AI运营

你选好了品，备货款也快打出去了，结果一上架发现这个类目要"审核"——亚马逊要你交发票、交证书，材料备不齐就上不了架，货砸手里。这种在上架前一秒才发现被 gating（类目/品牌受限）的坑，做亚马逊的基本都踩过一次。 问题不在于审核本身，而在于你太晚才知道要审核、又不清楚到底要交什么。这篇讲的就是把这两件事往前挪：选品阶段就用 AI 预判这个品大概率会不会触发审核，再让 AI 按类目把要交的资料清单一次性列全，最后提交前用 AI 把发票和证书预检一遍。说清楚一点——AI 在这里只做"提前排雷"和"整理清单"，它给不了、也代替不了亚马逊后台的最终裁决，真要不要审、审什么，永远以你自己后台显示的为准。 先搞清楚：受限类目到底卡的是什么 亚马逊的"上架限制"其实分两层，别混着看： 类目审核（category approval / gating）：整个类目需要资质才能卖，比如自动摄入类（保健品）、食品杂货、汽车配件、部分美妆、珠宝手表、收藏品等。你要向亚马逊证明货源合法、产品合规。 品牌审核（brand gating）：类目开放，但某个品牌做了品牌备案、锁死了跟卖，你没有授权就上不了这个 ASIN。 判断一个品要不要审核，唯一权威的地方是你自己的卖家后台，不是任何一份网上的"受限类目清单"。官方查法（2026年7月22日）：进后台「Catalog / 添加商品」，用 ASIN、UPC 或产品名搜到要卖的商品，看结果里有没有「Show limitations / 查看限制」或「Apply to sell / 申请销售权限」的提示——有，就说明这个品在你账号下被 gating 了；能直接「Add / 添加」的就是开放的。同一个类目，不同账号、不同站点、不同时间的门槛可能不一样，所以网上任何清单都只能当参考，最终以后台实测为准。 第一步：选品阶段就用 AI 预判会不会被 gating 传统做法是选完品、备完货才去后台试，太晚。把这一步提前到选品清单还只是一串候选的时候——让 AI 先按产品特征帮你标出"高风险要审核"的候选，你再优先拿这几个去后台核。 注意：AI 是根据公开规则和产品属性做概率预判，不是亚马逊的审核系统——它说"大概率要审"不代表一定审，说"应该开放"你也必须回后台验证。这一点先立在前面。 可复制的预判 prompt： 你是一位熟悉亚马逊美国站上架规则的运营顾问。我会给你一批候选产品， 请你逐个判断它在亚马逊美国站上架时，"触发类目审核或合规限制"的风险高低。 对每个产品输出： 1. 最可能归属的类目 / 子类目； 2. 触发审核的风险等级（高 / 中 / 低）； 3. 触发点是什么（例如：入口即食、含电池、宣称医疗功效、可能涉及品牌备案等）； 4. 如果要审，通常会要哪类材料（发票 / 安全认证 / 检测报告 / 品牌授权）。 请在开头用一句话说明：以下均为基于公开规则的预判，最终以卖家后台 "Show limitations / Apply to sell" 的实际显示为准，不构成亚马逊官方裁决。 我的候选产品： 【1. 便携榨汁杯（含锂电池）】 【2. 宠物关节保健软胶囊】 【3. 不锈钢厨房收纳架】 下面是这个 prompt 的示例输出（演示 AI 会怎么帮你分风险，不是实测审核结果，实际以后台为准）： ...

