上周三下午，一个做母婴品类的朋友给我发微信，说老板丢给她一句话："帮我看看护肤这个赛道还能不能进，下周给结论。"她手里有波特五力、有 CR4、有竞品对比表，还专门买了某数据平台的会员，但真正坐在电脑前的时候，她发现自己不知道该从哪一个开始，也不知道算出来的数字该往哪个方向解读。这不是她一个人的问题，我在过去几年参与和复盘的品类分析项目里，见过太多次同样的卡点：大家纠结的是"哪个工具更准"，而真正决定分析有效性的，是"这个工具能不能接上你要做的那一个决策"。
工具对比文章看得再多，如果没解决"输入从哪来、输出怎么读、读完做什么"这三件事，分析报告大概率还是会被老板一句"所以呢"打回来。
很多人潜意识里把"竞争强度"当成一个可以打分、可以排序的单一指标，好像算出来是 7.2 分就比 5.8 分更激烈。这个理解从第一步就偏了。
在我的实践里，竞争强度至少要拆成三个互相独立、甚至可能互相矛盾的子问题。第一个是拥挤度：这个市场里到底塞了多少玩家，头部占了多少；第二个是结构强度：现有玩家的护城河有多深，打起来会不会两败俱伤；第三个是可进入空间：以我现在的资源，还有没有可以站住的位置。
这三个问题的答案经常不在一个方向上。我见过一个家居小家电品类，拥挤度极高，CR4 超过 45%，看起来完全不能进；但它的结构强度其实很弱，头部品牌靠低价铺货起量，产品同质化严重，反而给了一个细分场景切入的机会。如果只用一个工具、一个数字去回答三个问题，结论必然是割裂的。
过去三年，我完整参与或事后复盘过 26 个品类竞争分析项目，覆盖美妆个护、宠物、家居、3C 配件和跨境快消。我把每个项目的"分析结论"和"半年后的真实业务结果"做了对照，得到一个不太舒服的结论。
决定分析质量的，不是用了多高级的工具，而是三件事的乘积：决策对齐度、输入数据质量、解读纪律。任何一项接近零，最终结论的有效性就接近零。我见过用 Excel 手算 CR4 却把结论用对的团队，也见过买了全套 BI 看板却把 HHI 用在进入决策上的团队，后者的报告精致得多，但结论错得更彻底。
如果你只从我这一节拿走一句话，我希望是这句：先写清楚"这次分析要支撑哪一个决策"，再去选工具；顺序反了，做得越精致，浪费越大。
下面这张图是我对自己用过的五种主流工具做的覆盖度打分，满分 5 分，打分依据是"这个工具能不能独立回答某个子问题"。它想说明的事情很简单：没有哪一个工具能同时把三个子问题都回答完整。
回到开头那个朋友。她的问题不是不会算，而是不知道"这个赛道还能进吗"这句话背后到底要回答什么。
我让她把这句话翻译成三个更具体的问句：这个品类现在头部占了多少、增速在放缓还是在加速；如果进去，我的成本结构能不能撑住现在的主流价格带；有没有一个功效或人群，头部品牌做得不够好。翻译完之后，她立刻知道自己需要什么数据了，头部份额三年趋势、主流价格带分布、差评关键词分布。工具的选择变成了自然结果，而不是起点。
进入决策需要的是"结构 + 趋势"。你要知道头部集中度是多少、过去三年怎么变的、新玩家还在不在涌入。这一组输入对应 CR4/HHI 加时间序列，而不是五力。很多人用五力去回答能不能进，结果得到的是一堆定性描述，没法下判断。
定价决策需要的是"价格带密度 + 成本结构"。你需要知道每个价格带有多少个 SKU 在跑、销量集中在哪一段、你的毛利结构能不能落在那里。这一组输入对应价格带分布图和评论差评归因，而不是集中度指标。
差异化决策需要的是"竞品矩阵 + 未被满足的需求"。你需要知道头部品牌的产品矩阵里哪一格是空的，用户的抱怨集中在哪几个点上。这一组输入对应战略群组图和评论文本分析。
把这三个场景混在一起，就会出现我见过最多的现象：拿着一份算得很准的 CR4 报告，去回答一个本该由价格带矩阵回答的问题。
