上个月一个做家居收纳的朋友把他店铺后台的三张截图发给我：一张是类目 TOP100 商品列表，一张是价格分布表，一张是他自己用 Excel 整理的竞品对比。他说了句话我印象很深，"我知道竞争很激烈，但不知道到底有多激烈，也不知道该不该继续加投。"这三张表里躺着两千多行数据，但没有一行能回答他的问题。问题不在数据量，而在于他缺的不是数据，是一套能把数据翻译成"进/不进/怎么进"的系统。

这篇文章我想讲的就是这件事：竞争强度本质上不是一个观察结论，而是一个可以被计算、被阈值化、被固化成动作的工程问题。我做过三年多的电商运营和选品，踩过的坑足够写一本反面教材，从最早用截图数商品数，到后来搭起一张能自动跑红黄绿预警的看板，中间隔着大约 20 个类目的试错。我会把模型、指标口径、阈值、代码和取舍逻辑都摊开讲，你可以直接拿去改。

一、先给结论：竞争强度的本质是"可进入性"，不是"对手数量"

很多人做商品分析的第一步是打开平台搜索关键词，看结果数有多少。这个动作本身没错，但它回答的是"有多少人在这里"，而不是"我进去能不能活"。这两件事的差距，在成熟类目里可以达到十倍以上。所以我把竞争强度的定义重新写了一遍：竞争强度 = 在给定投入下，一个新进入者获得稳定利润的难度。

1. 三个必须先建立的判断

第一个判断是，竞争强度必须绑定投入。同一个类目，你打算投 2 万还是 20 万，感受到的竞争强度完全不同。头部卖家用广告位做护城河，对你来说是壁垒，对另一个头部卖家来说只是成本项。所以脱离投入谈竞争强度，等于脱离剂量谈毒性。

第二个判断是，竞争强度必须分维度，不能合成一个总分。市场集中度、价格带拥挤度、评价吸附力、上新速度，这四件事的走向经常是相反的。我见过一个类目 CR5 只有 22%，看着很分散，但前 20 个价格带挤了 87% 的销量，实际进入难度比 CR5 是 60% 的类目还高。

第三个判断是，竞争强度是动态的。你现在算出来的数值，只代表过去 90 天的市场结构。真正要盯的是变化率，上新速度增速、头部评价增速、价格带宽度变化。存量看结构，增量看趋势，两者缺一不可。

2. 为什么"商品数量"是最没用的单一指标

商品数量最大的问题是它把"僵尸链接"也算进去了。我统计过一个家居类目的搜索首页，前 200 个商品里，有 63 个是 30 天内零成交或个位数成交的链接。这些链接占据了搜索位，但不参与真实竞争。如果用商品总数判断，你会得出一个虚高的竞争强度。

更麻烦的是，商品数量会随平台招商政策、铺货工具、季节性上架同步波动。旺季前两个月商品数暴涨 30% 是常态，但这不代表竞争强度真的涨了 30%，很多时候只是卖家在备货占位。所以我现在的习惯是：商品数量只作为背景值，永远不单独进入判断层。

3. 竞争强度的三个组成维度

我最终收敛出的模型是三个维度：结构维度（市场怎么分布的）、势能维度（头部在不在加速）、成本维度（进去要花多少钱）。前两个决定"值不值得进"，第三个决定"进不进得起"。

结构维度看的是 CR5、CR10、价格带密度、长尾成交占比。势能维度看的是头部 90 天评价增速、新品 90 天存活率、类目上新速度变化。成本维度看的是首单打爆预估投入、广告 CPC 区间、退货率区间。

这三个维度不需要同时精确，但必须同时看。我曾经因为只看结构维度，误判了一个 CR5 只有 19% 的类目"很分散"，进去之后才发现头部三个卖家在三个月内评价总数翻倍，等我反应过来，广告成本已经涨了 40%。