本文包含联盟链接：通过文中链接注册或购买，我们可能获得佣金，不影响你的价格，也不影响我们的结论。价格信息以 2026年7月22日 实查为准。 你可能已经零散做过亚马逊 SEO 的某个环节——挖过词、改过标题、写过五点，但每次都是"想起哪块修哪块"，改完也不知道到底有没有用。这篇不讲单点技巧，讲的是怎么用 AI 把关键词、listing 埋词、算法适配、数据复盘这四步串成一条能反复跑的工作流，让每一次优化都踩在同一条链路上、能被下一轮验证。 先把判断摆前面：2026 年的亚马逊 SEO，不再是"把关键词堆够"，而是"让算法既能匹配到你、又能读懂你在卖什么给谁"。AI 在这条链路里的角色也很清楚——它替你做扩展、埋词、改写、读数据这些耗时的重复活，但真实搜索量、转化数据、最终定稿这些"要负责任的判断"，得你自己拍板。 先搞清楚：2026 年做亚马逊 SEO，到底在优化什么 想省事的话你可以跳过这节直接看工作流，但搞懂算法在看什么，你才知道每一步为什么要那样做。 亚马逊的搜索排序算法官方代号是 A9；卖家圈常说的"A10"其实是社区对它演进版本的非官方叫法，亚马逊从没正式确认过这个名字，别把它当成一个新产品。不管叫什么，行业普遍的共识是：转化率是权重最高的排序因子——一个词进来的人越愿意买，你在这个词下的排名就越稳（第三方信息，2026年7月22日核）。其次才是点击率、关键词相关性、评论、退货率、库存这些。关键词相关性的字段权重顺序也基本稳定：标题 > 五点 > 后台 Search Terms。 真正的变化在于，这几年亚马逊在传统搜索之上又叠了一层"语义理解"。一个是 COSMO——亚马逊在 2024 年 SIGMOD 大会上公布的常识知识系统，它从"搜了什么又买了什么"的行为数据里，反推出商品和购买意图之间的常识关联，对那种宽泛、模糊、带意图的搜索特别有影响（依据 Amazon Science 公开资料，2026年7月22日核）。另一个是购物助手 Rufus——据行业媒体报道，亚马逊已于 2026 年 5 月 13 日在美国把它更名为 Alexa for Shopping，入口从侧栏移进了主搜索框并陆续增加代理式功能，本质仍是搜索之上的一层对话式入口，买家用大白话提问，它帮着比对和推荐（第三方信息，2026年7月22日核）。 结论就一句：埋词这件事照做，但你还得为"语义、意图、问答"再适配一层——不然你在关键词匹配上赢了，却在"AI 助手读不读得懂你解决什么问题"上输了。这也是这套工作流第三步存在的理由。 整条工作流长什么样：四步总览 步骤 这一步在干什么 AI 负责 你负责 1. 关键词研究 产出主词/次词/长尾词表，带购买意图分组 词根扩展、意图分组、竞品反查 查真实搜索量、定主词 2. listing 埋词 把词按字段权重埋进标题/五点/后台词 按框架生成候选、去重、控密度 挑句、保可读性、定稿 3. 算法双重适配 既满足 A9 匹配，又满足 COSMO/Rufus 语义 反推买家意图、改写成收益导向 核对事实、把关调性 4. 数据复盘 看哪些词有曝光没转化，回炉调整 读搜索词报告、聚类归因 拍板改哪里、定复盘节奏 四步是一个闭环：第四步的复盘结论，会回喂给第一步和第二步，进入下一轮。下面逐步拆，重心放在第 2、3、4 步——第一步只做衔接，不重复讲。 ...