我翻了翻自己浏览器收藏夹里关于这个主题的文章，加上搜索平台上排名靠前的同类内容，抽了 40 篇做结构统计（样本推演，非严格抽样）。结果是这样的。
这组数字解释了为什么很多人看完一堆文章依然不会做：真正稀缺的不是工具知识，而是"什么阶段用什么工具、用完怎么读、读完做什么"的链路知识。
这是最根上的误区。竞争强度是一个多维判断，不是一个标量。当你把它压缩成一个数字时，你其实是偷偷把它简化成了某一个维度，通常是拥挤度。
我见过一份报告，开篇写"该品类竞争强度评分为 8.1/10"，翻到后面发现这个分数是三四个指标的加权平均，权重是拍脑袋定的。这种做法的问题不在于权重是否合理，而在于加权平均会掩盖掉结构性差异：一个 CR4 高但产品同质化的市场，和一个 CR4 低但头部品牌壁垒极深的市场，可以算出同一个分数，但进入策略完全不同。
HHI 是判断市场集中度的好工具，它比 CR4 更能反映中小玩家的分布情况。但它能回答的只有一个问题：这个市场是分散还是集中。
HHI 低于 1000 通常被认为是竞争性市场，1000 到 1800 属于中等集中，高于 1800 属于高集中。但 HHI 低，只说明"没有谁垄断"，完全不说明"你进去能赚钱"。一个 HHI 只有 400 的市场，可能分散的原因是所有玩家都不赚钱，谁也没能力做大。
我在宠物零食这个品类上就踩过这个坑。当时算出来 HHI 很低，判断是"机会型市场"，进去之后发现低集中度的原因是 SKU 高度非标、供应链极度分散，规模效应起不来，做了一年多，毛利率始终上不去。
五力最有价值的用法，不是算总分，而是找到五股力里最弱的那一股，然后问自己：我能不能从这个缺口进去。
很多人把五力做成雷达图，然后算个平均分，说"竞争强度 3.8 分，偏高"。这个用法几乎浪费了五力的全部价值。五力真正的洞察在于结构：如果供应商议价能力强、购买者议价能力弱，那说明这个行业的利润被上游吃掉了，你的机会可能在自建供应链；如果新进入者威胁高但现有竞争者强度低，说明这是个"进得来但打不起来"的市场。
这是我复盘中最常见、代价也最大的一个误区。竞争强度是动态变量，单年快照很容易把趋势方向判断反。
一个品类今年 CR4 是 28%，看起来是分散市场，还有空间。但如果你拉三年数据，发现它从 19% 一路涨到 28%，同时新品牌上架数从 1200 个掉到 520 个，那你面对的不是"分散市场"，而是"正在快速收敛的市场"，进入窗口可能只剩一到两年。
我在后面第五节的案例里会用一组具体数字说明这个差异有多大。
这一条在做跨境和多平台经营的团队里尤其致命。同一个品牌，在不同的数据口径下，市场份额估算可以差出接近一倍。原因包括：GMV 是否含退款、是否含预售定金、类目归属规则是否一致、是否包含分销渠道。
如果你拿单一平台的口径去算 HHI，得到的数字会有系统性偏差。这个偏差不会让你"算错一点点"，而是可能直接改变结论方向。
最后一个误区，也是让报告"看起来很专业但没用"的直接原因。CR4 算出来是 31%，然后呢？五力雷达图画完了，然后呢？
分析工具的产出是"判断依据"，不是"行动方案"。中间必须有一层翻译：这个判断依据，对应我手上的哪三个可选动作，每个动作的风险是什么。跳过这一层，报告就永远停在"现状描述"的水平上。
下面这组数据是我对 26 个项目做的复盘统计（示意性统计），记录的是"如果犯了某类错误，最终品类判断结论发生方向性翻转的比例"。
这一段是整条链路里最容易被跳过、但收益最高的一步。"这个赛道能不能进"不是一个可判定的问题，因为它没有判定标准。你需要把它改写成一个有明确门槛的问句。
