去年双十一前两周，我帮一个做家居收纳类目的朋友复盘他的商品分析流程。他给我看了一份 47 页的 Excel，里面密密麻麻记录了 32 个竞品的价格、月销、评价数、主图风格，甚至还有竞品客服的响应速度。我问他：那你准备怎么调整自己的定价和主推款？他沉默了半分钟，说："数据都在这儿，但我看了三天，还是没敢动。"这个场景我遇到过太多次了。问题不在于他不勤奋，也不在于数据不够多，而在于他从一开始就没搞清楚一件事，商品分析里真正难的不是"看到竞品"，而是判断"这个赛道现在到底有多挤、挤到什么程度会伤害到我"。
而这个判断，靠手工刷后台、靠零散截图，几乎做不出来。它需要一套自动化方案持续跑，才能把"竞争强度"从一种模糊的感觉，变成可比较、可预警、可决策的指标。这就是我想在这篇文章里讲清楚的事。
如果只能记住一句话，我希望是这句：竞争强度不是"有多少人卖同款"，而是"买家在多大程度上能轻易用别人替代你"。这个定义听起来有点绕，但它直接决定了你该监控什么指标。
很多运营把竞争强度等同于"竞品数量"。这是我见过最普遍、也最致命的误区。一个类目里有 500 个卖家，但前 10 名占据了 85% 的流量，剩下 490 个卖家其实处于"陪跑"状态，你只需要盯住那 10 个。反过来，一个类目只有 30 个卖家，但价格、主图、卖点高度同质化，买家滑动两屏就能找到几乎一样的商品，那这种竞争强度反而更高，因为你的可替代性极强，买家换你不费任何成本。
所以我在实际操作中，会把竞争强度拆成三个互相独立、但必须一起看的层面：供给密度、价格压力、流量争夺。这三层分别回答三个问题：赛道里有多少"有效玩家"？买家对价格有多敏感？流量集中在谁手里？只看其中一层，判断一定会偏。这也是为什么手工分析容易失效，三层数据来自不同位置，刷新节奏也不一样，人脑很难同时跟踪。
我复盘过自己早期做商品分析的全过程，基本逃不出三个阶段，而且每个阶段都有明确的卡点。
第一阶段是"采集阶段"：打开搜索页，翻前 5 页，逐个点进竞品详情页，截图、复制价格、记录销量。这个阶段最耗时间，32 个竞品刷完差不多要 3 到 4 个小时，而且平台的反爬机制会让你越刷越慢。
第二阶段是"整理阶段"：把截图和笔记录入 Excel，手动归类价格带、计算平均值、标记异常值。这个阶段最容易出错，我曾经因为一个竞品价格记错了一位小数点，导致整个价格带分析偏移了 20%，最后定价定高了 15 块，主推款前两周几乎没出单。
第三阶段是"判断阶段"：盯着整理好的表格，试图回答"我现在该不该跟进降价"。而这个阶段恰恰是最没有方法论的，数据都在眼前，但判断标准不在表格里。
这三个阶段的真正问题是：采集和整理占据了 90% 的精力，留给判断的只剩 10%。而判断才是商品分析唯一产生价值的部分。自动化方案要解决的，就是把采集和整理的 90% 抢回来，让判断这件事有足够的思考带宽。
2023 年我参与过一个厨房小家电的类目分析。当时我们监控的竞品里，有一款主推款在两周内悄悄把价格从 199 降到了 169，同时加大了直通车投放，评价数从 800 涨到了 1200。而我们团队因为那两周在忙大促其他环节，没有人手动去刷竞品后台，等发现的时候，对方已经吃掉了类目搜索前三位的大部分流量。
后来复盘，问题很清楚：我们的监控频率是"每周手动刷一次"，而竞品的调整节奏是"3 到 5 天一轮"。当你的监控频率低于对手的调整频率，你就永远在打一场信息滞后的仗。这也是我后来坚定要用自动化方案的核心原因，不是自动化有多高级，而是人不可能保持高频、稳定、不出错的监控节奏。