二、我踩过的四个坑，每一个都让我重做系统

讲完结论，我想先讲坑。因为大多数人做不成商品分析系统，不是因为不会算，而是因为一开始的方向就偏了。下面这四个坑我全踩过，最后一个坑我踩了两次。

1. 坑一：把商品数当成竞争强度的全部

最早我做一个 3C 配件类目，看到搜索结果 4.8 万个，第一反应是"太卷了，不做了"。三个月后回头看，那个类目前 100 名里有 17 个链接是半年内新上架的，其中 5 个已经进前 30。真实的竞争强度，比商品数量显示的要低得多。

反过来我也吃过亏。一个宠物用品细分类目商品数只有不到 6000，看着很清爽，但 CR5 达到 58%，头部品牌把主力价格带全部占满，剩下的是零散的高价和低价位。商品数量少，有时候恰恰说明这个类目已经被吃干净了，后来者没位置。

2. 坑二：指标堆了二十个，一个阈值都没有

第二个阶段我走了另一个极端。我建了一张表，塞进 22 个指标：销量分布、评价分布、价格分位数、上架时间分布、品牌集中度、变体数量……每周更新一次，看起来很专业。问题是每次更新完，我都不知道该得出什么结论。

指标的价值不在于数量，而在于它能不能触发动作。一个没有阈值的指标，本质上只是一个数字，不是决策依据。后来我做的第一件事，是把 22 个指标砍到 6 个，然后给每个指标标上"绿/黄/红"三档阈值。砍指标比加指标难得多，因为它逼你承认哪些数字其实不影响你的决策。

3. 坑三：分析报告写完就结束，没有动作绑定

我保存过自己写的十几份类目分析报告，PDF 加起来 200 多页。回头看，真正影响了决策的不超过三份。原因是报告里写的是"该类目竞争强度较高，建议谨慎进入"，这句话没有任何执行价值，谨慎是什么？不投钱？少投钱？换价格带？

现在的做法是每份分析必须落到四个动作之一：进入、观望、差异化切入、放弃。而且"差异化切入"必须写清楚切哪个价格带、切哪个需求点、首批做几个 SKU。写不出这些细节，说明分析还没做完。

4. 坑四：数据靠手抄，两周就断更

这个坑我踩了两次。第一次用手工采集，一个类目 200 个 SKU，采集字段包括销量、价格、评价数、上架时间，我一个人做大概要 4 到 6 小时。第一周很有干劲，第二周变成三天做一次，第三周就彻底断了。

第二次我以为换个工具就能解决，结果选了一个需要写爬虫的方案。前两周跑得不错，第三周平台改了一次页面结构，脚本全部失效，我又花了两个晚上修。系统的可持续性比系统的完备性重要得多。一个每周能自动跑完的粗糙系统，胜过一个跑不起来的完美系统。

三、竞争强度的量化模型：四个维度、六个指标

下面是我现在用的模型。它的设计目标是：在只有一个人、每周两小时投入的情况下，也能稳定产出可判断的结论。所以指标数量被压到六个，每个指标都有明确的计算口径和阈值。

1. 维度一：市场集中度（CR5 / CR10）

CR5 是前五名商品销量占总销量的比例，CR10 是前十名。这是所有指标里最基础也最容易被误用的一个。误用点在于"销量"的口径，用平台展示的月销还是用估算销量，结果差距可能超过 20 个百分点。

我的做法是统一使用估算销量（月销量口径），并且在同一个类目内保持口径一致。跨类目比较时只看区间，不看精确值。经验阈值：CR5 低于 30% 属于分散型，30% 到 55% 属于竞争型，高于 55% 属于寡头型。

但这里有个反常识的地方：CR5 高不一定是坏事，CR5 低也不一定是好事。CR5 高说明市场被验证过，需求确定性高，你只要找到差异化点就有机会；CR5 低有时候意味着市场根本没跑通，大家都在试，谁也没赚到钱。