我习惯用的改写方法是这样：把问题写成"在什么条件下，我就做，在什么条件下，我就不做"。比如："如果该品类 CR4 低于 30%、且过去三年 CR4 年均上升不超过 3 个百分点、且主流价格带里 150 到 250 元段的 Top10 品牌集中度低于 40%，我就进入测试期。"
这种问句看起来笨，但它做了两件事：一是把决策标准前置，避免事后找理由；二是直接告诉你需要什么数据，工具选择自然浮出水面。
这一步的顺序非常关键。正确的顺序是"决策问题 → 需要哪些输入变量 → 哪个工具能产出这些变量"，而不是"我学了哪个工具 → 找地方用它"。
我一般会把输入变量分成三类：结构类（份额分布、集中度）、行为类（价格带分布、上新频率、促销强度）、感知类（差评关键词、用户搜索词变化）。结构类靠集中度指标，行为类靠价格带与上新监测，感知类靠评论文本与搜索数据。
三类变量对应三类数据源，也对应三类工具。这一步做完，你会发现工具选择其实没什么可纠结的。
下面这张表是我自己在项目里反复用的对照表。它不列"功能有无"，而是列"什么阶段用、需要什么输入、输出什么、局限是什么"。
| 工具 | 适用决策阶段 | 核心输入 | 输出结果 | 主要局限 |
|---|---|---|---|---|
| CR4 / CR8 | 进入前的粗筛 | 头部玩家份额，需同一口径 | 头部占位比例，判断是否拥挤 | 完全无法回答是否有进入空间 |
| HHI | 进入前的粗筛 | 全部玩家份额或可估算的长尾分布 | 集中度数值，识别分散或寡头 | 对份额估算误差敏感，长尾数据难获取 |
| 波特五力 | 进入后的结构诊断 | 供应端、渠道端、替代品、进入门槛的定性事实 | 结构性缺口定位，找到最弱的那股力 | 不给数字，容易被主观判断带偏 |
| 战略群组图 | 定位与差异化 | 竞品价格、核心卖点、目标人群 | 价格带与卖点二维上的空位 | 维度选择依赖分析者判断 |
| 价格带密度分析 | 定价决策 | SKU 分布、销量分布、毛利结构 | 每段价格带的拥挤度与机会带 | 只能反映现状，不预测趋势 |
| 评论差评归因 | 差异化与产品定义 | 竞品评论语料、评分分布 | 未被满足的需求点排序 | 样本偏差大，需注意采集时段 |
| SWOT | 策略收敛 | 前六项工具的分析结论 | 行动方向与优先级 | 不能作为独立分析工具使用 |
注意最后一行。SWOT 在我的链路里从来不是起手式，而是收口动作。它的输入必须来自前面的量化工具，否则就变成了一场自说自话的头脑风暴。
工具算完了，怎么读，这里有三条我自己强制执行的纪律。
第一条：任何一个集中度数字，都必须配一条时间序列。单点的 CR4 只是快照，三年以上的趋势才是信息。如果数据只能拿到两年，我会在结论里明确标注"趋势判断置信度低"。
第二条：任何一个集中度数字，都要配一个口径说明。写清楚这份份额是含退款还是不含、是单平台还是全渠道、类目边界怎么划的。我见过太多报告因为口径没写清，在不同部门之间被解读成不同结论。
第三条：任何一个判断，都要配一个反例测试。问自己一句："如果这个结论是错的，最可能是因为什么？"这一步能提前暴露输入数据的薄弱环节。
最后一步是翻译。我的做法是强制把每个分析结论翻译成"三个动作 + 一个观察指标"。三个动作是：立刻做、观察后再做、明确不做。一个观察指标是用来验证这个结论是否成立的先行信号，比如"如果三个月内该价格带新增 SKU 少于 50 个，说明窗口正在关闭，立即停止投入"。
这一步做完，分析报告才真正具备业务价值。下面这张漏斗图展示了我统计的五段链路各环节的通过率（示意性基准），你会发现最大的损耗发生在后半段。
如果你需要自己动手算集中度，下面是我在项目里常用的最小计算逻辑。它不复杂，真正难的是数据口径统一，而不是公式本身。