前面已经说过，竞品数量是最没有信息量的指标。一个类目 500 个卖家，你真正需要关注的可能是头部 10 个加上和你定位最接近的 5 个。剩下的都是"背景噪音"。竞品分析的第一个动作，永远是"筛掉不值得看的对手"，而不是"把看到的都记下来"。
我在帮那个家居收纳客户分析的时候，发现一个现象：有两个竞品的月销都是 3000 单左右，静态看几乎一样。但进一步看变化，A 竞品 30 天前月销 2800，现在 3000，属于自然增长；B 竞品 30 天前月销 1200，现在 3000，属于爆发式增长。这两个对手对你的威胁完全不同，B 才是那个需要立刻研究的对象，因为它背后可能有新的推广打法或者产品改良。静态数据骗人，变化速度才说真话。
这是自动化做多了之后的新坑。很多人上了自动化工具之后，看板上一堆指标，价格、销量、评价、转化率、复购率，全都自动化采集了，但没有人能回答"这个指标到多少算高、到多少该行动"。没有阈值的指标，本质上和没有指标一样，只是从"数据匮乏"变成了"数据过载"。
自动化方案能替你采集、整理、计算、预警，但它不能替你决定"要不要跟进降价"。这是人的工作。我见过一些团队，上了自动化之后反而更迷茫，因为他们期待系统给出"该做什么"的答案，但系统只能给出"发生了什么"。自动化的正确定位是"决策的弹药库"，不是"决策的扳机"。
供给密度回答的是"这个赛道里有多少真正值得关注的玩家"。我的做法是设定一条筛选线，把不构成威胁的链接先排除掉。常用的筛选条件包括：月销低于某个阈值（比如 10 单）的、上架时间超过 180 天仍无评价的、价格偏离主流价格带 50% 以上的。
筛选完之后，再计算两个关键指标：有效竞品数量和头部集中度。头部集中度一般用前 10 名销量占总销量的比例来衡量。如果这个比例超过 70%，说明流量高度集中，腰部卖家突围难度大；如果低于 40%，说明市场相对分散，新玩家还有机会。
价格压力回答的是"买家对价格有多敏感"。我通常会画一张价格带分布图，把所有有效竞品的价格打散到价格轴上，然后看两个东西：价格带的数量，以及每个价格带内竞品的密度。
如果所有竞品都挤在 89 到 109 这个窄区间里，说明这个类目已经打成了价格战，你几乎没有定价空间，跟进降价就是无底洞。反过来，如果价格带分化明显，比如同时存在 59、99、159 三个明显的价格锚点，说明买家对价格的敏感度是分层的，你有可能通过产品差异化跳出价格战。
流量争夺回答的是"流量在向谁集中、以多快的速度集中"。我最常看的是头部竞品的评价增量，因为评价是销量的滞后指标，但增量是推广力度的先行指标。一个竞品如果近 30 天评价增量明显高于类目平均，说明它正在加大投放。
更进阶一点，我会看竞品在不同流量入口的表现，搜索、推荐、活动，判断它的流量结构。如果它主要靠搜索，说明它在做关键词卡位；如果主要靠推荐，说明它内容或转化数据好，平台愿意给它自然流量。流量结构决定了你该从哪个入口去抢它的份额。
先把边界划清楚，不然容易走偏。自动化方案最适合承接三类工作：高频重复的数据采集、标准化指标的自动计算、异常波动的实时预警。这三类工作的共同特点是规则明确、不需要临场判断、对时效性要求高。
它不适合承接的是：战略方向判断、跨类目的机会评估、需要结合供应链和库存情况的定价决策。这些工作依赖的是经验和上下文，自动化给不了。
我把一套能跑起来的自动化拆成四个模块，缺一不可，但每个模块都可以先用最简方案起步。
第一个模块是数据源：确定你从哪儿拿数据。平台后台、第三方数据服务、自建采集，三种来源各有取舍，下面会专门讲。
第二个模块是采集层：把数据定期抓回来，落到结构化表格里。关键是定时，按竞品调整频率来定，一般 6 到 24 小时一轮。
第三个模块是指标计算层：把原始数据加工成前面说的三层指标。这一层要预先定义好公式和阈值，不能每次都临时算。