你盯着后台那条爬升的退货率，第一反应多半是"哪个环节又出问题了"，然后就卡住了——因为退货报告导出来是几百行原因文本，你既看不出退的到底是哪几个款，更判断不了这退是"产品真有毛病"还是"listing 把人骗进来了"。 这两类退货的解法是相反的：产品缺陷要改产品、换供应商，动的是成本和交期；listing 误导要改图文，成本极低、见效极快。判错方向，要么白白召回一批没问题的货，要么放着一个能改图文解决的坑一直流血。 所以退货分析真正值钱的不是"退了多少"，而是把每一笔退货归因到可执行的动作上。这篇给你一套用 AI 做退货报告归因的完整 SOP：字段怎么读、原因怎么聚类、以及最关键的——怎么反推是产品问题还是 listing 误导。 先搞清楚：退货报告在哪导、哪几个字段最值钱 退货报告分两个入口，别导错： FBA 退货：Seller Central → 数据报告（Reports）→ 配送（Fulfillment）→ FBA 客户退货（FBA Customer Returns），导出 CSV（2026年7月22日实查路径）。 自配送（FBM）退货：Seller Central → 订单（Orders）→ 管理退货 / 退货报告（Manage Returns / Returns Reports）。 导出后你会看到一堆列，但做归因真正要用的就三个（2026年7月22日实查字段）： 字段 官方口径 归因价值 Return Reason（退货原因） 买家从标准选项里选，如"与描述不符"“有瑕疵"“尺寸不合适"“运输损坏"“不想要了” 第一层聚类的主轴，但买家自选、常不准 Detailed Disposition（详细处置） 仓库对退回实物的定性：Sellable / Customer Damaged / Defective / Carrier Damaged 客观物证，用来校正买家自填的原因 Customer Comments（买家评论） 买家自由填写的文本，可选、不是每笔都有 归因的决定性线索，藏着"为什么"的真相 记住这个分工：Return Reason 说买家勾了哪个选项，Detailed Disposition 说货退回来实际是什么状态，Customer Comments 说买家心里到底怎么想。 三者对不上的时候，真相往往在后两个里，不在买家随手勾的那个选项里。 至于把报表喂 AI 前必做的脱敏（删掉买家姓名、地址、订单号等 PII），这是所有报表分析的通用前置，我在用 ChatGPT 读懂亚马逊后台报表里讲过通用做法，这里不重复。退货报告要额外留意：只保留 ASIN/SKU、退货日期、Return Reason、Detailed Disposition、Customer Comments 这几列，其余能定位到具体买家的一律删掉再喂。 ...

本文包含联盟链接：通过文中链接注册或购买，我们可能获得佣金，不影响你的价格，也不影响我们的结论。价格信息以 2026年7月22日 实查为准。 你盯着排在你前面那条竞品，滑到底又滑回顶部，心里清楚它卖得比你好，但说不清它到底好在哪。是标题埋的词更狠，还是五点的卖点排序更抓人，或者 A+ 把你没讲透的信任感补上了？肉眼看一天，得到的还是「感觉它挺全的」这种没法落地的结论。 这篇给你一套更狠的做法：把竞品的整条 listing 当成一个结构系统，用 AI 一次性拆开——标题怎么埋词、五点按什么优先级排、A+ 讲了个什么叙事、图片承担了哪些说服任务，最后输出一张「哪些能抄、哪些要绕开」的对照表。核心不是看它写了什么，而是还原它「为什么这么排」。 先说清楚：这篇拆的是「结构」，不是词也不是痛点 站内已经有两篇从单点切入的竞品分析，这篇跟它们不重复，正好互补： 用 AI 做亚马逊关键词研究拆的是词——从竞品反查里提取埋词，解决「该打哪些关键词」。 用 AI 读竞品差评挖产品改进点拆的是痛点——从差评里找产品缺口，解决「产品该怎么改」。 而这篇拆的是整条 listing 的信息架构：卖点怎么排布、叙事怎么递进、图文怎么分工。它站在上面那两篇的上位，回答「对手这套 listing 的说服逻辑是怎么搭的，我该抄哪套、避哪套」。 三篇搭起来，你对一条竞品的理解就从「词、痛点、结构」三个维度都补齐了。 拆之前，先把要拆的竞品选对 别一上来就拆销量榜第一那条。