去年第三季度，我帮一个做厨房小家电的团队复盘他们的商品分析周报。打开报表的第一眼我就愣住了：整整37个指标，从GMV、UV、转化率、客单价，到加购率、收藏率、退货率、动销率、SKU宽度、价格弹性系数、库存周转天数，密密麻麻排了三屏。我问他们的商品运营负责人："这37个指标，你每周看完之后，能做出几个明确决策？"他想了半天，说："大概……两三个吧，大部分指标就是看一眼，没异常就不管了。"
这个场景我见过太多次。商品分析最大的问题从来不是指标不够，而是指标和业务问题脱节。尤其是在"市场需求"这个场景下，很多团队把商品自身的数据指标和市场大盘指标混在一起看，结果就是，数据很丰富，结论很模糊，动作很犹豫。
这篇文章我想做一件事：把"市场需求场景下的商品分析"这件事，从业务问题出发，一层层倒推出指标体系，再给出可行动的决策映射。不是指标百科，而是一套我自己在项目里反复验证过的拆解框架。全程用第一人称讲我踩过的坑、做过的判断、看过的数据，如果你正被"指标一堆但用不起来"困扰，这篇应该能帮你理清思路。
我不喜欢绕弯子，所以先把核心结论放前面。
市场需求场景下的商品分析，不是"把商品数据看一遍"，而是用数据回答三个递进的业务问题：值不值得做、做多大、跟谁抢。这三个问题分别对应规模层、结构层、竞争层三个指标维度。脱离这三个问题去堆指标，最后一定变成"看数不动脑"。
我把它总结成一个"三问三层"框架：
| 业务问题 | 核心判断 | 对应指标层 | 典型决策动作 |
|---|---|---|---|
| 值不值得做 | 市场容量与增速是否支撑投入 | 规模层 | 决定是否进入、是否加注 |
| 做多大 | 需求结构往哪变、哪个细分在涨 | 结构层 | 决定选品方向、价格带、目标人群 |
| 跟谁抢 | 竞争格局是否留有余地 | 竞争层 | 决定差异化切入点、资源投放节奏 |
这个框架的关键在于，先有业务问题，再有指标；而不是先有指标清单，再去找问题。我见过太多团队把顺序搞反了，从"我们有什么数据"出发，而不是从"我们要回答什么问题"出发，结果指标体系建得越全，用起来越钝。
下面这张图展示了三层指标在决策链条中的递进关系，也是后文展开的骨架。
结论讲完，我来讲讲这个框架是怎么被逼出来的。三个场景都是我实际遇到的，不点名，但足够典型。
一个做家居收纳用品的团队，2023年上半年发现整个收纳品类的搜索指数同比涨了30%左右。运营团队很兴奋，立刻加大备货、扩SKU。结果到了下半年，库存积压严重，动销率掉到不足50%。
问题出在哪？他们只看了一个"大盘增速"指标，没有往下拆。后来我帮他们复盘时发现：那30%的增速几乎全部来自"搬家收纳"这个细分场景，而他们备的货集中在"厨房收纳"和"衣柜收纳"这两个没怎么涨的细分。大盘涨了，但涨的不是他们的地盘。
这就是只看规模层、不看结构层的典型代价。大盘增速是一个"平均温度"，它掩盖了内部的结构分化。
我见过一个中台团队，做了一套"标准化商品分析看板"，想覆盖公司旗下所有品类。结果上线三个月，服饰类目说"价格带指标没用，我们看的是款式生命周期"，家电类目说"人群TGI不准，我们主要靠大促"，食品类目说"库存周转天数口径根本不一样"。
最后这套看板沦为"汇报用"。核心原因是：不同品类的市场需求驱动因子完全不同，用一套指标强行统一，等于让所有人迁就最不合适的那个。服饰看款式、家电看大促和换新周期、食品看复购和履约，指标权重天差地别。
第三个场景更隐蔽。一个团队用某三方数据平台看"市场容量"，说这个细分市场有80亿；又用生意参谋看同一个细分，算出来只有22亿。两个数摆在一起，没人敢下结论，项目直接卡住。