第四个模块是预警层：当某个指标突破阈值时，自动推送到你常用的沟通工具。预警是自动化真正产生价值的地方，因为它把"你去发现问题"变成了"问题来找你"。
下面给一个简化的伪代码逻辑，示意指标计算和预警应该怎么组织，避免写成一次性脚本：
# 竞争强度监测伪代码示意（非可运行代码）
目标：按固定周期计算三层指标，并对异常波动发出预警
config = {
"采集频率": "每 12 小时",
]
模块一：采集与清洗
raw = collect_competitors(keywords, pages=5)
valid = filter_competitors(
raw,
最低月销=10,
上架天数上限=180,
价格偏离上限=0.5,
)
模块二：三层指标计算
supply_density = len(valid)
top_share = top_n_sales_share(valid, n=10)
price_std = price_band_std(valid)
review_growth = review_increment(valid, days=30)
模块三：阈值预警
if top_share > 0.70:
alert("头部集中度偏高，腰部突围难度上升")
if review_growth.max() > category_avg * 2:
alert("存在爆发型竞品，建议人工介入分析")
if price_std < threshold:
alert("价格带高度集中，价格战风险上升")数据源的选择直接决定了自动化方案的精度、成本和合规风险。下面这张表是我自己用下来的对比总结，供参考。
| 数据源类型 | 数据精度 | 成本 | 上手难度 | 适用场景 |
|---|---|---|---|---|
| 平台后台（官方数据） | 高，但只覆盖自家商品和有限竞品视图 | 低 | 低 | 自身经营复盘、核心竞品粗略对比 |
| 第三方数据服务 | 中高，覆盖广，但存在采样偏差 | 中到高，按席位或调用量计费 | 中 | 跨类目选品、竞品趋势追踪 |
| 自建采集 | 取决于采集策略，可控但需维护 | 初期低，长期人力成本高 | 高 | 定制化指标、特定竞品深度监控 |
我的建议是组合使用：用第三方数据服务做宏观筛选，用自建采集做核心竞品的深度监控，用平台后台数据做自身和竞品的交叉验证。单靠任何一种数据源，都会有明显的盲区。
在讲具体数据之前，先说明为什么选它。数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys）是一套面向跨境电商的数据分析工具，我在做竞品强度监控时用过它一段时间，它比较契合前面提到的"三层判断框架"落地，既有供给密度相关的竞品筛选视图，也有价格带分布和销量趋势的长期追踪。用它来演示框架的可操作性是合适的。
需要提前说明的是，下面这组数据来自我在某个家居收纳细分类目里的实际观察记录，采样时间是连续 90 天，覆盖搜索页前 5 页的竞品。具体数值会因为类目和采集口径不同而变化，这里重点看的是指标之间的关系和变化趋势，而不是绝对值本身。
在这个细分类目里，搜索页前 5 页一共能采集到 240 条左右的商品链接，但经过筛选后，月销超过 10 单的有效竞品只有 86 个，占比约 36%。进一步看头部集中度，前 10 名销量占到了总销量的 76%。
这个数字意味着什么？意味着这个类目表面上有 240 个玩家，实际上是 10 个玩家分走了四分之三的蛋糕，剩下 76 个在抢残羹。如果你是新进入者，直接去和头部硬刚搜索排名是不明智的，更现实的做法是找到头部覆盖不足的长尾细分场景。
