同一款保温杯，五点描述一个字不改，只把第一条和第三条对调，转化就会变——从上往下读，读到第一条的人最多，读到第五条的人最少。「食品级 304 内胆」放第一条，挤地铁的通勤党觉得跟自己没关系；换成「下午三点还烫嘴」，他就停住了。
listing 转化上不去，很多时候不是卖点不够，而是卖点顺序错了；顺序的依据不是你觉得哪个卖点厉害，是「来买的主力到底是谁」。这篇讲写文案之前的那一步：用 AI 从竞品评论、买家问答、搜索词里合成 2-3 个具象的亚马逊买家画像，再用一张「画像 × 卖点」优先级矩阵，算出五点怎么排、哪些卖点根本不该占位。两样能直接抄走的东西：一段画像合成 prompt，一张卖点优先级矩阵。
先划边界：这篇不教你怎么写 listing
从卖点到文案是三段活，揉成一段做，就会永远卡在纠结措辞上：
| 环节 | 解决什么问题 | 看哪篇 |
|---|---|---|
| 挖卖点 | 我到底有哪些能打的点 | 用 AI 读竞品差评挖产品改进点 |
| 排卖点 | 卖给谁、谁先谁后、哪些不写 | 本篇 |
| 写卖点 | 标题五点 A+ 具体怎么落笔 | 用 AI 写出高转化的亚马逊 Listing |
所以本篇结束时，你手上是一张排好序的卖点清单和一张交接单，不是一版文案。句式、字符限制、后台埋词归下游那篇，这里一个字都不重复。
一、为什么排序比卖点本身更影响转化
位置本身就是权重——买家从上往下扫，越往下读的人越少，排序就是在分配注意力。而同一个卖点在不同人眼里分量天差地别：「750ml 大容量」对健身户外的人是决定性的，对开车通勤的人反而是累赘（塞不进车杯架）。所以想通吃所有人等于谁都没打动，排序的本质是取舍——把第一条让给主力买家的第一决策标准。
二、别让 AI 凭空编画像：先凑齐五类原料
一条铁律先摆着：AI 不知道你的买家是谁。你不给证据，它就按品类常识编一个「25-45 岁、注重生活品质」的平均人——看着完整，实际排不出任何顺序。画像质量等于语料质量。
| 原料 | 从哪拿 | 能读出画像的什么 |
|---|---|---|
| 竞品好评（4-5 星） | 商品页按星级筛选后复制 | 真实购买理由、使用场景、「值」在哪 |
| 竞品差评（1-3 星） | 同上 | 买前顾虑、预期落差、被什么劝退 |
| 买家问答 | 竞品商品页的问答内容（各品类呈现形式不同，以你当下看到的页面为准） | 买前没被 listing 解决的疑问，也就是决策阻塞点 |
| 搜索词与反查词 | 你自己的广告搜索词报告、反查工具拉出的竞品词 | 买家怎么描述自己的需求（人群词、场景词） |
| 竞品图片与 A+ | 竞品商品页 | 对手把宝押在了谁身上 |
复制评论有个筛法能省一半功夫：优先挑带身份自述的句子——「买给我爸的」「我是护士，一个班 12 小时」。这类句子一条顶十条泛泛的「质量不错」，因为它同时给了身份和场景。量级上 3-5 个竞品、每个 30-80 条够用，好评差评都要拉：只喂差评只会得到一张「失败原因画像」，说不清买的人为什么买。
竞品的图和视频同样是原料——主图标了哪句话、模特是谁、场景在哪，是对手对画像的公开下注。想把一批竞品主图和视频扒下来横着看，可以用 Chrome 插件 ASINCrate（单张图免费、无需注册；免费账号每月 3 个视频下载；批量 ZIP 导出需 Pro，$9.99/月，2026 年 7 月 25 日实查）；想还原对手整条 listing 的结构，见用 AI 逆向拆解竞品 listing。
三、亚马逊买家画像怎么合成：一段可直接复制的 prompt
语料备齐后，把下面这段连同语料一起粘给你在用的 AI 助手：
你是资深的亚马逊产品与用户研究分析师。下面是【品类：不锈钢真空保温杯】3 个竞品的公开语料，
包含好评、差评、买家问答，我用分隔线隔开。请你只依据这批语料，合成 2-3 个买家画像。
要求：
1. 每个画像必须包含以下字段，缺一不可：
- 一句话身份（他是谁、在什么状态下用这个产品）
- 购买触发事件（什么事让他今天决定要买）
- 决策标准 Top3（按重要度排序，他拿什么判断买不买）
- 买前最大顾虑（他怕什么）
- 劝退点（看到什么会立刻关掉这个链接）
- 他描述自己需求时会用的词（必须是语料原文里出现过的表达）
- 语料占比估计（这类人在这批语料里大约占多少，并说明你是怎么估的）