2. 维度二：价格带密度

价格带密度 = 主销价格带（累计销量占比 80% 的价格区间）内，商品数量占该类目总商品数的比例。这个指标比 CR5 更直观地反映"哪里挤"。

我通常会把价格带切成 10 到 15 个区间，统计每个区间的商品数和销量，然后找三个位置：销量高但商品少的"甜点区"、商品多但销量低的"陷阱区"、销量和商品都少的"空白区"。甜点区通常已经被头部占据，陷阱区是新手最容易掉进去的地方，空白区要么是伪需求，要么是还没被发现的机会。

3. 维度三：头部评价吸附力

这个指标是我自己加进去的，很多教程里不讲。计算方式是：前 10 名商品的评价总数，除以该类目前 100 名商品的评价总数。这个比例反映头部在多大程度上垄断了消费者的信任积累。

为什么重要？因为评价数是转化率的直接前置变量。如果前 10 名拿走了 75% 的评价，说明消费者几乎不看长尾，你的新链接即使进到第 30 名，也很难被信任。这种情况下打新品的成本会显著高于评价分散的类目。

4. 维度四：上新速度与新品存活率

上新速度是过去 90 天新上架商品数占类目总商品数的比例。新品存活率是这些新品中，90 天后月销超过类目均值的比例。这两个数字要一起看。

上新速度高、存活率低，说明这个类目在"割韭菜"，不断有人进来，但很少有人活下来，典型的低门槛高淘汰。上新速度高、存活率高，说明类目处在增长期，新进入者有真实机会。上新速度低说明类目已经固化。

5. 维度五：需求分层度（长尾成交占比）

长尾成交占比 = 排名 50 到 200 名商品的销量总和 ÷ 总销量。这个指标回答的是"除了头部，下面还有没有饭吃"。我见过太多人只盯着 TOP10 判断类目，忽略了长尾的厚度。

长尾成交占比超过 35% 的类目，对新进入者显著更友好。因为这意味着消费者的需求没有被头部完全满足，存在细分需求的生存空间。低于 15% 的话，说明头部高度通用化，新进入者只能靠价格战。

6. 维度六：进入成本估算

前五个指标都是判断"值不值得进"，第六个判断"进不进得起"。我的估算方式是：首单打爆预估投入 = （目标排名所需销量 × 单件毛利缺口）+ （目标排名所需点击量 × 平均 CPC）。

目标排名所需销量可以从同排名商品的月销量倒推，单件毛利缺口是你在前期为冲量让掉的利润，点击量可以用评论转化率反推。这个公式不求精确，只求量级正确，你要知道这件事是 3 万级别还是 30 万级别。

import pandas as pd
df 字段: sku_id, price, monthly_sales, review_count, launch_days

df = df.sort_values("monthly_sales", ascending=False).reset_index(drop=True)

total_sales = df["monthly_sales"].sum()

CR5 / CR10

cr5 = df.head(5)["monthly_sales"].sum() / total_sales

cr10 = df.head(10)["monthly_sales"].sum() / total_sales

长尾成交占比：50-200 名

tail = df.iloc[49:200]["monthly_sales"].sum() / total_sales

头部评价吸附力

head_review = df.head(10)["review_count"].sum() / df.head(100)["review_count"].sum()

主销价格带（累计销量 80%）

df_price = df.sort_values("price")

df_price["cum_ratio"] = df_price["monthly_sales"].cumsum() / total_sales

core = df_price[df_price["cum_ratio"] price_low, price_high = core["price"].min(), core["price"].max()

band_density = len(core) / len(df)   # 主销价格带商品占比

上新速度与新品存活率

new_mask = df["launch_days"] new_ratio = new_mask.sum() / len(df)

avg_sales = df["monthly_sales"].mean()

new_survive = df[new_mask & (df["monthly_sales"] > avg_sales)].shape[0] / max(new_mask.sum(), 1)

print(f"CR5={cr5:.1%} CR10={cr10:.1%} 长尾占比={tail:.1%}")

print(f"头部评价吸附力={head_review:.1%}")

print(f"主销价格带={price_low}-{price_high} 密度={band_density:.1%}")

print(f"上新速度={new_ratio:.1%} 新品存活率={new_survive:.1%}")