把 86 个有效竞品的价格铺开，我发现它们集中在 79 到 119 这个区间，价格带标准差只有 18.6 元。这种高度集中说明类目已经进入价格战阶段，买家对价格非常敏感。
但更有意思的是，在这个集中区间之外，还散落着几个 159 和 199 的商品，而且它们的销量并不差。进一步看这几个商品的主图和详情页，发现它们都在强调"材质升级"和"耐用性"。这说明价格战虽然激烈，但并不是没有突围口，买家对价格敏感，是建立在他们认为"商品差不多"的前提下；一旦你能证明"不一样"，价格敏感度就会下降。
90 天里让我印象最深的一个信号是：有一个腰部竞品的近 30 天评价增量达到了 420 条，明显高于类目平均的 120 条左右，而它的价格和主图在那段时间并没有明显变化。这说明它在做投放，而且转化不错。
如果当时只靠每周手动刷一次竞品，我很可能错过这个信号，或者等到它评价数涨到 2000 以上才后知后觉。自动化监控的价值在这一次体现得非常具体：它让我在对手还没冲进头部的时候就捕捉到了推广动作，留出了分析和应对的时间窗口。
当时基于这几层观察，我给那个家居收纳客户提的建议是：不跟进降价，而是把预算放在"材质和耐用性"的内容化表达上，同时在详情页增加对比测试的可视化。三个月后复盘，他的主推款客单价维持在 129，销量反而增长了 40%，而同期降价的几个竞品销量并没有明显提升。
这个结果并不能证明"降价一定错"，但它印证了一个判断：当价格带高度集中、大家都往一个方向挤的时候，真正稀缺的不是更低的价格，而是让买家相信"不一样"的能力。而这个判断的前提，是你得先通过自动化把竞争强度的真实状态看清楚。
不要一上来就买工具。先用最原始的方式走一遍流程：选一个核心竞品，手动记录它 7 天的价格、销量、评价数，做一张最简单的表。这一步的目的不是拿数据，而是让你亲身感受"哪些指标变化快、哪些慢"，理解采集的难度在哪里。
走完这一遍之后，再上自动化，你会知道该自动化哪个环节、该设什么阈值，而不是被工具的功能列表牵着走。
你的问题大概率不在数据量，而在缺判断标准。建议你停下来，先把前面说的三层框架落实成具体的指标和阈值，哪怕只有三个指标、每层一个。然后拿你过去一个月的实际决策去回测，如果按这三个指标的阈值来判断，你会不会做出和当时一样的决策？
回测是检验判断标准最有效的方法，它不需要任何新工具，只需要你愿意回头看。
这通常是预警设计的问题，不是数据的问题。检查你的预警是不是太频繁、太宽泛。如果把预警频率降到每周只推 1 到 2 条真正需要行动的，团队反而会认真看。
我的经验是：预警的价值不在于多，而在于每一条都能对应一个动作。如果一条预警你看了不知道该做什么，那它就不该存在。
优先用第三方数据服务起步，别自建采集。自建采集的初始成本看起来低，但维护成本会被严重低估，页面结构一改、反爬策略一升级，你的采集脚本就得重写，这对没有专职数据人力的小团队来说是持续负担。
把节省下来的人力放在"判断"这件事上，比放在"维护采集脚本"上回报高得多。
如果你的类目竞争节奏快（比如快消、当季品），优先保时效，牺牲一点精度。哪怕数据有些采样偏差，只要方向对，就能支撑快速决策。
如果你的类目是耐用品、决策周期长，优先保精度。一次错误的价格判断可能影响半年的库存周转，这时候多花时间核对数据是值得的。
资源有限时，我建议先保深度，后保广度。盯死 12 个核心竞品，比泛泛地看 500 个竞品有用得多。广度可以等深度跑通之后再扩。
判断标准只有一个：你的团队有没有能力持续维护它。如果有专职数据人力，自建能给你最大的灵活性；如果没有，采购现成服务的综合成本更低，哪怕功能不那么贴合你的需求。