我去看了他们的口径定义才发现：三方平台的"市场容量"是"全渠道零售额"，生意参谋的"市场"是"平台内成交额"，两者差了整整一个渠道维度。口径不一致，是市场需求分析里最常见的"隐性地雷"，它不会报错，但会让所有结论失去可信度。
下面这张对比图把三个场景的核心失误和对应缺失的指标层做了对照，方便你对照自查。
这三个场景背后，其实是四个反复出现的思维陷阱。我一个个拆开讲。
这是最普遍的一个。很多团队觉得指标全=专业，结果报表做出来没人看。指标体系的价值不在于覆盖多全，而在于每个指标都能对应到一个决策。
我给自己团队定过一条规矩：任何一个进入周报的指标，必须能回答"如果这个指标涨了/跌了，我们做什么"。回答不出来的，一律不进报表。这条规矩执行后，我们的核心指标从30多个压缩到9个，但决策效率反而提升了。
"这个月转化率跌了2个点"，这是描述。"转化率跌了2个点，是因为主要流量来源从搜索切换到了信息流，人群匹配度下降"，这是归因。大量商品分析停留在描述层，缺乏归因，导致看完数据依然不知道怎么办。
我的经验是：描述性指标负责"报警"，归因性分析负责"开方"。报表里可以放描述指标，但每次异常都必须附带至少一个归因假设，否则这个分析是半成品。
同比、环比、滚动、移动平均，不同时间窗口会得出完全相反的结论。一个品类环比涨5%，但同比跌20%，你说它到底是好是坏？答案是：取决于你处在什么阶段、关心什么周期。
口径一致性更隐蔽。同一个"转化率"，有的团队算"下单/访客"，有的算"支付/访客"，有的把未支付订单也算进去。口径不统一，跨团队沟通就是鸡同鸭讲。
市场需求和用户需求不是一回事。市场需求可以用市场数据衡量（销量、搜索量、渗透率、渠道铺货），用户需求必须靠调研数据补充（动机、场景、痛点、替代方案）。
很多人拿市场数据去回答用户需求问题，比如"搜索量涨了"就推断"用户更想要这个功能"，这中间隔着一个巨大的逻辑跳跃。市场规模告诉你"有多少人在买"，但不告诉你"他们为什么买、还会不会买"。
下面这张图对比了四大误区对应的典型症状和纠正方向，可以作为自查清单。
讲完误区，进入这篇的核心，三层拆解框架。我把它拆成规模层、结构层、竞争层，每一层都按"指标，含义，数据来源，对应动作"四列来组织。这不是指标百科，每个指标都带"所以呢"。
规模层回答"值不值得做"。核心指标三个：市场容量、市场增速、渗透率。
市场容量是某一细分市场在特定周期内的总规模。数据来源上，三方数据平台（如数跨境这类跨境数据工具，官网 https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys 上可以看跨境细分品类的市场规模和趋势）常用于获取跨境电商场景的容量估算。
市场增速要看同比而非环比，因为环比的季节噪音太大。我一般会同时看近12个月滚动增速，避免单月波动误导。
渗透率是当前使用人群占总潜在人群的比例。渗透率低+增速高=蓝海早期；渗透率高+增速低=红海存量。这个组合判断比单看增速有用得多。
规模层最容易踩的口径陷阱：不同数据平台对"市场"的定义可能完全不同。有的按零售额算，有的按GMV算，有的只算平台内成交。用之前一定要核对口径。
结构层回答"做多大、往哪个方向做"。核心指标四个：品类占比、价格带分布、人群TGI、渠道迁移。
品类占比看的是这个细分在整体市场中的份额及变化。我通常看两个数：当前占比+近6个月占比变化趋势。占比在涨的细分，才是值得加注的方向。
价格带分布是把市场按价格区间切分，看需求集中在哪个带。这个指标对定价决策极其关键。我见过一个团队盲目跟风高端化，结果发现市场70%的销量集中在低价格带，高端只是看起来热闹。