头部 listing 卖得好，很多时候靠的是品牌沉淀、多年攒下的成千上万条评论、以及每天砸进去的广告预算——这些都是你短期抄不来的场外优势。你把它的标题五点逆向得再透，也复制不了它的评论墙和品牌词流量。 真正值得拆的，是和你价位带接近、规格接近、但转化明显比你好的那条。这种对手的领先更可能来自 listing 本身，你逆向出来的结构才是可迁移的。挑选标的时盯三个信号： 评论体量和你在一个量级：如果对手评论数是你的十几倍，它的转化里有很大一块是社会证明撑起来的，跟文案写法无关，拆了也学不到东西。 价格带和你重叠：价格差太远，卖点诉求完全不是一回事，逆向来的排序套不到你身上。 你看不出它凭什么卖得好：这条最反直觉却最有用——一条竞品如果参数、价格、评论都跟你半斤八两，却偏偏卖得更好，那它的优势八成就藏在你忽略的信息架构里，这种恰恰是最该拆的标的。 选对了标的，后面四个维度拆出来的东西才有迁移价值；选错了，你只是在研究一个根本抄不动的对手。 第一步：合规地把竞品 listing 文本拿到手 拆之前先解决「数据从哪来」，这里有条边界得说在前面。 你手动打开竞品页面、把公开的标题和五点复制下来喂给 AI，这跟你平时逛竞品没有任何区别，完全没问题。你看到的就是买家看到的公开信息，抄下来自己分析是再正常不过的运营动作。 要规模化对比一批竞品，就用持牌工具走合规数据，别自己写脚本批量爬。大规模自动抓取违反亚马逊使用条款（2026年7月22日查），触发风控后账号和 IP 都可能被封，得不偿失。合规的量产路径有两条： 反查关键词类：Helium 10 的 Cerebro 是做反查 ASIN 的工具，输入竞品 ASIN 能拉出它自然排名和广告在打的全部关键词，可以一次并列对比最多 10 个 ASIN、按自然排名和搜索量筛（功能以 2026年7月22日 Helium 10 官方页实查为准）。它解决的是「词」这一层，正好接上你手动复制来的标题文本。 公开评论与关键词类：卖家精灵这类持牌工具能合规调取竞品的公开评论和关键词排名数据，省掉你逐条手抄的功夫；不确定选哪家，先用 amzfinder 这类对比站按统一评分把合规工具挑对。 拿数据的原则记一句就够：盯着公开信息、用持牌工具、别碰登录墙后面的东西，剩下的分析活交给 AI。 第二步：四个维度，让 AI 逐层拆开 把复制好的竞品文本喂给 AI，别笼统地问「帮我分析这条 listing」——那样只会得到一段正确的废话。要按四个维度分别下指令，逼它输出结构，而不是复述。 ...

本文包含联盟链接：通过文中链接注册或购买，我们可能获得佣金，不影响你的价格，也不影响我们的结论。价格信息以 2026 年 7 月 21 日 交叉核对为准。 先给你一句话结论：Informed Repricer（原 Informed.co、更早叫 Appeagle）是一款"一口价、不按功能分档"的亚马逊自动调价器，卖点是用机器学习找"还能出单的最高价"、而不是无脑降价打价格战。但它的调价速度在同类里偏慢，老用户对"停掉低价套餐后价格暴涨、客服冷淡"的差评非常集中——它更适合看重利润策略、能接受一口价的中大卖家，不适合只想图便宜的小卖家。 这篇不吹不黑：定价是 2026 年 7 月 21 日交叉核过的（官方定价页对爬虫做了拦截，所以我用官方公开说明 + 多个 2026 第三方评测 + 本站抓取交叉印证，精确数字以你注册结账页为准）；缺点部分直接搬了 G2 和 Trustpilot 的真实差评并标注来源与日期。你看完能自己判断：这钱该不该花在你身上。 Informed Repricer 是什么：一个"抢购物车"的自动调价器 做亚马逊跟卖或多卖家竞争同一个 Listing，谁能拿下 Buy Box（购物车），谁就吃掉这条链接的绝大部分订单。手动盯着对手改价根本盯不过来，自动调价器就是干这件事的：按你设的规则和最低价，实时跟着竞争对手的价格自动升降，帮你抢下并守住购物车。 Informed 是这个赛道里的老牌工具，2018 年前后从 Appeagle 改名 Informed.co，2026 年官方对外主打的名字和域名已经是 informedrepricer.com（旧的 informed.co 对普通浏览器直接访问不稳定，但带注册参数的官方入口仍在该域名下运行，见文末试用入口）。它支持亚马逊、Walmart 等平台。 对"用 AI 思维做跨境电商"的你，它值得关注的点是：它的调价不是简单的"比对手低一分钱"，而是带机器学习的定价策略。