设低了，预警泛滥，团队麻木；设高了，容易漏掉信号。我的做法是分两级：日常波动用低阈值记录但不推送，只在达到高阈值时才推送。这样既保留了完整数据，又不干扰注意力。
| 取舍维度 | 优先选 A 的情况 | 优先选 B 的情况 |
|---|---|---|
| 精度 vs 时效 | A：耐用品、决策周期长 | B：快消、当季品、节奏快 |
| 广度 vs 深度 | A：已有成熟监控体系 | B：资源有限，刚起步 |
| 自建 vs 采购 | A：有专职数据人力 | B：无专职人力，重判断 |
| 预警阈值高 vs 低 | A：团队已疲劳，需降噪 | B：类目波动大，需捕捉早期信号 |
从你已知的竞品里，按"定位最接近、销量最接近、变化最快"三条标准，挑出 12 个。不用多，12 个已经足够覆盖大部分威胁信号。
供给密度层用头部集中度，价格压力层用价格带标准差，流量争夺层用近 30 天评价增量。先跑这三个，不要贪多。
每个指标设一个阈值，先用行业经验值起步，跑一周后根据实际情况调整。记录的目的不是立刻行动，而是验证阈值是否合理。
确认指标和阈值靠谱之后，再考虑用工具把采集和计算自动化，把频率从"每周"提到"每 12 小时"。到这一步，自动化才真正服务于判断，而不是替代判断。
回到开头那个朋友的故事。他后来做的调整其实很简单：把 47 页 Excel 砍到 12 个核心竞品、3 个核心指标，然后每天花 15 分钟看变化。三个月后他告诉我，这是他做商品分析以来第一次"敢于在数据不全的时候做决定"，因为他知道自己看的是对的东西。
这就是我对竞争强度这件事最核心的独特观点：它不是一堆需要你记住的数字，而是一套让你在信息不完整时仍能做出合理判断的框架。自动化方案的作用，是把采集和计算这些机械劳动接过去，让你把宝贵的判断力用在真正需要它的地方。
如果你读到这里想做点什么，我建议只做一件事：今天就选定你最重要的 12 个竞品，给它们做一张只包含价格、销量、评价增量的三列表。不用工具，不用公式，就手工记一周。一周之后你回看这张表，会发现自己对"竞争"这两个字的理解，已经和现在不一样了。等你确认了哪些指标真的会变化、变化多快，再去考虑自动化把频率提上来，到那时，你不会再被工具的功能列表牵着走，而是清楚地知道自己在买什么、为什么买。
我之前做商品分析时，一直把竞品数量当成竞争强度的核心指标，结果发现同一个类目里竞品数量差不多，但有的品卖得很轻松，有的品天天打价格战。后来才意识到自己可能从一开始就把指标选窄了，但又不知道到底该补哪些维度。
竞品数量只是供给密度的粗略代理，不能单独用来判断竞争强度。比较实用的做法是拆成三层来看：第一层是供给密度，用同类目在架商品数、近30天新增商品数、头部10个商品的销量占比来判断，如果头部集中度高，说明新玩家很难切进去；
第二层是价格压力，看价格带分布、促销商品占比、近90天均价变化幅度，价格带越拥挤、促销越频繁，说明大家都在用价格换量；第三层是流量争夺，看搜索词下的点击集中度、评论增速、广告位数量变化。判断依据上，不要追求一次性把所有指标算全，先选一层跑通。
比如你只盯供给密度，就固定每周记录一次在架商品数和头部销量占比，连续看4周趋势，比一次性拉一堆指标更有判断力。不同品类阶段也不一样，新品期供给密度低但流量争夺可能已经很激烈，成熟期则是三层同时高位。所以我的建议是先给自家品类定一个阶段，再决定哪一层权重更高。
我们团队之前买过工具也搭过简单脚本，但用了一段时间发现，自动化跑出来的数据挺多，真正能指导动作的结论却很少。领导问我自动化到底有没有用，我也有点说不清，感觉它好像只是个数据搬运工。