人群TGI（Target Group Index，目标群体指数）衡量某个人群在某个品类的相对偏好，TGI>100表示该人群显著偏好。它帮你找到"谁最可能买"，而不是"谁在买"。
渠道迁移看的是需求在不同渠道间的流动。比如某个品类从货架电商向内容电商迁移，这个信号直接决定你的投放重心。
结构层的数据来源比较杂，既要三方大盘数据，也要平台内数据（如生意参谋、京东商智），还要结合自己的用户调研补充动机信息。
竞争层回答"跟谁抢、抢不抢得过"。核心指标三个：CR5/CR10（行业集中度）、份额变化、替代品威胁度。
CR5/CR10是行业前5/前10名玩家的市场份额之和。CR5<30%说明市场分散、进入门槛低；CR5>60%说明头部垄断、切入难度大。这是判断"能不能进"的关键闸门。
份额变化看的是头部玩家份额是在扩大还是收缩。头部份额收缩=中小玩家有机会；头部份额扩大=马太效应加剧，谨慎进入。
替代品威胁度是常被忽略的指标。一个品类看起来增速不错、格局也分散，但如果有强替代品正在崛起（比如咖啡液替代速溶、植物奶替代部分牛奶消费），那这个需求可能是"虚假繁荣"。
下面这张表把三层指标完整对照，这是我实际项目里用的核心模板，可以直接拿去改。
| 指标层 | 指标 | 含义 | 数据来源 | 对应动作 |
|---|---|---|---|---|
| 规模层 | 市场容量 | 细分市场总规模 | 三方数据平台（数跨境等） | 决定是否进入 |
| 规模层 | 市场增速 | 12个月滚动同比增速 | 三方+平台数据 | 决定是否加注 |
| 规模层 | 渗透率 | 使用人群/潜在人群 | 调研+行业报告 | 判断蓝海/红海 |
| 结构层 | 品类占比 | 细分在整体中的份额 | 平台数据 | 决定选品方向 |
| 结构层 | 价格带分布 | 需求在各价格区间的分布 | 平台数据+竞品监控 | 决定定价 |
| 结构层 | 人群TGI | 人群偏好指数 | 用户调研+平台画像 | 决定目标人群 |
| 结构层 | 渠道迁移 | 需求在渠道间的流动 | 跨平台数据对比 | 决定投放重心 |
| 竞争层 | CR5/CR10 | 行业集中度 | 三方数据+份额估算 | 判断进入门槛 |
| 竞争层 | 份额变化 | 头部玩家份额趋势 | 持续监控 | 判断机会窗口 |
| 竞争层 | 替代品威胁度 | 替代方案的崛起速度 | 趋势监测+搜索对比 | 规避虚假繁荣 |
这套框架在跨境电商场景下尤其好用，因为跨境市场的信息不对称更严重，三层指标能帮你在信息不完整时依然做出相对可靠的判断。像数跨境这类工具，能把规模层和结构层的很多数据直接拉出来，省掉大量手工估算。
框架讲完，我用一个具体场景来落地。跨境电商是市场需求分析需求最强烈的场景之一，因为卖家面对的是自己不熟悉的海外市场，信息盲区大。这里我以数跨境（官网 https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）为例，讲讲怎么用三层框架做跨境市场需求判断。数跨境是九数云旗下的跨境电商数据工具，覆盖多平台多站点的品类、竞品、关键词数据。
假设你想做美国站的某类户外用品。第一步不是去选品，而是先看规模层：这个细分在美国市场的容量和增速如何。
在数跨境上，你可以按品类和站点拉出市场规模趋势、近12个月销量增速。我一般会先设三个筛选门槛：市场容量达到一定量级（避免太小众）、12个月滚动增速为正（避免衰退市场）、渗透率处于中低区间（避免红海）。三个条件同时满足，才进入下一步。