下面先把这套机制讲清楚，这也是它和 souq 那种"永远比对手低 0.01"的小工具（见文末区隔）最本质的差别。 核心机制拆解：ML「Optimal Price」到底聪明在哪 直接回答很多人最关心的问题：Informed 的机器学习策略叫 Optimal Price，它做的事是——不看竞争对手报价，而是根据你这条链接过去的历史销量算出一个"目标动销速度"（30 天卖出率），再反推出"能维持这个出单速度的最高价格"。换句话说，它不逼你降价，而是帮你试探"最多能卖多贵还照样出单"。 这套逻辑和传统调价器的区别值得说透： 传统降价逻辑：竞争对手降到 X，我就降到 X 减一点，一路往最低价滑——结果是全场卖家把利润卷没。 Informed 的抢购物车 + 往上抬价（profit-climbing）逻辑：先用规则把价格调到能抢下 Buy Box；一旦你已经拿到购物车，它会自动把价格一点点往上抬，抬到"再抬就会丢购物车"为止——在你赢的那些链接上尽量多赚。 官方宣称"客户在头两周平均把 Buy Box 占有率提升 63%"（informedrepricer.com 官方营销数据，非本站实测，参考即可）。这个"赢了之后还敢往上抬价"的思路，才是它区别于普通调价器的核心卖点，也是它敢收一口价的底气。 ...

本文包含联盟链接：通过文中链接注册或购买，我们可能获得佣金，不影响你的价格，也不影响我们的结论。价格与功能信息以 2026年7月21日 实查为准。 买家在亚马逊 App 里越来越少地"搜关键词、翻十页结果"，而是直接问一句"我露营用、想保冷一整天，哪个水杯合适？"——回答这句话的，是亚马逊的 AI 购物助手 Rufus。对卖家来说，这意味着一个新战场：你的 listing 不只要被算法检索到，还要能被 AI 读懂、正面回答买家的自然语言问题，才有机会被它推荐出来。 先把最容易踩的一个事实说清楚：Rufus 已经在 2026 年 5 月 13 日被亚马逊官方更名为「Alexa for Shopping」（2026年7月21日实查亚马逊官方 aboutamazon.com）。但绝大多数卖家、包括中文社区，仍习惯叫它 Rufus，检索词也还是"Rufus"，所以本文沿用这个叫法；名字换了，但它对 listing 的影响逻辑没变，下面讲的适配思路对更名后的版本一样适用。 这篇不重复用 AI 写高转化亚马逊 Listing那篇的标题/五点/A+ 通用写法，也不讲关键词研究。本篇只聚焦一件事：Rufus 这种问答式 AI 购物助手，改变了买家找货的方式，你的 listing 该做哪 5 个针对性调整，以及怎么用 AI 反推它会问的问题。 先搞清楚 Rufus 到底能做什么（官方口径） 任何"怎么优化"都得先建立在"它实际是什么"上，否则就是对着幻觉调参。以下是亚马逊官方对 Rufus 的定义与能力，均以 2026年7月21日实查 aboutamazon.com 为准： 它是什么：一个"基于生成式 AI、用亚马逊商品目录训练的专家级购物助手"，会结合全网信息回答购物问题、做产品比较和推荐、帮助发现商品。 它的数据来自哪：官方明确列出它调用"亚马逊庞大的商品目录、买家评论、社区问答（community Q&A），以及全网信息"，并用 RAG（检索增强生成）从公开来源提炼观点。这一条对卖家极其关键——评论和 Q&A 是它的一次数据源，不只是给人看的。 买家会怎么用它：官方给的示例包括研究型问题（“买耳机要考虑什么？"）、场景型问题（“寒冷天气打高尔夫需要准备什么？"）、品类对比（“唇彩和唇油有什么区别？"）、人群推荐（“给 5 岁小孩买什么恐龙玩具？"），以及在商品页直接问细节（“这件夹克能机洗吗？"）。 更名后新增的能力：更名为 Alexa for Shopping 后，官方称它还能自动加购、每天找折扣、到设定价格自动下单等（2026年7月21日实查官方页坐实这三项；另有媒体报道提及比价提示、手写购物清单入购物车等能力，未在官方页见到，仅作参考）。这些偏向买家侧的自动化，但也说明它正在成为买家决策链路的中枢。 一句话概括这份官方口径：Rufus 是一个"读你的 listing、评论和 Q&A，然后用大白话回答买家问题"的中间层。 你能被它推荐的前提，是它能从你的页面里"读到答案”。 ...