# HHI 与 CR4 最小计算示例（Python）
shares 为各玩家市场份额，单位 %，总和应接近 100
def hhi(shares):
HHI 使用份额的百分数平方和，取值区间 0 - 10000
return sum(s 2 for s in shares)
def cr4(shares):
return sum(sorted(shares, reverse=True)[:4])
market = [12.5, 8.2, 6.1, 4.3, 3.8, 3.1, 2.6, 2.2, 1.9, 1.5]
rest_share = 100 - sum(market)
market.append(rest_share) # 长尾合并为一个份额
long_tail = [rest_share / 60] * 60 # 若能把长尾拆细，HHI 会更接近真实值
print("CR4 =", round(cr4(market), 2), "%")
print("HHI(近似) =", round(hhi(market) + sum(s 2 for s in long_tail), 1))
关键提醒：
1. 长尾合并程度不同，HHI 结果差异可以超过 30%
2. 同一份数据换成不同平台口径，CR4 差异可以超过 5 个百分点
3. 任何一次计算，都要把口径与长尾处理方式写进报告这是我去年秋天参与的一个真实项目，做了一定的数字脱敏。品牌方是一个新锐护肤品牌，主力价格带 180 到 240 元，团队规模 15 人左右，想判断要不要从现有的单一功效线，扩张到一个新的护肤细分类目。
在动手之前，我们把问题改写成三个可判定的问句：这个细分类目的头部集中度现在是多少、过去三年怎么变的；如果我进去，我的成本结构能不能落在主流价格带；有没有一个功效组合是头部做得不够好的。
第一步我们只做一件事：算集中度，并且拉三年。
单看当年数据，CR4 是 31%，HHI 大约 420，属于典型的分散市场。如果只看这一年，结论会是"高度分散，机会很大"。但把三年数据摆在一起，画风完全变了。
这组数字改变了整个判断方向。我们面对的不是"分散的机会市场"，而是"正在快速收敛的窗口期市场"。CR4 年均上升 4.5 个百分点，新品牌上架数三年掉了将近六成，平均客单价涨了 22%。把这三条放在一起读，结论是：窗口还在，但大概只剩一到两年，而且必须以中高客单价切入，因为低价段正在被头部挤压出去。
集中度告诉了我们"挤不挤"和"往哪个方向走"，但没告诉我们"机会具体在哪"。这一步我们用了五力，但用法不是打分排名，而是找最弱的那股力。
这份雷达图给我们的结论是：进入门槛低是机会，但购买者议价能力 4.4 分意味着用户忠诚度极低，靠单点爆品打不持久。所以策略必须是"低成本进入 + 高复购产品结构"，而不是"重金打爆款"。
第三步是定位。我们拉了该细分类目销量前 200 的 SKU，按价格带（100 元以下、100 到 180、180 到 260、260 元以上）和主打功效（补水、修护、抗初老、控油、美白）做了二维分布。
结果发现两个空位。一是 180 到 260 元价格带里，"修护 + 抗初老"的组合 SKU 数量只有 7 个，但该价格带的整体销量占比已经达到 34%，供给明显不足；二是 260 元以上价格带里，"控油"功效几乎是空白，但用户搜索词中"油皮抗老"的搜索量在过去一年增长了明显。
这一步的关键不是找到空位，而是判断这个空位是"没人做"还是"做不了"。我们回到差评数据去验证：在 180 到 260 元价格带的修护类产品差评里，"质地厚重""闷痘"两个关键词出现频率合计超过三成。这说明空位的成因是配方难度，而不是需求不存在。这反而是好消息，因为配方难度构成进入壁垒。
