选品系统开发前置依赖安装本文所有实操代码基于Python3.8环境开发涵盖选品数据采集、分析、评分模型、自动监控全流程依赖直接复制命令批量安装无商业付费组件适配Windows/Linux/Mac环境# 系统演示测试、API调用测试http://console.open.onebound.cn/console/?iNewRookie pip install requests beautifulsoup4 pandas numpy fake-useragent python-dotenv schedule matplotlib一、开篇选品的核心价值与传统模式痛点选品是电商运营的核心命脉直接决定店铺的生存与发展——选对产品可实现低成本起量、快速盈利选错产品会导致库存积压、资金套牢甚至拖垮整个店铺。在电商行业发展初期传统选品方式主要依赖“老板直觉”或“跟风爆款”但随着电商平台流量红利消退、市场竞争加剧这种粗放式选品模式的弊端愈发突出已无法适配当前精细化运营的需求。现代电商运营的核心趋势是构建一套数据化、系统化、自动化的选品方法论通过技术手段采集、分析多维度数据让选品从“拍脑袋”的经验决策转变为“数据支撑”的科学决策。本文全程聚焦技术实操拆解数据化选品的核心逻辑、关键维度、工具矩阵搭配可复用代码助力电商技术开发者、运营技术团队搭建自用选品系统全程无任何营销推广、商业变现内容仅做技术方案复盘。二、传统选品的三大核心痛点技术视角拆解传统选品模式的痛点本质是“数据获取能力不足、数据处理效率低下、决策依据缺失”具体可分为以下三点结合技术场景拆解2.1 信息滞后错失入场窗口期传统选品依赖运营经验或行业传闻等运营发现某个品类热度上升时该品类的市场份额已被头部玩家占领供应链、价格带、流量渠道已形成垄断新玩家入场只能被动接盘投入大量资金却难以获得可观收益。从技术层面看核心原因是缺乏实时数据采集与趋势分析能力无法及时捕捉市场需求的变化。2.2 数据盲区决策缺乏科学支撑传统选品过程中运营无法精准获取竞品的真实销量、利润空间、供应链稳定性等核心数据也无法量化市场需求与竞争强度的关系决策过程如同“蒙眼射箭”。例如运营想切入某一品类却不知道该品类的卖家集中度、价格带分布、用户差评痛点盲目上架产品后极易被竞品挤压导致销量惨淡。2.3 效率低下人工处理能力有限传统选品需要运营手动逛平台、记录竞品数据、制作分析表格一天仅能分析几个品类或产品效率极低。同时人工记录数据易出现错误、遗漏且无法实现数据的实时更新与持续监控往往错过产品最佳上架窗口期。从技术层面看核心问题是未实现数据采集、分析的自动化大量重复工作占用运营核心精力。三、数据化选品的核心逻辑技术建模视角数据化选品的本质是建立一个“需求-竞争-利润”三维评估模型通过技术手段采集三大维度的核心数据量化评估产品的市场潜力筛选出“高需求、低竞争、高利润”的黄金赛道产品。三维评估模型核心逻辑1. 需求热度衡量市场对产品的需求强度核心通过搜索量、销量趋势等数据量化需求热度越高市场潜力越大2. 竞争强度衡量市场的竞争激烈程度核心通过卖家数量、竞品评价数、品牌集中度等数据量化竞争强度越低新玩家入场机会越大3. 利润空间衡量产品的盈利能力核心通过售价、成本、物流、佣金等数据测算利润空间越高盈利潜力越大。核心公式黄金赛道产品 高需求热度 低竞争强度 高利润空间 稳定供应链。技术落地核心通过爬虫、API等技术采集三大维度数据通过数据清洗、统计分析量化各维度指标最终通过评分模型输出产品综合潜力为选品决策提供科学支撑。四、数据化选品的四大维度实操代码示例结合电商运营实际场景数据化选品主要围绕“需求验证、竞争分析、利润测算、供应链评估”四大维度展开每个维度均搭配核心指标、获取方式、判断标准及实操代码可直接复用。4.1 维度一需求验证——市场有没有人要需求验证的核心是通过数据量化市场对目标产品的需求强度避免选择“无需求”或“需求饱和”的产品。核心指标、获取方式及判断标准如下数据指标获取方式判断标准搜索指数平台生意参谋/商智、第三方工具、爬虫采集近30天搜索量持续上升且日均搜索量≥1000销量趋势爬虫采集竞品近30天/90天销量数据月销量1000且趋势向上无明显下滑季节性历史同期数据对比、行业报告非强季节性产品或正处于旺季上升期人群匹配平台用户画像数据、第三方工具与店铺现有客群重合度≥60%实操技巧通过关键词工具输入核心词查看“相关搜索词”和“飙升词”飙升词往往藏着蓝海机会同时可通过百度指数、抖音热点榜交叉验证站外需求热度。实操代码需求热度数据采集与趋势分析import requests import pandas as pd import matplotlib.pyplot as plt from fake_useragent import UserAgent from utils.data_clean import clean_data # 设置中文字体避免图表乱码 plt.rcParams[font.family] [SimHei, WenQuanYi Micro Hei] class DemandAnalysis: 需求热度分析模块 def __init__(self): self.ua UserAgent() self.headers { User-Agent: self.ua.random, Accept: text/html,application/xhtmlxml,application/xml;q0.9,*/*;q0.8 } def get_search_trend(self, keyword: str, days: int 30) - pd.DataFrame: 模拟采集平台搜索指数趋势数据实际需对接平台API或爬虫采集 :param keyword: 目标关键词 :param days: 采集天数 :return: 搜索指数趋势DataFrame # 模拟数据实际项目中替换为真实采集逻辑 dates pd.date_range(endpd.Timestamp.now(), periodsdays, freqD) search_index [1200 i * 20 pd.np.random.randint(-50, 50) for i in range(days)] df pd.DataFrame({ date: dates, search_index: search_index }) # 数据清洗 df clean_data(df) return df def analyze_trend(self, df: pd.DataFrame, keyword: str): 分析搜索指数趋势并可视化 plt.figure(figsize(10, 6)) plt.plot(df[date], df[search_index], label搜索指数, colorblue) plt.title(f关键词「{keyword}」近30天搜索指数趋势) plt.xlabel(日期) plt.ylabel(搜索指数) plt.legend() plt.grid(True) plt.savefig(f{keyword}_search_trend.png) plt.close() # 判断趋势上升/下降/平稳 df[index_diff] df[search_index].diff() avg_diff df[index_diff].mean() if avg_diff 10: trend 上升趋势需求旺盛 elif avg_diff -10: trend 下降趋势需求衰退 else: trend 平稳趋势需求稳定 print(f关键词「{keyword}」需求趋势{trend}近30天日均搜索指数{df[search_index].mean():.2f}) return trend # 测试需求分析 if __name__ __main__: demand_analyzer DemandAnalysis() df demand_analyzer.get_search_trend(keyword厨房神器, days30) demand_analyzer.analyze_trend(df, keyword厨房神器)4.2 维度二竞争分析——我能不能打得过竞争分析的核心是量化目标品类的竞争激烈程度筛选出“竞争程度低、新玩家有入场机会”的品类。核心指标、获取方式及判断标准如下数据指标获取方式判断标准卖家集中度爬虫采集搜索结果前3页卖家数据前10名非大品牌垄断C店占比≥30%评价壁垒统计TOP10竞品评价数多数竞品评价数1000条新玩家有机会突破价格带分布爬虫采集各价位段销量占比存在价格空白带或有差异化定价空间差异化程度分析竞品卖点、用户差评竞品差评集中且存在可改进的卖点空白实操技巧计算“供需比” 搜索量 ÷ 商品数供需比1说明供不应求属于蓝海品类供需比0.5说明供大于求属于红海品类新玩家需谨慎入场。实操代码竞品数据采集与竞争强度分析import requests from bs4 import BeautifulSoup import pandas as pd import random import time class CompetitionAnalysis: 竞争强度分析模块 def __init__(self): self.headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36, Referer: https://www.taobao.com/ } def crawl_competitor_data(self, keyword: str, page_num: int 3) - pd.DataFrame: 采集淘宝搜索结果前N页竞品数据仅用于技术学习遵守robots协议 :param keyword: 目标关键词 :param page_num: 采集页数 :return: 竞品数据DataFrame competitor_list [] base_url https://s.taobao.com/search?q{}imgfilecommendallssids5-esearch_typeitemsourceIdtb.indexspma21bo.jianhua.201856-taobao-item.1ieutf8initiative_idtbindexz_20170306 for page in range(1, page_num 1): # 随机延迟规避反爬 time.sleep(random.uniform(2, 4)) url base_url.format(keyword) fpage{page} try: response requests.get(url, headersself.headers, timeout10) response.raise_for_status() soup BeautifulSoup(response.text, lxml) # 提取竞品核心数据 items soup.select(div.item.J_MouserOnverReq) for item in items: try: title item.select_one(a.J_ClickStat).get(title, 无标题) price item.select_one(strong.J_price).get_text(stripTrue, separator ) sales item.select_one(div.deal-cnt).get_text(stripTrue) if item.select_one(div.deal-cnt) else 0人付款 shop_type 品牌店 if item.select_one(icon.icon-brand) else C店 comment_count item.select_one(div.comment).get_text(stripTrue) if item.select_one(div.comment) else 0条评价 competitor_info { title: title, price: price, sales: sales, shop_type: shop_type, comment_count: comment_count } competitor_list.append(competitor_info) except Exception as e: print(f单条竞品采集失败{str(e)}) continue except Exception as e: print(f第{page}页采集失败{str(e)}) continue df pd.DataFrame(competitor_list) return df def analyze_competition(self, df: pd.DataFrame): 分析竞争强度 if df.empty: print(无竞品数据可分析) return # 1. 