规模层过关后，进入结构层。这一步的核心是"拆"。同一个大类里，不同细分的增速可能天差地别。价格带也一样，有的市场高端在涨，有的市场性价比在涨。
我实际操作时的顺序是：先看品类占比及变化，锁定2-3个候选细分；再拉每个细分的价格带分布，找到需求最集中的价格区间；最后用人群数据看哪个细分的目标人群和我们的供应链能力最匹配。
结构层的作用是帮你在"大盘不错"的前提下，避开"大盘涨但你的细分没涨"的坑。前面场景一里的收纳品类踩的就是这个坑。
最后一层是竞争。前两层过关不代表能进，还要看格局。在数跨境上可以看头部卖家份额、竞争商品数量、新品进入的成功率。CR5过高（比如超过60%）且头部份额还在扩大，我一般建议谨慎。
替代品威胁度在跨境场景下尤其重要，因为海外市场消费习惯变化快。比如你想做某类传统产品，但海外内容平台上替代方案正在爆火，那这个需求的可持续性就要打问号。
下面这张图展示了用三层框架筛选跨境细分市场的完整决策路径和每一步的淘汰率，这是我在多个项目里观察到的典型收敛比例。
为了让你看清完整链路，我编一个简化的示意例子，数据是逻辑演示，不代表真实统计。
假设你通过数跨境观察美国站某户外细分，初步看到：市场容量约3-5亿美元量级，近12个月滚动增速约8%-12%，渗透率处于中等；结构上，该细分中"便携款"占比从25%升到34%，"专业款"占比下滑，主力价格带集中在30-60美元；竞争上，CR5约35%，头部份额近半年略微收缩，替代品威胁度低。
三层信息合起来的判断是：市场容量够、增速稳、结构往便携款走、格局分散且头部在退、无强替代，属于可以考虑切入的机会，且切入点应选便携款、定价30-60美元区间。如果其中任何一层不过关（比如CR5高达70%且还在涨），就要相应调整或放弃。
这个例子的价值不在于数据本身，而在于展示了"从三层指标到具体决策"的完整推理链。你可以把这套推理套到自己关注的品类上。
框架是通用的，但行动建议必须分情况。我按三层判断的组合结果，给出四类典型情况和对应的行动建议。
这是最理想的情况，建议积极切入。但要注意节奏：先用小批量测款验证真实转化，再放量。不要因为指标好看就一次性重仓，市场数据是滞后的，实际竞争和履约成本可能和预期有差距。
建议谨慎，或寻找差异化切口。头部垄断的市场并非完全不能进，但要明确你的差异化点在哪里，是价格、是细分人群、还是供应链效率。如果没有清晰差异点，建议放弃。
这种情况最容易被误判。建议立刻停止向没涨的细分加注，转向在大盘中真正在涨的细分。大盘涨不代表你的地盘涨，这个判断一定要做细。这也是前面收纳案例的教训。
建议直接放弃或仅作为补充品类。容量太小的市场撑不起投入，增速为负的市场进去就是逆水行舟。除非你有极强的供应链优势能改写成本结构，否则不建议。
下面这张决策矩阵图把四类情况和对应动作做了汇总，可以直接作为团队决策的参照表。
最后一层，讲讲取舍。同样的指标，在不同品类阶段权重不同。
品类还在导入期时，最重要的判断是"需求是否真实存在、能否规模化"。此时规模层权重最高，结构层和竞争层次之。这个阶段宁可看错结构，也不要看错趋势。
成长期需求结构快速变化，选对细分和价格带比什么都重要。此时结构层权重最高。成长期最怕的是"用大盘增速掩盖细分分化"，前面收纳案例就是典型。
成熟期是存量博弈，容量和结构相对稳定，能不能抢到份额取决于竞争格局。此时竞争层权重最高。成熟期进入前，必须先回答"我凭什么抢得过头部"。
除了阶段，还要考虑品类属性。服饰类目要额外看款式生命周期和上新节奏；家电类目要看大促周期和换新需求；食品类目要看复购和履约成本。这些品类特有因子，需要在通用三层框架上叠加。