前面几步的分析听起来顺畅，但实际操作中我们花了将近两周时间在一个很没技术含量的事情上：口径对齐。品牌方同时在国内平台和跨境站点有销售，国内看的是生意参谋口径，跨境看的是各站点后台口径，两者的类目归属、退款处理、促销计入方式都不一样。
后来我们把跨平台部分的数据聚合工作交给了一个跨境数据工具，数跨境（官网地址：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）。它在我们这条链路里承担的角色很具体，不是"替代分析"，而是解决多平台、多站点口径不一致导致的份额估算失真问题。
具体来说，它帮我省掉的是两类重复劳动：一是各平台类目榜单和商品数据的重复采集，二是不同口径之间的对齐与校验。这两件事原本占掉整个分析周期将近一半的时间，而且极易出错。
这里我要特别说一句：工具解决的是效率与口径问题，不解决判断问题。同一个数跨境给出的数据，如果分析者不知道要拉三年趋势、不知道要看新品牌上架数，结论依然会是错的。这也是我一直强调"链路比工具重要"的原因。
综合三步分析，我们给出的结论是：可以进入，但必须以"180 到 260 元价格带 + 修护抗初老复合功效"切入，首年只做两个 SKU，不做低价引流款，重点验证复购率而不是首月 GMV。
对应的行动清单是三条：立刻做的是配方打样与小批量测款；观察后再做的是根据前三个月复购数据决定是否扩 SKU；明确不做的是低于 150 元的引流款，因为那个价格带正在被头部挤压，进去就是消耗战。
同时我们设了一个先行观察指标：如果连续三个月该价格带新增 SKU 少于 20 个，且 CR4 单季上升超过 2 个百分点，说明窗口提前关闭，立即收缩投入。
这种情况的核心任务是"判断窗口是否还开着"，所以优先级是趋势，不是精度。
如果你的数据只能拿到一年，我的建议是明确标注置信度低，并把决策改成分阶段投入，而不是压上全部资源。
防守场景的分析重点完全不同。你不需要判断要不要进，你需要判断"对手会从哪里打过来"。
这时候五力的重心应该放在"现有竞争者强度"和"购买者议价能力"上，同时把竞品上新监测的颗粒度提高到周。我一般会关注两个指标：竞品在核心价格带的新增 SKU 数量，以及竞品差评关键词的变化，差评里出现你产品优势点的关键词，往往意味着对手正在针对你补短板。
这一类的最大风险不是分析能力，而是口径。我的建议是先把口径统一这件事解决掉，再谈分析。前面提到的数跨境就是在这个环节发挥作用：它把多平台、多站点的数据拉到同一套口径下，让你算出来的 CR4 和 HHI 至少是可比的。
同时要特别注意一个陷阱：不同站点的竞争结构差异可能非常大，不要用整体集中度去指导单个站点的策略。我见过用全球 CR4 去决定某个单一站点打法的案例，结果当然是错的。
资源有限的时候，必须做减法。我的建议是只做三件事：三年 CR4 趋势、主流价格带密度、竞品差评归因。这三件事加起来，用公开数据和平台后台数据就能完成，成本最低，但覆盖了进入决策最关键的输入。
很多人默认"越准越好"，但在竞争强度分析里，时效往往比精度更重要。一个精度 90% 但当月就能出的判断，通常比精度 98% 但要等两个月的判断更有价值，因为窗口本身在移动。
我的取舍原则是：如果这个品类处在收敛期（CR4 年升幅超过 3 个百分点），优先保时效，精度到可判断量级即可；如果处在稳定期，可以花时间把口径做扎实。
工具用得多不代表分析更全面。每多引入一个工具，就多一份数据采集、口径对齐和解读成本，而人的解读带宽是有限的。我一般把工具数量控制在三个以内，一个负责结构、一个负责行为、一个负责感知。超过三个，边际信息增量急剧下降，出错概率反而上升。