2. 每个字段后面附 1-2 条语料原文当证据，注明来自好评/差评/问答。
没有原文支撑的推断，单独标注为「推测（无直接证据）」。
3. 禁止输出年龄、性别、收入等语料里没有的人口统计；
禁止「注重品质、追求性价比」这类换个品类照样成立的描述。
每个画像必须具体到「换一个品类就不成立」。
4. 如果语料不足以支撑第 3 个画像，就只给 2 个，并说明还缺哪类语料。
5. 最后单独列一栏：语料里出现过、但归不进任何画像的信号（可能是新的细分人群）。
语料：
【粘贴好评】
---
【粘贴差评】
---
【粘贴买家问答】
里面四个位置是特意设计的，改的时候别删：
- 证据栏是防幻觉的主锁——逼它每句话回到原文，它就编不出「注重健康生活方式的都市白领」这种漂亮废话。
- 第 3 条封死万能描述——画像好不好，标准是能不能被证伪，「换个品类就不成立」是最省事的自检。
- 第 4 条给它台阶下，不明说可以只给 2 个它多半会硬凑；第 5 条是捡漏位，归不进画像的零散信号常是变体或另开一条 listing 的机会。
产出长什么样？下面这份是演示格式用的虚构示例，人物、占比、引文都是为展示字段结构而编的，不是从真实评论跑出来的结果——你自己跑时，每一行都会被真实原文顶掉：
| 画像 | 一句话身份 | 触发事件 | 决策标准 Top3 | 最大顾虑 |
|---|---|---|---|---|
| P1 通勤党（约 50%） | 通勤一小时、办公室久坐 | 上个杯子在包里漏了，泡了电脑 | ①真能保温到下午 ②倒过来不漏 ③塞得进车杯架 | 宣传 24 小时，中午就凉 |
| P2 健身户外（约 30%） | 每周进健身房或周末徒步 | 换季开始跑步，水不够喝 | ①容量够半天 ②单手开盖 ③不占背包 | 太重、内壁洗不干净 |
| P3 送礼（约 20%） | 给家人或同事挑礼物 | 生日、节日、公司福利采购 | ①外观拿得出手 ②包装体面 ③通用不出错 | 收到像临时买的简易塑封 |
画像不是给你贴墙上的人设。它存在的唯一目的，是给下一步的卖点排序提供权重。
四、卖点优先级矩阵：把画像换算成五点顺序
矩阵怎么搭，四步：
- 纵轴列出全部候选卖点，十几个也没关系，这一步不筛。
- 横轴放画像，各带上一步估的占比权重。
- 每格打 0-3 分，口径是这个卖点在这个画像的购买决策里占多大分量：0 = 完全不关心，1 = 知道了也无所谓，2 = 会加分，3 = 没有就不买。
- 加权分 = Σ（画像占比 × 该格分数），据此排序。
打分最容易走偏的一点：打的是「决策权重」，不是「卖点强弱」。你最自豪的工艺、最贵的用料，在每个画像那里都可能只值 1 分。
演示矩阵（同样是虚构示例，用来展示算法和结论怎么读，不是真实数据）：
| 候选卖点 | P1 通勤 (0.5) | P2 健身户外 (0.3) | P3 送礼 (0.2) | 加权分 | 建议位置 |
|---|---|---|---|---|---|
| 24 小时保温 | 3 | 2 | 2 | 2.5 | 五点第 1 条 |
| 旋盖防漏、倒置不渗 | 3 | 2 | 1 | 2.3 | 五点第 2 条 |
| 食品级 304 内胆不串味 | 2 | 2 | 2 | 2.0 | 五点第 3 条 |
| 杯身直径适配车杯架 | 3 | 1 | 0 | 1.8 | 五点第 4 条 + 主图标注 |
| 750ml 大容量 | 1 | 3 | 1 | 1.6 | 五点第 5 条 |
| 磨砂防滑涂层 | 1 | 1 | 1 | 1.0 | 删掉，或并进别条当修饰 |
| 礼盒包装 | 0 | 0 | 3 | 0.6 | A+ 模块与副图，不占五点 |
排序照四条规则走：
- 规则①（默认序）：按加权分从高到低排，第 1 条给最高的那个——读到第 1 条的人最多。
- 规则②（分数接近看顾虑）：加权分差 0.2 以内算并列，优先选能打消「买前最大顾虑」的那条。顾虑没消掉的人不会下单，哪怕他认可你所有卖点。
- 规则③（专属卖点下沉）：只对次要画像高分、对主力画像 0-1 分的卖点（例子里的礼盒包装），不占五点，放进 A+ 或副图——接得住那批人，又不挤主力画像。
- 规则④（全场低分删掉）：所有画像都不超过 1 分的卖点，是你想说的不是买家想听的，删掉或并进别条当修饰。