这里我想特别提醒一点：指标权重不是拍脑袋定的，而是用历史决策复盘倒推出来的。我自己团队的做法是，每个季度回看一次过去的关键决策，看哪个指标当时最准确地预警了结果，然后调整权重。这样权重会越来越贴合实际业务。
我反复强调的"一个场景一套指标，不要一套指标打天下"，不是说要给每个品类做完全独立的系统，而是说指标可以复用，但权重和阈值必须按场景调整。统一的底座+可配置的权重，是比较务实的做法。
下面这张图对比了三种品类阶段下三层指标权重的差异，以及典型品类的额外关注因子，作为权重调整的参照。
到这里，框架和方法都讲完了。最后我给你一个可以直接用的自查清单，每次做市场需求分析前后过一遍，能避开大部分坑。
这份清单我自己用了两年多，每次项目复盘都会拿出来对。它不能保证你每次都判断对，但能保证你不犯低级错误。而市场需求分析里，不犯低级错误，往往就已经赢过大多数人了。
回头看，这篇文章想传递的核心观点其实只有一个：商品分析的价值不在报表做得多全，而在能不能支撑决策。而市场需求场景下，支撑决策的前提是先把业务问题拆清楚，再倒推指标，最后把指标映射到动作。
我见过太多团队沉迷于"把数据看全"，却忘了"把问题想清"。37个指标的报表，抵不过3个能回答核心问题的指标。指标是手段，决策才是目的。这个顺序一旦颠倒，分析做得再精致也是自娱自乐。
三层框架（规模层、结构层、竞争层）+ 场景倒推 + 可行动性校验，是我目前认为在市场需求场景下最务实的一套方法。它不是唯一正确的方法，但它足够具体、足够可操作，也足够经得起实战检验。
下一步怎么做？我的建议是：先别急着建看板，先把你当前最纠结的那个业务问题写下来，然后套三层框架，看缺哪一层的指标。缺哪层补哪层，从最小闭环开始跑一轮。跑完一轮你会发现，指标体系不是设计出来的，是在解决真实问题的过程中长出来的。如果你也在做市场需求分析，欢迎在评论区说说你所在的品类、你遇到的判断难题，下一篇我会专门拆解"竞争场景"下的商品分析框架。
我刚接手类目运营的时候，第一反应就是去找一套现成的指标模板，把能拉的数全拉出来做看板。结果报表越来越厚，开会时老板问‘这个月需求到底有没有起来、我们要不要加库存’，我还是答不上来。后来我才意识到问题可能不在数据不够，而在一开始就没搞清楚要回答什么业务问题，所以想确认一下正确的顺序到底是什么。
顺序应该是先定业务问题，再由问题倒推指标，场景决定指标而不是指标决定场景。具体做法是：开分析前先用一句话写下这次要支持的决策，比如‘判断某细分类目未来两个季度是否值得加大投入’，然后把它拆成三个可回答的子问题，市场是否在增长、需求结构是否向我有利的方向迁移、竞争格局是否留有空位。
每个子问题只挂3到5个关键指标，指标总数控制在10个以内，凡是不能对应到某个决策动作的指标一律先砍掉。判断依据很简单：如果你没法说出这个指标变化后你会做什么，它就不该出现在这一版看板里。指标是手段，业务问题是起点。
我们团队之前做复盘，有人拿行业整体销量增速说事，有人拿我们自己商品的转化率说事，两边数据放在一张表里讨论，最后谁也说服不了谁。我一直有点困惑，这两类指标到底该在什么环节用，是不是应该严格分开看，不然很容易把大盘的涨跌误当成自己商品的成绩或问题。
要严格区分‘市场大盘指标’和‘商品自身指标’，它们回答的是不同层级的问题。市场大盘指标包括市场容量、行业增速、渗透率、品类结构占比、价格带分布、集中度CR5这类，用来判断值不值得做、做多大、跟谁竞争；