本文包含联盟链接：通过文中链接注册或购买，我们可能获得佣金，不影响你的价格，也不影响我们的结论。 先说结论：亚马逊上你能用 AI 高效处理买家消息，但有一条不能碰的红线——不能索评、不能塞外链、不能诱导买家改评或删评。 这三件事只要 AI 帮你写进消息里，触发的不是"回复没效果"，而是账号层面的风险。所以这篇不教你怎么"话术"买家改分，只教你在政策边界内，用 AI 把该回的消息回得又快又稳。 拿到一个差评，卖家第一反应往往是"我要不要回一句？能不能私信让他删？"。这两个问题的答案，先由亚马逊的规则决定，再谈话术。我们把边界铺清楚，你再往下套模板才不会踩坑。 一、政策边界先行：哪些能做，哪些直接违规 亚马逊官方《Selling Policies and Seller Code of Conduct》（卖家行为准则，官方原文核验于 2026 年 7 月 20 日）里，跟"回复买家、请求评价"直接相关的有三段硬规定，逐条翻给你： 第一段——评分、反馈与评论（Ratings, Feedback, and Reviews）。 官方原文：你可以用中性方式向自己的买家请求 feedback 和 review，但不得： 用优惠券、免费产品等利益交换评价或删评（Pay for or offer an incentive）； 要求买家只写好评，或要求他们删除、修改评价（Ask customers to write only positive reviews or ask them to remove or change a review）； 只向有好体验的买家单独请求评价（Solicit reviews only from customers who had a positive experience）； 给自己的产品或竞品刷评。 第二段——通信（Communications）。 官方原文：不得发送未经请求的或不当的消息；所有面向买家的沟通必须走 Buyer-Seller Messaging，且必须是为了完成订单或提供客户服务。营销类消息一律禁止（Marketing communications are prohibited）。 ...