四、商品分析系统的四层架构

指标有了，接下来是系统。我把整个系统拆成四层：数据层、指标层、判断层、动作层。这四层的顺序不能颠倒，因为每一层都在为下一层减少噪音。大多数人失败在跳过判断层，直接从指标跳到结论。

1. 数据层：只采五个字段

数据层的第一原则是"字段宁少勿多"。我现在固定采集五个字段：商品 ID、价格、月销量（估算）、评价数、上架时间。这五个字段能支撑上面六个指标的全部计算，多余的字段只会增加采集失败率。

字段口径要写死在系统里，不能每次采集都重新定义。比如"月销量"我用的是近 30 天估算销量，不是平台展示的累计销量；"上架时间"用首次上架时间，不用最近一次变体更新时间。口径一变，历史数据的可比性就没了。

2. 指标层：固定口径、固定周期

指标层要做的事情只有一件：把数据层翻译成六个数字，而且每周用完全相同的公式跑一遍。这里最忌讳的是"这次用中位数、下次用平均值"。

我建议把六个指标的计算逻辑写成一个可复用的脚本或者表格公式，甚至直接在数据工具里做成计算字段。指标层不需要人做判断，只需要人确认口径没变。一旦指标层开始出现人工调整，整套系统的可信度就开始下降。

3. 判断层：阈值表是系统的核心资产

判断层是我认为最值钱的一层。它的形态就是一张阈值表：每个指标对应绿、黄、红三档，组合之后输出四种判断结果。阈值不需要一开始就科学，可以先用经验值，然后在实践中校准。

注意上新速度这一行，绿色是中间区间，两头都是问题。太低说明类目固化没有新机会，太高说明涌入过度、内卷剧烈。这个"中间为佳"的规律，是我对比了七个类目之后才总结出来的。

4. 动作层：四种结果，四个动作

动作层只有四个输出：进入、观望、差异化切入、放弃。每个动作都必须带一个明确的条件和时间点，比如"差异化切入：切 80-129 元价格带，首批 6 个 SKU，60 天后用新品存活率复评"。

动作层还有一个容易被忽略的作用：记录当时的判断和实际结果。我现在的表里有一个"决策日志"标签页，记录每次判断的日期、指标快照、决策内容和三个月后的实际结果。跑了两年之后，这张表本身就成了我最有价值的资产，它告诉我哪些阈值是真的有效，哪些只是我的一厢情愿。

五、从 0 到 1 搭建最小可行系统

如果你的团队只有一两个人，不要一上来就搭完整的四层架构。我建议先用"一张表 + 三个指标 + 一个阈值"跑通一轮，再逐步加复杂度。下面是我给朋友的落地路径，他用了三周跑通。

1. 最小可行单元：一张表、三个指标、一个阈值

三个指标我建议选 CR5、长尾成交占比、新品存活率。理由很直接：这三个指标分别覆盖结构、机会和验证，是最小可判断组合。CR5 告诉你市场是否被垄断，长尾占比告诉你下面有没有空间，新品存活率告诉你新人是不是真的能活。

一个阈值先用 CR5 = 55%。超过就先不进，低于就进入下一层分析。这个单一阈值看起来很粗，但它能帮你在十分钟内砍掉一半的候选类目，节省的时间远超它带来的误判成本。

2. 数据采集的三条路径与取舍

手工采集适合类目数少于 3 个、更新频率低于月度的情况。优点是零成本、随时能改口径；缺点是无法规模化，且一旦你生病或出差就断更。我建议只在第一次探索一个新领域时用手工。

脚本采集适合数据结构稳定、有技术资源的团队。优点是灵活、可定制；缺点是维护成本被严重低估，平台一次改版就可能让你损失两天。如果你的类目只在一个平台，而且你有稳定的技术支援，这条路径可行。