商品自身指标包括自己商品的销量、动销率、转化率、客单价、库存周转这类，用来判断做哪个、怎么定价、怎么配货。使用顺序上，先用大盘指标做‘要不要进场’的判断，再用商品指标做‘进场后怎么打’的执行。判断依据是：大盘指标变化通常不由你控制，只能用来顺势或避险；商品指标变化大多由你的动作引起，用来验证和调优。
把两者放进同一张表讨论时，一定要标注每个指标属于哪一层，避免用大盘增速给自己的执行结果贴金，也避免用单品转化率去推断整个市场的需求走向。
我在看一些行业报告时经常看到CR5、TGI这些词，感觉挺专业，但自己动手算的时候发现不同来源的‘市场’定义完全不一样，算出来的数字差很多。有一次我拿两个平台的数据对比集中度，结论一个是红海一个是蓝海，直接把我搞懵了。所以想搞清楚这些指标在实际使用中最容易踩的口径坑。
最常见的口径陷阱有三个。第一是‘市场’边界不统一，不同数据源对品类的划分、是否包含进口、是否包含线上专供款都不一样，导致市场容量和集中度的分母不同，结论自然相反。第二是时间窗口不统一，同比、环比、滚动12个月算出来的增速可能一个正一个负，做趋势判断时必须固定同一窗口并注明。
第三是TGI的基准人群不统一，TGI是某人群占比除以整体人群占比再乘100，基准变了数值就失去可比性。可执行的做法是：每次引用外部数据前，先确认三件事，品类定义、时间口径、人群基准，并把它们写在图表脚注里；跨源对比时优先统一口径后再比，做不到统一就只做趋势参考不做绝对值对比。
判断依据是，口径不一致的对比不是分析，是误导。
我搭过一版市场需求看板，指标挺全，规模、结构、竞争三层都有，但用了几周发现大家看完就完了，没人真的根据它调整动作。我开始怀疑是不是指标选得不对，还是缺少某种把指标转成动作的机制。想知道有没有一个简单的自查方法，能判断这套指标是不是真的可行动。
判断标准是‘每个指标必须能对应到一个具体动作’，做不到就是无效指标。可执行的自查方法是给每个指标补三列：一是含义，用一句业务语言写清楚它在说什么；二是数据来源和更新频率，确认它拿得到、更新得及时；三是触发动作，写清楚这个指标到什么阈值时、由谁、在多久内做什么。
比如‘某价格带占比连续两个月上升且超过某阈值，就触发一次该价格带的新品立项评估’。如果某一列写不出来，说明这个指标要么口径不清，要么没有决策出口，应先从看板上撤下。另外建议给每层指标设一个‘主指标’，规模层用市场增速、结构层用目标价格带占比、竞争层用目标细分市场份额，其余作为辅助解释。
这样一来，看板不是用来‘看’的，而是用来触发讨论和动作的，判断依据就是有没有人真的因为它改了排期、预算或库存计划。
读者评论
个指标压缩到9个，这个做法太对了。我们团队也是指标一大堆，周报看完了根本记不住，更别说做决策了。关键是每个指标都得能对应一个动作，不然就是摆设。
三个场景太真实了，尤其是大盘涨了但细分没涨那个。我们做母婴品类也踩过类似的坑，整体搜索量在涨，结果全被纸尿裤和奶粉拉动的，我们主打的辅食根本没动静，备货全砸手里了。
口径打架那个深有体会。之前用两个数据平台看同一个类目，一个说市场50亿一个说12亿，团队吵了一周没结论，最后项目黄了。后来才发现一个是全渠道零售额一个是平台成交额，这种隐性地雷真的防不胜防。
市场需求不等于用户需求，这句话说到点子上了。我们老板天天拿搜索指数涨了来说用户想要这个功能，实际上搜索的人可能只是好奇看看，转化率低得可怜。市场数据只能告诉你有没有人买，不能告诉你为什么买。
三层框架挺清晰的，规模层结构层竞争层逐层筛，比单纯堆指标有用多了。不过实际操作中结构层最难，品类占比、价格带、人群TGI这些数据来源太杂，三方平台和生意参谋经常对不上，得花大量时间对齐口径。