自动化适合承接的是持续监测、口径统一和异常触发这三件事，不适合替代战略判断。具体来说，能自动化的部分包括：按固定周期采集在架商品数、价格、评论数、销量排名等字段；把指标按你定义好的口径算出来，避免不同人拉数结论不一致；当某个指标越过阈值时触发预警，比如头部销量占比一周内下降超过5个百分点。
必须人来做的是：判断这个变化是季节性波动还是真实竞争加剧，判断要不要跟进降价或调整主推款，判断预警阈值本身定得合不合理。我自己的做法是把自动化当成一个筛选器，它负责把值得看的异常挑出来，人只在被挑出来的那几条上做深度判断。这样既不会漏掉变化，也不会被大量正常波动的数据淹没。
判断自动化有没有用，就看它每周帮你省掉多少小时的重复拉数时间，以及有没有帮你提前发现过至少一次值得反应的变化。
我在一个不到十个人的小团队做运营，没有专职数据分析，老板又希望我们能盯住竞品动态。我试过手动记录，但坚持两周就断了，想问问有没有那种不用写代码、一个人也能跑起来的方案。
小团队做这件事的核心原则是：先固定一个指标、一个周期、一个出口，不要一上来就追求大而全。具体可以这样做：第一步，选一个最关心的指标，比如头部10个竞品的价格和评论数，别贪多；第二步，确定采集周期，建议每周一次，固定在周一上午，周期太短噪声大，太长反应慢；
第三步，用现成的表格工具建一张表，字段就固定为日期、竞品名称、价格、评论数、排名，手动填或者用平台后台导出的数据批量粘贴；第四步，加一列计算环比变化，再设一个条件格式，变化超过你设定的幅度就标红；第五步，每周花15分钟看标红的行，写一句判断，比如某竞品连续两周降价且评论增速加快，可能需要关注。
这套流程一个人一周花不到半小时，关键是先跑满8周再考虑要不要上工具。很多小团队失败不是因为工具不够好，而是因为一开始就设计了需要三个人维护的流程，最后没人接得住。
我最近在选品，看中的几个类目竞争强度都不低，同事劝我说竞争太激烈别碰，但我又觉得如果竞争强度高就都不能做，那是不是很多机会都被误杀了。我想知道有没有判据能区分哪种高竞争是坑、哪种反而是机会。
竞争强度高不等于不能做，关键看这个高强度是结构性的还是暂时性的，以及你自身有没有错位切入的空间。可以按三个问题来判断：第一，高竞争是由头部几个玩家牢牢占住销量和流量造成的，还是由大量同质化中小卖家互相压价造成的？前者说明壁垒高，硬碰成本大；
后者说明大家都在拼价格，反而可能存在靠差异化和细分需求切进去的机会。第二，需求端是在增长还是在萎缩？如果类目整体搜索量和销量还在涨，高竞争可能只是入场者变多，蛋糕也在变大；如果需求持平甚至下滑，高竞争就是存量厮杀，要更谨慎。第三，你有没有非价格维度的优势？
比如更精准的人群定位、更短的供应链反应速度、更差异化的内容呈现方式。如果只有价格能打，那高竞争类目确实容易把你拖进亏损。我自己的判断习惯是，先看需求趋势，再看头部集中度，最后看自己有没有至少一个非价格优势，三个里有两个正向才考虑进。
读者评论
文章把竞争强度拆成供给密度、价格压力和流量争夺三层，这个框架比单纯看竞品数量清晰很多。不过对于小团队来说，自动化采集的技术门槛和平台反爬仍是现实障碍，落地成本不低。
评价增速作为先行指标的观点很实用。我之前只盯月销，忽略了对手评价激增背后的推广动作，等发现时流量已经被抢走了。但文章没展开如何设定评价增速的预警阈值，不同类目差异应该很大。
四个误区总结得很到位，尤其是'自动化替代判断'那条。我们团队上了工具后反而更依赖看板，运营自己分析能力确实退化了。工具只是弹药库，扳机还得人来扣。
文章偏方法论，实操细节偏少。比如价格带标准差怎么算合理、头部集中度超过70%后具体怎么突围，都没给案例。对新手来说，理解了框架但可能还是不知道第一步从哪下手。