工具采集适合需要覆盖多个平台、追求长期稳定的场景。它的核心价值不是采集得多快，而是让你在三个月后还能继续跑下去。后面我会用数跨境具体展开。

3. 可视化：用条件格式做红黄绿预警

不需要上 BI 工具。我最初的红黄绿预警就是用表格的条件格式做的：CR5 单元格大于 55% 自动变红，30% 到 55% 变黄，低于 30% 变绿。六个指标排成一行，一眼就能看出这个类目的短板在哪里。

进阶一点的做法是把六个指标的分档结果拼成一个字符串，比如"绿黄绿红黄绿"，然后在旁边写一个匹配的结论。规则简单到用 IF 嵌套就能实现，但阅读效率提升非常明显。我的经验是，只要一张表能让你在 30 秒内判断"要不要继续看下去"，可视化就达标了。

4. 迭代节奏：周度更新，月度复盘

更新节奏必须固定，而且必须是系统能自动完成的频率。我现在的设置是：周度更新指标，月度复盘阈值。周度看的是趋势变化，比如头部评价吸附力是不是在快速上升；月度看的是阈值是否还合理，比如原来定的 40% 新品存活率是不是该调到 35%。

这里有个反直觉的建议：不要每天看。日度数据噪音太大，单日销量波动可能只是某个达人视频的短期效应。周度足够捕捉真实趋势，又不会让你陷入情绪化的频繁调整。

六、用数跨境把数据层的采集跑起来

讲完方法论，我想具体说一下工具层。因为前面所有的模型、阈值、动作，都建立在一个前提上：数据能持续、稳定、按统一口径拿到手。这个前提靠手工很难长期维持，我是用数跨境来解决的（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys）。

1. 我为什么把它当成数据底座而不是决策工具

这里我要说清楚一个定位问题。工具不替你做判断，判断永远是人的事。我用数跨境的核心场景是把分散在不同平台、不同页面的商品数据做结构化采集和统一呈现，而不是让它告诉我该不该做某个类目。

为什么这个定位重要？因为我见过太多人买了一堆数据工具，最后结论还是"感觉可以试试"。工具解决的是"数据获取和整理"的问题，判断层必须由你自己搭。把工具当决策工具用，结果就是被工具的默认指标牵着走。

2. 我实际跑的链路

我的链路大概是四步。第一步是按类目和关键词锁定采集范围，把目标类目的商品列表拉下来，字段覆盖价格、销量、评价、上架时间这些我需要的核心项。这一步替代掉了我以前每周 5 个多小时的手工采集。

第二步是把采集结果导出成表格，套用我自己的计算逻辑，也就是前面那段代码对应的六指标计算。工具负责给原料，我的表格负责出成品，两边职责清晰。

第三步是把结果接回我的红黄绿看板，每周固定时间更新一次，形成趋势线。第四步是月度复盘，把当月的新增数据回填到决策日志里，检验当初的判断对不对。

补充一句：工具的具体功能会随版本更新变化，我上面描述的是我自己使用时的流程，实际能力请以官网说明为准。

3. 一次真实的类目扫描经历

去年我帮朋友做一次类目扫描，候选类目有 14 个。以前手工做，光是采集就要两周，做完之后人已经疲了，分析质量必然下降。这次改成工具采集加脚本计算，采集环节压缩到一个下午，六个指标全部算完。

结果是 14 个候选里有 9 个在第一轮 CR5 阈值就被砍掉，剩 5 个进入深度分析，最后锁定了 2 个。整个决策周期从原来的三周缩短到五天，而且结论有据可查。这个提速的意义不只是省时间，更重要的是它让"多扫几个类目"这件事变得可行，候选池大了，找到结构性机会的概率才会上去。

七、实战案例：一个家居收纳细分类目的竞争强度分析

下面这个案例我会用示意数据完整走一遍流程，你可以照着替换成自己的类目。为了保护朋友的业务信息，价格和销量做了等比例处理，但结构和结论是真实的。

1. 数据采集与口径说明

采集范围是该细分类目的前 200 名商品，采集时间窗口为近 30 天，字段包括价格、月销量估算、累计评价数、首次上架时间。剔除 30 天内零成交的链接后，有效样本 152 个。所有指标都基于这 152 个样本计算。