同一款产品，挂了 A+ 内容和没挂 A+ 内容，详情页给人的感觉完全是两个档次。没挂的那种，划到商品描述位置就是一段灰扑扑的纯文字；挂了的那种，是一屏屏图文并茂的品牌故事、场景大图、对比表格。买家不会读你的心，但他会用停留时间和加购动作投票——A+ 内容就是你在详情页里为"值得信任"做的视觉铺垫。 先把结论摆前面：A+ 内容不是把五点描述再抄一遍换成图，而是承接标题和五点装不下的信任信息——品牌来历、材质细节、使用场景、和竞品的对比、售后承诺。它是免费的（对有资格的卖家），据亚马逊官方数据，基础版最高可提升 8% 的销量、高级版最高可提升 20%（2026年7月19日实查 sell.amazon.com/tools/a-content）。而 AI 在这件事上的角色很明确：你给真实的品牌素材和产品事实，AI 负责把它们套进各个模块的文案框架里批量成稿，你再定稿。下面按"先搞清模块 → 逐块给提示词 → 保调性一致 → 合规兜底"的顺序讲透。 一、A+ 内容到底有哪几种模块 动手写之前先分清 A+ 的三种类型，否则你写的文案可能根本没地方放。以下规格 2026年7月19日实查 sell.amazon.com 官方页： 类型 能放什么 模块上限 谁能用 基础版 Basic A+ 图片、文字、品牌 Logo、对比图表、技术规格表 每个 ASIN 最多 5 个模块 专业卖家 + 品牌注册（或有通用产品权限） 品牌故事 Brand Story 图文、轮播卡片、指向店铺/其他产品的链接 每个 ASIN 一个品牌故事区 同上 高级版 Premium A+ 更大的图、视频、交互热点、可点轮播、Q&A、增强对比表 每个 ASIN 可放更多模块（具体上限以后台 A+ Content Manager 为准） 同上，且需满足额外资格 关键资格线要记牢：A+ 内容不是所有卖家都能用，前提是专业卖家账户 + 完成亚马逊品牌注册（Brand Registry），并被授予品牌代表或经销商角色（2026年7月19日实查）。没做品牌注册的白牌卖家用不了标准 A+。高级版还有更高门槛：需要在所有品牌 ASIN 上都发布了品牌故事模块，且过去 12 个月内有 5 个已通过审核的 A+ 模块（第三方口径 2026-07-19，官方公开页未逐项列出该细则，以品牌注册后台实际资格提示为准）。 ...

竞品的差评，是市场花真金白银替你做完的用户调研。你要做的不是"处理"这些差评，而是把它们批量喂给 AI 做痛点聚类——当多个竞品在同一个维度反复挨骂，那就是这个品类被验证过的通病，也是你最直接的差异化入口。 这篇讲清一条完整闭环：抓竞品公开差评 → 让 AI 把散乱评论聚成痛点簇 → 从痛点反推差异化卖点 → 把卖点回填进 listing 的五点和 A+。全程给你可以直接抄的 Prompt。 先把边界摆前面：AI 在这件事上负责"读懂大量文本、归纳共性、生成卖点措辞"，它替不了的是"判断哪个痛点值得改、改的成本你扛不扛得住"——那要结合你的供应链和成本自己拍板。 抓竞品公开评价做分析属于合规的市场调研，这篇只讲怎么读懂对手的短板、把它变成你的长处。 整条流程长什么样 一句话概括这条流水线：把"人肉一条条读几百个差评划重点"这件最耗时的脏活，压缩成三次结构化的 AI 调用。 步骤 你做什么 AI 做什么 产出 1 抓差评 选 3-5 个头部竞品，导出 1-3 星评论 —— 一批原始差评文本 2 痛点聚类 把差评粘给 AI 按主题聚成痛点簇、算频次、标严重度 痛点地图 3 提炼卖点 把痛点地图给 AI 把每个痛点翻转成差异化卖点角度 卖点清单 4 回填 listing 把卖点给 AI 组织进五点/A+/主图文案草稿 listing 文案初稿 下面逐步拆，每步都给 Prompt。 第一步：抓竞品公开差评 先定"抓谁"：在你的核心关键词下搜出前排的 3-5 个竞品 ASIN，优先选那些评分中等（3.8-4.3 星）、评论数几百到几千的——评分太高的差评太少挖不出料，太低的往往是杂牌参考价值低。 再定"抓什么"：只要 1-3 星评论。抓取方式有三种，按你的量级选： 手动复制：竞品不多、只想快速摸一遍时，直接在亚马逊评论区筛选 1-3 星，翻几页复制粘贴，几十条就够跑出方向。 工具导出：要系统做、覆盖多个 ASIN 时，用卖家精灵、Helium 10 这类工具的评论分析/导出功能，或亚马逊后台自家产品的 Voice of Customer，把评论批量拉成表格（具体功能与档位以工具官网当前说明为准，各家迭代很快）。 亚马逊自带的 Customers Say：现在商品页会有一段 AI 生成的评论摘要，能帮你快速定位买家反复提到的关键词，作为聚类前的预览。 范围界定一句：本文只涉及公开可见的买家评价，用于分析产品和市场，属正当的竞品调研；操纵评价、删差评、刷评是完全不同的另一类操作，不在本文范围内。 ...

