关键词做词频统计，如果Top20关键词覆盖了70%以上的商品，说明大家卖点高度雷同，价格战风险高；如果关键词分散，说明还有细分定位空间。
第三是头部集中度，算CR10即前10名销量占类目总销量的比例，CR10超过60%属于寡头格局，新产品进入要靠功能差异撕口子，CR10低于35%说明市场分散，靠常规运营也能分到量。最后我自己会再看一个价格带分布的标准差，价格越集中、标准差越小，说明同质化越严重。
这三个指标要在同一时间窗口内取，我习惯用近90天，跨窗口比会得出错误结论。
我之前看中一个竞争很激烈的类目，身边人都劝我别碰，但我翻头部产品的评价发现一堆人在骂同一个点。我当时不确定这算不算机会，还是只是幸存者偏差。
高竞争不代表没机会，它反而说明这个需求被市场反复验证过，真正的信号是痛点集中度。具体做法是把竞品评价按星级分层，重点抓1到3星的中差评，对文本做关键词归类，把抱怨映射到具体功能点，比如噪音大、续航短、安装麻烦。然后算两个数：一是提及率，该功能痛点在全部中差评里出现的比例；
二是未满足率，即提到这个痛点的人当中，现有头部产品的解决率有多低。我的经验阈值是提及率超过8%且头部解决率低于30%，就是一个值得投入的功能方向；提及率超过15%但头部已经普遍解决的，属于基本功不是差异点，别当机会。
另外要注意样本分层，头部链接的中差评分布可能被刷单污染，我会同时抓腰部链接的评价做交叉验证，如果头部和腰部的痛点排序差异很大，就说明数据有问题，要回去看原始评论。这个方法的产出不是「做不做」，而是一张按提及率乘未满足率排序的功能清单，直接对应产品要优先解决什么。
我不想再靠感觉写结论，但不知道去哪拿数据，免费工具抓出来的又怕不准。上次用工具导出的销量是累计值，我直接算均值，结果报告被质疑得很惨。
我的取数逻辑是分三层。第一层是平台搜索页和榜单，抓在售链接、价格、评价数、店铺名，这层用来算供给密度和价格带分布。第二层是商品详情页的评价原文，这层用来做功能痛点分析。第三层是行业报告和大盘指数，只用来判断类目整体在涨还是在跌，不参与微观结论。
样本口径上，每个核心关键词抓前3页大概100到150个SKU，剔除无销量记录的和重复店铺的，保底要留60个以上才算可用，低于40个就只能定性描述不能下占比结论。评价样本每条链接至少抓500条，低于300条只做定性参考，不做百分比推算，因为误差太大。
时间窗口统一用近90天，超过半年的数据我会标注为历史趋势而不是现状。最容易踩的坑是销量字段的含义，很多工具导出的销量是累计值而不是区间值，直接算均值会严重高估头部水平，我的做法是先按店铺和链接名去重，再人工抽10个样本回原始页面核对销量口径，两个渠道数据差异超过20%就重新爬一次。
所有结论我都会在报告里标注样本量和时间窗口，别人质疑时能直接回溯。
我手上同时有两个方向，一个是竞争中等、需求中等但我们供应链很强，另一个是竞争低、需求很大但我们完全没经验。我担心选错，因为这两个方向给出的信号正好相反。
我的做法是把三者换算成同一个量纲再比较，而不是凭直觉排序。先定义一个可赢率，等于自身能力匹配度乘以差异化空间，再除以竞争强度。三个维度各打1到5分，竞争强度反向计分，越激烈分越低，然后加权。
我常用的经验权重是需求规模0.4、可赢率0.4、竞争强度0.2，这个权重不是行业标准，品类不同要调，比如快消品需求规模权重可以提到0.5，工具类产品可赢率权重更高。关键判断依据是，竞争强度是过滤器不是决定器，它决定的是要不要打正面战场，而不是决定做不做这个功能。
当自身能力匹配度达到4分以上、同时竞争强度很高时，正确策略不是放弃，而是把竞争强度转化成功能取舍，只做头部产品20%的核心功能把体验做透，长尾功能全部砍掉，用资源集中度换胜率。
反过来，如果自身能力匹配度只有2分、竞争强度又低，这个低竞争很可能是需求伪命题，别人不做是因为不赚钱，这时候需求规模的数据要重新核实，特别要看去重后的真实购买人数，而不是搜索指数。
读者评论
把竞品覆盖率直接等同于功能红海，这个误区太常见了。我们做母婴类目时也犯过，后来把评论和搜索词拉进来交叉验证，才发现有些功能是用户真需要但没人做好的。
作者把功能拆成'入场券'和'加分项'这个框架很实用，但实际操作中两类边界经常模糊。比如快充对充电宝，到底是入场券还是加分项，不同价格带答案不一样，判断时还得结合价格分层。
覆盖率85%但达标覆盖率只有15%这个点很关键。很多团队统计功能时只看详情页有没有提，不看用户用起来满不满意，数据采集维度太单一，结论自然偏差。
文中说差评要看两三星的中评而不是一星，这点有共鸣。一星评论情绪宣泄多，中评反而会具体描述使用场景和失望点，信息密度高，做功能取舍时参考价值更大。