2. 六个指标的计算结果

3. 判断结论

看到这张表，第一反应可能是"几乎全是黄，是不是不该做"。但我的结论恰好相反：这是一个典型的"结构性机会类目"，值得进，但不能正面进。

理由有三个。第一，CR5 只有 38.4%，说明市场没有被寡头锁死，而 CR10 已经到 56.1%，说明腰部正在形成，这个阶段通常是新品牌最容易切入的窗口。第二，长尾成交占比 41.3%，显著高于 35% 的绿色阈值，说明消费者需求没有被头部完全满足，下面有饭吃。

第三，也是我认为最关键的：主销价格带密度 71.2% 偏高，意味着 40-129 元这个带子已经很挤，但同时发现 130-199 元区间的商品占比只有 13%、销量占比 15%，属于"次甜点区"。头部在这个位置的布局明显不足。

4. 进入建议

最终给出的动作是"差异化切入"：切 129-179 元价格带，主打收纳场景的成套解决方案，首批做 6 个 SKU，其中 2 个做引流款控制在 99 元以内，4 个做利润款在 139-169 元。判断周期定为 60 天，用新品存活率和该价格带销量占比重评。

这个建议里最关键的部分不是价格带选择，而是"60 天复评"这个机制。再好的判断也需要验证节点，没有验证节点的决策，最后都会变成拍脑袋的自我安慰。

八、不同情况下的行动建议

指标组合的方法论已经有了，但实际做判断时，你会遇到几种典型的组合模式。我把它们整理成五种情况，每种给出对应的行动建议。

1. 情况 A：高集中度 + 厚长尾

CR5 高于 55%，但长尾成交占比也超过 35%。这种类目看起来矛盾，实际并不少见。头部集中在某个标准品类上，但消费者的个性化需求大量外溢到长尾。

行动建议是切入长尾而不是挑战头部。具体做法是从长尾商品里找出评价数增长最快的那几个，分析它们满足了什么头部没有满足的需求，然后用更聚焦的方式做这个需求。不要试图做一个"更好的通用款"，那是直接在头部的护城河上架桥。

2. 情况 B：高集中度 + 薄长尾

CR5 高于 55%，长尾成交占比低于 15%。这是最难啃的一类，也是我建议直接放弃的一类。头部不仅垄断了销量，还垄断了消费者的注意力，长尾基本没有生存空间。

如果这个类目对你具有战略意义，唯一可行的路径是绕开这个平台或者绕开这个类目，从相邻需求切入。我做过一次尝试，在一个 CR5 = 61% 的类目里投入了四个月，最终结论是：在这种结构里，努力和结果的关系被严重稀释，同样的投入放到其他类目，回报至少高一倍。

3. 情况 C：低集中度 + 高上新速度

CR5 低于 30%，上新速度超过 25%。这是典型的增量竞争市场，也是机会和风险同时最大的地方。好处是市场还没定局；坏处是涌入者多，你的窗口期可能只有几个月。

行动建议是"快进快出验证"。首批 SKU 控制在 4 到 6 个，用最小成本测试需求，60 天内看新品存活率和广告成本变化。如果 60 天内单件获客成本下降，说明你在窗口期内；如果持续上升，说明窗口正在关闭，该收缩而不是加码。

4. 情况 D：低集中度 + 低上新速度

CR5 低于 30%，上新速度低于 5%。这个组合通常意味着市场没跑通，或者需求本身就在萎缩。很多人会被"低集中度"迷惑，以为没有头部就是机会，实际上可能是根本没人愿意进。

行动建议是先判断需求是否真实存在。最直接的方法是看类目总销量的变化趋势：如果总量在稳定增长而商品数不变，说明是供给不足，可以谨慎进入；如果总量在萎缩，直接放弃。分散但萎缩的市场，比集中但增长的市场危险得多。