亚马逊后台每张报表都能导出 CSV，但真正卡住卖家的从来不是"导不出来"，而是"导出来一堆数字，看不出该动哪个 SKU"。用 ChatGPT 做亚马逊数据分析这件事，AI 读报表最值钱的地方不是替你算总和——后台自己就会算——而是替你做三件人肉很慢的活：跨表交叉（把广告花费、销量、退货并到同一个 SKU 上看）、揪异常（自动挑出"花钱多但不出单"“销量涨但退货也涨"的问题 SKU）、写周报（把结论压成一段人话）。至于每个数字准不准，仍以你后台导出的原始报表为唯一真值，ChatGPT 只做解读、不生产数据。 这篇给你一套可直接抄的提示流程：三张核心报表分别怎么喂、问什么、怎么交叉，最后让 AI 生成一份能直接发群里的周报。纯公开流程，不需要给你看我的后台截图，你拿自己的报表照着跑即可。 先做一件事：喂报表给 AI 之前，务必脱敏 这一步排在所有 prompt 之前，因为它关系到合规，不是可选项。亚马逊部分报表（尤其是订单报告、退货报告）会带买家个人信息（PII）：姓名、收货地址、邮箱、电话、订单号。把这些整表直接粘进 ChatGPT，等于把买家隐私交给了第三方，既违反平台的数据使用条款，也踩 GDPR/CCPA 的线。 导出后、喂给 AI 之前，先在 Excel 或表格工具里删掉这些列，只留分析真正要用的字段： 广告报表：留 SKU/ASIN、广告活动名、关键词/投放对象、曝光、点击、花费、销售额、订单数、ACOS——不含任何买家信息，通常最安全。 业务报告（销量）：留 SKU/ASIN、会话数、页面浏览量、购买转化率、订单量、销售额——按 SKU 聚合，本就不含 PII。 退货报告：只留 ASIN/SKU、退货原因、退货数量、退货日期，删掉买家姓名、订单号、地址等所有能定位到人的列。 记一句话：喂给 AI 的表里，一行数据不应该能对应到某一个具体买家。 做到这条，剩下的分析就可以放开做了。 第一张：广告报表——让 AI 揪出"烧钱不出单"的投放 广告报表是最该交给 AI 的一张，因为它的分析逻辑高度规则化，人肉筛几百行关键词又慢又容易看漏。导出"搜索词报告"或"投放报告”，脱敏（本就无 PII）后粘进去： 你是亚马逊广告数据分析师。下面是我的广告投放报表（CSV，我粘在末尾）， 字段含义：SKU、广告活动、投放关键词、曝光、点击、花费、销售额、订单数、ACOS。 请帮我做四件事，每件都用表格输出、附上支撑数字： 1. 揪出"高花费零转化"的投放：花费 > 全表花费中位数、但订单数=0 的关键词/投放对象， 按花费从高到低列出——这些是首选的否词或降价对象。 2. 揪出"高 ACOS"的投放：ACOS 明显高于该 SKU 平均 ACOS 的投放，指出高多少。 3. 找出"低花费高转化"的潜力词：花费不高但订单数/转化率靠前的词，建议加预算。 4. 给一句话总结：这批投放里最该立刻停掉的是哪几个，最该加码的是哪几个。 不要编造字段里没有的数据；如果某个判断需要我补充信息，直接告诉我缺什么。 最后那句"不要编造"很关键——AI 只能基于你给的列算，别指望它知道表里没有的转化率或利润率。想更系统地把广告优化跑成闭环，可以接用 AI 优化亚马逊 PPC 广告那套否词与出价打法。 ...