集中度、价格带、上新频率是量化的；护城河深度、品牌心智、渠道关系是质性的。这两类信息缺一不可，但获取方式完全不同。
我的做法是：量化指标用来定方向，质性判断用来定节奏。量化告诉你"这个市场在收敛"，质性告诉你"大概还有多久关窗"。如果时间有限，量化优先，因为方向错了质性再多也没用。
这是很多团队纠结的问题：自己搭数据管道，还是买现成工具。我的判断依据是团队规模和复用频率，而不是成本绝对值。
| 情形 | 推荐方式 | 核心判断依据 | 主要风险 |
|---|---|---|---|
| 1 到 2 人，年分析 2 到 3 次 | 采购现成工具，用公开数据补充 | 自建的学习与维护成本无法摊薄 | 口径依赖工具方，需确认统计规则 |
| 3 到 8 人，月分析 1 次以上 | 采购为主，自建关键口径层 | 高频复用能摊薄采购成本，口径层保证可比性 | 两套系统并行，需专人维护一致性 |
| 10 人以上，多平台多站点 | 自建数据中台 + 工具补充采集 | 数据资产化，分析与决策强绑定 | 前期投入大，第一年难见收益 |
需要提醒的是，自建方案的隐性成本主要在人力，而且会随着数据源增加而非线性增长。我见过不少团队在第二年才发现，维护数据管道的工时已经超过了分析本身需要的工时。
第一个判断：竞争强度分析的有效性瓶颈在后半段，不在前半段。多数人花 80% 的时间在数据采集和计算上，只花 20% 在解读和行动翻译上，但损耗恰恰集中在后面。我统计过的五段链路里，从"选对工具"到"转化为行动"，通过率从 51% 掉到 21%。
第二个判断：时间维度比精度维度更值得优先投入。在六类误区里，单年静态快照造成的结论翻转率最高，达到 71%。多花两天把三年趋势补齐，收益远大于把 CR4 从 31.2% 精确到 31.4%。
第三个判断：工具组合应该按"变量类型"搭配，而不是按"工具知名度"搭配。一个结构类工具、一个行为类工具、一个感知类工具，三件套足够覆盖进入决策与定位决策；再加第四件，信息增量有限，出错概率反而上升。
下次做品类竞争分析之前，把下面这几条过一遍。这份清单的作用不是让你照着填，而是帮你提前发现思维漏洞。
如果你手头正好有一个待判断的品类，我建议你今天只做一件事：把那个模糊的问题改写成一句带数字门槛的可判定问句。不需要打开任何工具，不需要买任何数据，就写这一句。
写完之后你会发现，你需要的数据、该用的工具、甚至大概的分析周期，都已经浮出来了。工具对比之所以常常帮不上忙，是因为它在回答"哪个工具更好"，而你真正需要回答的是"我这一步要做什么判断"。先有决策，后有工具，顺序反了，再多的模型也只是收藏品。
我每次做品类复盘，打开收藏夹里那一堆模型和模板就发懵，波特五力、CR4、HHI、SWOT 全都在，但真到老板问‘这个赛道还能不能进’的时候，我根本不知道该先动哪个。我也试过按工具目录一个个套，结果做完一堆表还是没结论。
先定决策问题，再选工具，顺序反了基本就是白做。具体做法是：动手前先用一句话写下你要支持的决策，并标注它属于哪一类，进入判断、定价判断还是差异化判断。如果是进入判断，优先用集中度类指标做快速筛查，比如前四名份额之和这类算术型口径，先看市场是分散还是寡头；
如果是定价判断，优先做五力里的‘买方议价力’和‘替代品威胁’两股力的结构化拆解；如果是差异化判断，才轮到竞品矩阵配 SWOT。判断依据很简单：工具的输出必须能直接回答你写下的那句话，回答不了就说明选错了，不是数据不够。
我在一家中小品牌做商品运营，老板让我评估一个新品类，但我拿不到全行业各家的销售额，第三方报告又贵又滞后。我就很纠结，是不是没有完整数据，CR4、HHI 这些就完全没法用了，只能靠拍脑袋。