5. 情况 E：价格带断层

还有一种情况是集中度、长尾都正常，但价格分布出现明显断层。比如 40-79 元和 160 元以上都有销量，中间 80-159 元几乎空白。

这种断层的成因通常有两种：一是成本结构决定的，中间价格带做不出来毛利；二是消费者认知决定的，这个品类的价值感知是两级的。行动建议是先小批量测试，用 1 到 2 个 SKU 验证断层里是否有真实需求，不要一次性重仓。

九、不同情况下的取舍

建议讲完之后，还有一个更现实的问题：即使判断出"可以做"，你也未必应该做。因为资源是有限的，每个类目的机会成本必须被计算进去。这一节我讲取舍。

1. 取舍一：确定性 vs 爆发力

高集中度类目给你的是确定性，需求被验证过，供应链成熟，转化模型清晰；代价是利润空间被压缩，你很难做出超预期的增长。低集中度类目给你的是爆发力，但也可能是需求不成立的风险。

我的原则是：主力资源放确定性，试验资源放爆发力。具体比例取决于你的现金周期。如果现金流健康、能承受 6 到 9 个月的试错，可以按 7:3 分配；如果现金流紧张，8:2 甚至 9:1 更安全。

2. 取舍二：铺宽度 vs 挖深度

当你的系统跑顺之后，会面临一个选择：是继续扩大候选类目池，还是把已有的类目做深。前者依赖采集和分析的效率，后者依赖供应链和运营的积累。

我的判断标准是看类目所处的阶段。如果类目还在增量期（上新速度高、新品存活率高），铺宽度的收益更大，因为窗口期不等人；如果类目已经进入存量期，挖深度的收益更大，因为这时候竞争靠的是产品和供应链效率。

3. 取舍三：指标完备 vs 更新频率

这是一个很实际的取舍。增加指标能提升判断精度，但会降低系统的可维护性，最终可能导致断更。我在坑四里面讲过这个教训。

我的建议是：先用三个指标把更新频率稳定下来，再逐步加指标。具体节奏是，连续跑满 8 周不断更，再加一个指标。这个规则看起来慢，但两年下来会比"一开始就上全套、三周后断更"快得多。

4. 取舍四：自建 vs 采购

每个环节都要做这个决定。计算逻辑我建议自建，因为它是你的判断核心，口径必须自己掌握；数据采集我建议采购，因为它是标准化劳动，自建的维护成本远高于收益。

十、结语：系统不是工具，是决策习惯

写到这里，我想把整篇文章压缩成三句话。竞争强度不是对手有多少，而是你在给定投入下能不能活。它不是单一指标，而是集中度、价格带密度、评价吸附力、长尾厚度、上新速度、进入成本六个变量的组合判断。它也不是一次性分析，而是一套每周自动跑、每月校准阈值、每次都绑定动作的系统。

我见过太多团队把"做商品分析"理解成"看更多数据"，结果数据越看越多，判断越来越慢。真正的分水岭不在数据量，而在你有没有把数据压缩成一个可以执行的动作。一个能产出"切 129-179 元价格带、首批 6 个 SKU、60 天复评"的系统，价值远超一份 50 页的类目报告。

如果你的团队目前还在靠感觉选品，我建议下一步只做一件事：选一个你正在犹豫的类目，采集前 200 个商品的价格、销量、评价数和上架时间，算出 CR5、长尾成交占比、新品存活率这三个数字。不用买任何工具，手工做一次也行。

做完之后，用 55% 这条 CR5 阈值判断一下要不要继续看。这个过程大概会花你半天，但它会给你一个明确的信号：你现在的决策，到底是靠数据，还是靠感觉。如果你希望把采集这一环固定下来、每周自动跑，可以先用数跨境把数据拉通，再把自己的六指标计算套上去，形成属于你自己的判断层。

系统不是一次搭完的，它是一轮一轮跑出来的。第一个月你只要做到"每周更新一次，不断更"，就算成功。第二个月再开始调阈值，第三个月再考虑加指标。顺序对了，系统自己会长出来。

免费注册

咨询方案

扫码咨询方案