做亚马逊的人都被选品折磨过。你盯着 Helium10 的数据库翻几百页，看 BSR、看月销、看评论数，越看越焦虑：热门类目卷得见血，冷门类目又怕没需求。一个人开店，没有团队帮你做市场调研，每天能投在选品上的时间就那么几个小时。更糟的是，凭感觉拍脑袋选出来的品，备货几千美金压进去，三个月后躺在 FBA 仓库里吃仓储费——这种亏，很多中小卖家都吃过。

ChatGPT 这类 AI 工具进来之后，选品这件事的效率确实能提一个台阶。但网上一堆"AI 一键选爆款"的吹捧文章，会把你带沟里。AI 的真正价值不是替你做决定，而是把"找方向"和"做分析"这两件最耗脑力的体力活外包出去，最后拍板的还得是你和真实数据。下面这套工作流，是把 AI 嵌进传统选品流程里的具体做法，每一步都能直接抄。

第一步：用 AI 做市场趋势头脑风暴，找方向

传统选品的第一步最难——你连往哪个方向找都不知道。这时候不要让 AI 直接给你"推荐爆款"，因为它给的要么是已经卷烂的大词（如"瑜伽垫"“保温杯”），要么是它编出来听着很美但根本不存在的需求。

正确用法是把 AI 当成一个会发散思维的市场分析师，让它从人群、场景、痛点三个维度帮你拆方向，而不是直接要产品。

你是一位资深的亚马逊美国站选品分析师，服务对象是预算有限的中小卖家。

我对【宠物用品】这个大类目感兴趣，但不想做红海大词。请帮我做发散分析：

1. 列出这个类目下 8 个细分人群（例如：养老年犬的人、住公寓养猫的人）。
2. 每个人群，写出他们 2-3 个尚未被很好满足的具体痛点。
3. 针对每个痛点，提出 1-2 个可能的产品方向（只要方向，不要具体型号）。

输出要求：用表格，三列分别是【细分人群】【具体痛点】【产品方向】。
不要列瑜伽垫、保温杯这种已经高度饱和的大众品。
对每个产品方向，标注你的判断是"明确的真实需求"还是"我的推测"。

最后一句"标注真实需求还是推测"非常关键——这是逼 AI 把它的确定性暴露给你。凡是它标"推测"的，你都要去真实平台验证，别信。这一步你能在 10 分钟内拿到 20-30 个候选方向，比你自己空想一下午强得多。

把方向收窄成可搜索的关键词

拿到方向后，让 AI 继续帮你把模糊的方向翻译成亚马逊买家真正会搜的长尾关键词。这一步是连接"创意"和"数据"的桥梁——你后面要拿这些词去 Helium10 / 卖家精灵里查真实搜索量。

直接追问：“把上面表格里的’方向 X’，列出 15 个亚马逊买家可能会搜的英文长尾关键词，按购买意图从强到弱排序，并标注每个词背后的用户在找什么。”

第二步：用真实数据验证需求——这步 AI 帮不上忙

这是整个工作流最重要、也最容易被吹捧文章跳过的一步：AI 给你的所有"市场大、需求旺"的判断，在你用真实数据验证之前，一律当成没说。

为什么？因为 ChatGPT 没有实时联网的亚马逊销量数据，它对"这个词月搜索量多少、竞品月销多少"的回答全是编的（行话叫"幻觉"）。它能编得有鼻子有眼，单位、数字、趋势一应俱全，但和真实情况可能差十倍。

所以拿着第一步的关键词，回到专业数据工具里跑真实数据：

  • 搜索量：用 Helium10 的 Magnet 或卖家精灵的关键词工具，看月搜索量。太低（比如月搜索量 < 500）说明需求太小，太高说明可能已是红海。
  • 竞争度：看这个词下面 Top 10 listing 的评论数。如果前排清一色几千上万条评论，新手挤不进去；如果前排很多是几十条评论的新 listing，说明有机会。
  • 月销与价格带：用插件看竞品的实际月销量和售价，估算这个细分市场的盘子有多大，价格能不能支撑利润。

把这几个真实数字记下来，下一步喂给 AI 做分析。记住：数据是人查的，AI 只负责分析人查回来的数据。

第三步：用 AI 分析竞品差评，挖差异化机会

需求验证通过后，真正决定你能不能赢的是差异化。同样的产品，凭什么买家买你的而不是排在你前面那十个？答案往往藏在竞品的差评里——那些是现有产品没解决、买家正在抱怨的真实痛点。

人工读差评很累，一个竞品几百上千条评论，读完眼睛都花了。这正是 AI 最擅长的活：你把竞品的差评（1-3 星）批量复制出来，让 AI 帮你做归类和洞察。

你是一位产品经理，擅长从用户评论里挖掘产品改进机会。

下面是某款【宠物饮水机】在亚马逊上的 1-3 星差评（我已粘贴在末尾）。请你：

1. 把所有抱怨归类，统计每类问题出现的频次，按频次从高到低排列。
2. 对前 3 个高频问题，分析它的根本原因（是设计缺陷、用料问题还是说明书不清）。
3. 针对每个高频问题，提出一个具体的产品改进方向，说明如果我做这个改进，
   能在 listing 里打出什么卖点。
4. 最后判断：这些痛点里，哪些是"改了能形成真实竞争力"的，
   哪些是"个别用户挑刺、改了意义不大"的。