能算，但要换口径并且明确标注局限。可执行的做法有三条：第一，用可获取的替代口径，比如平台内头部链接的销量占比、头部店铺的 GMV 占比、搜索前排品牌的出现频次占比，这类数据在电商后台或公开榜单里通常能拿到；
第二，把绝对份额换成相对结构，比如只看‘头部三名占了多少’‘第十名和第一名的差距是几倍’，用来判断是分散型还是集中型；第三，所有替代口径都要写清数据来源、时间窗口和统计范围。
判断依据是：集中度类指标的核心用途是判断市场结构类型，不是精确算出一个数，只要口径一致、能横向或纵向比较，就足以支撑‘要不要进’这个层级的决策，但千万不要用替代口径去支撑精确的定价结论。
我之前做过一次品类分析，用当年的数据得出‘市场很分散、有机会’的结论，结果半年后头部品牌一轮补贴打下来，格局完全变了，我被老板问得哑口无言。从那以后我就很怕只做静态快照。
不够，至少要看三年，而且要拆成趋势而不是只看一个点。具体做法是：把同一口径的集中度或头部份额指标按年排列，重点看三个信号，头部份额是在升还是在降、头部名单有没有换人、新进入者出现的速度有没有变快。如果头部份额连续两年上升，说明市场正在收敛，此时进入的窗口在关闭；
如果头部份额稳定但名单频繁更替，说明竞争激烈但没有形成壁垒，属于混战期，机会和风险都大。判断依据是：竞争强度本质是一个变化率问题，静态数值只告诉你此刻的样子，趋势才告诉你接下来会变成什么样，而你的决策是针对未来的，所以趋势的权重要高于单年绝对值。
我同时看电商后台的行业数据、第三方监测报告和公开榜单，发现同一个品类，不同来源给出的头部品牌份额能差十几个百分点，我完全不知道该信哪个，最后报告里只能含糊带过，自己心里也没底。
不要试图把它们统一成一个数，而是做‘方向一致性校验’。可执行的做法是：第一步，给每个来源标注统计范围，比如是全网还是单平台、是 GMV 口径还是销量口径、是含预售还是不含；第二步，不比较绝对值，只比较方向，比如三个来源是否都显示头部份额在上升；
第三步，如果方向一致，就用范围区间而不是单点值来呈现结论，比如‘头部前三合计约在四成到五成五之间’；第四步，如果方向都不一致，说明这个品类的结构本身不稳定或者统计口径差异过大，此时应该降低结论的确定性，改用定性描述。
判断依据是：多来源数据的价值在于互相证伪而不是互相校准，方向一致就足以支撑决策，方向冲突本身就是重要信息，提示你这个市场的边界可能还没定型。
我做过好几次竞争强度分析，图表做得挺漂亮，但一到要落地的时候就卡住了，运营问我‘所以下周该改价格还是改主图’，我答不上来。我怀疑是我分析的时候就没往行动那一步想。
用‘反向检验’来判断：做完分析后，强迫自己写出至少一条明确的下周动作，如果写不出来，说明分析还停在描述层。具体做法是准备一张五行检查卡，决策问题是什么、用了哪个工具、输入数据是什么、输出结论是什么、对应的下一步动作是什么。
其中下一步动作必须包含动作对象、动作内容和判断时点，比如‘未来两周内把主推款的赠品成本提高五个点，观察转化率是否维持在原来水平’。判断依据是：竞争强度分析的终点不是‘市场很卷’这种形容词，而是一个可被验证的假设，凡是不能转成假设和动作的结论，都是无效结论，应该回炉重做而不是直接交差。
读者评论
把竞争强度拆成拥挤度、结构强度、可进入空间三个子问题，这个框架确实比单纯对比工具有用。之前做分析总想找一个完美指标，结果越算越乱，现在明白关键是先对齐决策再选工具。
那个40篇文章篇幅分布的统计挺扎心的，工具定义和功能罗列占了近六成，真正讲案例和下一步行动的只有两成出头。市面上的分析内容大多停留在科普层面，能落到业务决策的确实少。
HHI低就是机会市场这个坑我也踩过，当年看数据觉得分散度够高就冲进去了，结果发现低集中是因为大家都不赚钱，规模效应根本起不来。文章里宠物零食的例子很真实。