两个画像的诉求直接互斥时（「大容量」对上「塞得进车杯架」），别折中写成「容量适中」，两边都不买账——选主力画像，另一边用变体规格或另一条 listing 承接。
矩阵草稿也可以让 AI 先跑一版，你只复核：
下面是我合成的买家画像和候选卖点清单（都粘在末尾）。请帮我做卖点优先级矩阵：
1. 以卖点为行、画像为列，逐格打 0-3 分。评分口径是「该卖点在该画像的购买决策里占多大分量」：
0=完全不关心，1=知道了也无所谓，2=会加分，3=没有就不买。
2. 每一个 3 分和 0 分都要写明理由，理由必须引用画像里的「决策标准 Top3」或「劝退点」原句。
3. 按画像占比加权求和，输出排序后的卖点表。
4. 单独标出两类：只对次要画像高分、对主力画像 ≤1 分的卖点；以及所有画像都 ≤1 分的卖点。
5. 最后指出画像之间互相冲突的卖点对，说明冲突在哪。
这一步只出排序，不要替我写文案。
【粘贴画像】
【粘贴候选卖点清单】
第 2 条是关键：逼它给每个极端分数写引用理由，你复核才有得对。2 分的照收，但每个 3 分和 0 分都要自己过一遍——这是最不该外包给 AI 的判断。
五、交接单：把排好的顺序递给文案环节
矩阵跑完，落成一张六行交接单，写文案时全程对着它：
- 主力画像一句话：接下来每个字都说给这个人听。
- 五点 1-5 各对应哪个卖点：顺序已定，文案环节不许再调。
- 每条要打消的具体顾虑：来自画像的「最大顾虑」与「劝退点」。
- 主图与标题押的那句话：取加权分第一的卖点。
- A+ 承接哪些次要画像卖点：规则③下沉的那些。
- 明确不写的卖点清单：规则④删掉的，写文案时手一滑很容易加回去。
拿着这张单子，标题结构、五点句式、字符限制、后台埋词怎么落地，直接接用 AI 写出高转化的亚马逊 Listing。画像里的「触发事件」和「最大顾虑」还能原样改写成问答式内容，适配用自然语言提问的 AI 购物助手，见 Rufus 时代怎么改亚马逊 Listing；买家自述的原话也是好词源，可并进关键词研究工作流。
六、画像是假设，不是结论：用三组真数据回炉
画像来自竞品语料，本质是个待验证的假设。上架后有三组你自己的数据能校准它：
- 搜索词报告：带来成交的搜索词里，人群词和场景词跟你押的主力画像对不对得上？对不上，说明买你的人和你以为的不是同一批。读法见亚马逊搜索词报告怎么读。
- 退货报告：退货原因里「与描述不符」占比偏高，通常是画像押错，或第一条卖点承诺和实际体验错位。归因方法见用 AI 读亚马逊退货报告。
- 你自己的评论：最贴身的语料，攒一批就把第三节的 prompt 重跑一次。要规模化收集评论与买家反馈、避免漏看，可以先在 AMZFinder 这类按统一记分卡横向打分的评测站上比一批评价与反馈管理工具再选（2026 年 7 月 25 日实查）。
节奏上，上架后 4-6 周用自己的数据重排一次，旺季前再重排一次——Q4 送礼画像的占比会明显上来，五点顺序也该跟着换。
七、常见坑
- 把画像写成人口统计——年龄性别收入排不出任何顺序，有用的三样是触发事件、决策标准、顾虑。
- 一条 listing 想通吃三个画像——五点写成大杂烩，谁读第一条都觉得不是给自己看的。
- 把 AI 给的占比当市场份额——它是从你喂的语料估的，只配当排序的相对权重。
行动清单
- 选 3-5 个评分中等、评论量大的竞品，好评差评各拉 30-80 条，连同买家问答存成纯文本。
- 用第三节的 prompt 合成 2-3 个画像，逐条查证据栏，没有原文支撑的字段直接划掉。
- 把全部候选卖点列成一列，用第四节的 prompt 让 AI 出一版矩阵草稿。
- 亲自复核每个 3 分和 0 分，其余照收，再按加权分排序、套四条规则定下五点顺序。
- 填完交接单再进文案环节，别一边写一边改顺序。
- 上架 4-6 周后用搜索词报告和退货报告校准画像，重排一次。
AI 能把几百条评论读成几个具体的人，但「这一条 listing 主要卖给谁」是你的取舍。取舍做完，第一条五点写什么就不再是玄学。
延伸阅读
- 卖点从哪来：用 AI 读竞品差评挖产品改进点
- 顺序定好后怎么落笔：用 AI 写出高转化的亚马逊 Listing
- 看对手把画像押在谁身上：用 AI 逆向拆解竞品 listing
- 用真实数据校准画像：亚马逊搜索词报告怎么读 与 用 AI 读亚马逊退货报告
- 另一张矩阵，排的是产品该改哪里：用 AI 做自家 listing 的亚马逊差评分析