输出用结构化的小标题，不要写成一大段。

差评内容：
【在这里粘贴 30-50 条真实差评】

这个 prompt 的产出非常实在：它会告诉你"漏水"被抱怨了 18 次、“水泵噪音大"被抱怨了 12 次。这些就是你做产品改进、写 listing 卖点、拍主图的弹药。注意第 4 点同样在逼 AI 区分"真痛点"和"噪音”，避免你为了一个只有两个人提的小问题去过度改设计。

第四步：用 AI 评估利润与风险，再算一笔总账

方向有了、需求验过了、差异化也想清楚了，最后一道关是算账。很多人选品死在这一步：产品看着好卖，结果一算 FBA 费用、头程、广告、退货，利润薄得像纸。

让 AI 帮你搭一个利润测算和风险清单的框架，你把真实数字填进去。下面这张表是 AI 在选品里能做和不能做的边界，贴墙上提醒自己：

环节AI 能做AI 不能做（必须人工）
找方向发散人群、场景、痛点，给候选方向替你确定哪个方向值得做
关键词把方向翻译成长尾词、做语义扩展提供真实搜索量（会编）
需求验证解释数据、帮你判断趋势含义提供真实月销/竞品数据（会编）
竞品分析归类差评、提炼改进点替你读懂线下供应链能不能实现
利润测算搭测算模型、列风险清单提供真实 FBA 费率/头程报价
最终决策列出决策维度、做利弊对比拍板——你担风险，你来定

具体到打分，可以让 AI 给你一套选品评分维度，每个维度你结合真实数据打分，加权算总分，超过阈值才进入备货环节：

评分维度权重说明
真实需求量25%月搜索量与竞品月销，数据来自工具
竞争难度20%前排评论数、新 listing 占比
差异化空间20%差评里有没有可改进的真痛点
利润率20%扣完 FBA、头程、广告后的净利
运营与合规风险15%是否侵权、是否敏感货、是否易碎退货高

把"利润测算"交给 AI 时，给它真实数字，让它帮你算：

“我的采购成本是 X 美元，头程每件 Y 美元，售价定 Z 美元，亚马逊抽佣 15%，FBA 配送费约 A 美元，预估广告占售价 15%，退货率按 5% 算。帮我算出单件净利润和净利率，并列出这个测算里风险最大的 3 个假设。”

最后一句"列出风险最大的假设"是精华——它会提醒你"你假设的广告占比 15% 在竞争激烈的类目可能要到 30%"，这种提醒往往比那个利润数字本身更值钱。

AI 选品的局限和必须避开的坑

把话说透，免得你被工具带偏：

  • AI 会一本正经地编数据。 任何具体的搜索量、月销、市场规模数字，不经工具验证一律不信。这是头号坑。
  • AI 没有最新的实时数据。 它不知道这个月哪个品突然火了，趋势类判断要配合 Google Trends、TikTok、Helium10 一起看。
  • AI 不懂你的供应链。 它建议的改进点，可能 1688 上根本找不到能做的工厂，或者改完成本翻倍。落地性要你自己判断。
  • AI 给的方向会"同质化"。 大家都用类似 prompt 问 ChatGPT，容易撞到一起。AI 给方向，差异化还得靠你对差评的深挖和对供应链的理解。
  • 别让 AI 替你拍板。 它不承担你备货压货的资金风险。决策权永远在你手里。

行动清单：把这套工作流跑起来

  1. 定一个大类目，用第一步的 prompt 让 AI 发散出 20-30 个候选方向，重点看它标"真实需求"的那些。
  2. 把方向翻译成长尾关键词，每个方向拿到 10-15 个词。
  3. 回到 Helium10 / 卖家精灵，逐个查真实搜索量、竞品月销、前排评论数——AI 说的数字一律不算数。
  4. 筛掉搜索量太低、竞争太狠、价格撑不起利润的方向。
  5. 对活下来的方向，扒竞品 1-3 星差评，用第三步 prompt 让 AI 归类痛点、找差异化。
  6. 把真实成本数字喂给 AI 做利润测算，让它列出风险最大的假设。
  7. 用评分维度表打分，超过你设定的阈值（比如 70 分）才进入小批量测款。
  8. 小批量验证，别一上来就压几千件——再好的分析也要真实订单来证明。

这套流程的核心逻辑就一句话：AI 负责把脑力体力活做快做多，真实数据负责证伪，你负责拍板和担责。 谁也别想用一个 prompt 躺着选出爆款，但用对了，你一个人能干出过去一个小团队的选品效率。

延伸阅读