卖家集中度分析 shop_type_count df[shop_type].value_counts() brand_shop_ratio shop_type_count.get(品牌店, 0) / len(df) * 100 c_shop_ratio shop_type_count.get(C店, 0) / len(df) * 100 print(f卖家类型分布品牌店占比{brand_shop_ratio:.2f}%C店占比{c_shop_ratio:.2f}%) # 2. 评价壁垒分析 df[comment_num] df[comment_count].str.extract(r(\d)).astype(int) avg_comment df[comment_num].mean() low_comment_count len(df[df[comment_num] 1000]) low_comment_ratio low_comment_count / len(df) * 100 print(f竞品平均评价数{avg_comment:.2f}条评价数1000条的竞品占比{low_comment_ratio:.2f}%) # 3. 价格带分布分析 df[price_num] df[price].str.extract(r(\d\.?\d*)).astype(float) price_bins [0, 19.9, 39.9, 59.9, 99.9, float(inf)] price_labels [0-19.9, 20-39.9, 40-59.9, 60-99.9, 100] df[price_band] pd.cut(df[price_num], binsprice_bins, labelsprice_labels) price_band_count df[price_band].value_counts() print(价格带销量分布) print(price_band_count) # 4. 竞争强度判断 if brand_shop_ratio 50 and low_comment_ratio 60: competition_level 低竞争新玩家有机会 elif brand_shop_ratio 70 and low_comment_ratio 40: competition_level 中等竞争需差异化竞争 else: competition_level 高竞争新玩家谨慎入场 print(f综合竞争强度{competition_level}) return competition_level # 测试竞争分析 if __name__ __main__: competition_analyzer CompetitionAnalysis() df competition_analyzer.crawl_competitor_data(keyword厨房神器, page_num2) competition_analyzer.analyze_competition(df)4.3 维度三利润测算——卖这个能不能赚钱利润测算是选品的核心环节无论需求多旺盛、竞争多小若产品无利润空间最终都会导致店铺亏损。核心是通过完整利润公式量化产品的净利润、毛利率等关键指标筛选出盈利潜力大的产品。完整利润公式电商通用净利润 售价 × 销量 - 产品成本 - 物流费用 - 平台佣金 - 推广费用 - 售后损耗关键指标及合格标准毛利率 (售价 - 产品成本 - 包装成本) / 售价 → 建议 ≥30%保证足够的盈利空间广告盈亏ROI 1 / 毛利率 → 例如毛利率40%则ROI≥2.5时广告投放可实现盈利物流占比 物流费用 / 售价 → 建议 ≤15%避免物流成本过高挤压利润售后率 退货数 / 订单数 → 建议 ≤10%降低售后损耗成本。实操技巧采用“倒推定价法”——先确定目标利润率如30%结合物流、佣金、推广等成本反推可接受的最高产品成本价再对接供应链谈判确保利润空间。实操代码利润测算工具import pandas as pd class ProfitCalculation: 利润测算模块 def __init__(self): pass def calculate_profit(self, price: float, sales: int, product_cost: float, logistics_cost: float, platform_commission_rate: float 0.05, promotion_rate: float 0.2, after_sales_loss_rate: float 0.08) - dict: 计算产品净利润、毛利率等关键指标 :param price: 产品售价 :param sales: 月销量 :param product_cost: 产品成本含包装 :param logistics_cost: 单件物流费用 :param platform_commission_rate: 平台佣金比例默认5% :param promotion_rate: 推广费用占比默认20% :param after_sales_loss_rate: 售后损耗占比默认8% :return: 利润测算结果 # 计算各项成本 platform_commission price * platform_commission_rate promotion_cost price * promotion_rate after_sales_loss price * after_sales_loss_rate single_cost product_cost logistics_cost platform_commission promotion_cost after_sales_loss # 计算关键利润指标 gross_profit price - product_cost # 毛利润 gross_margin gross_profit / price * 100 # 毛利率 single_net_profit price - single_cost # 单件净利润 monthly_net_profit single_net_profit * sales # 月净利润 ad_breakeven_roi 1 / (gross_margin / 100) # 广告盈亏ROI result { 售价: price, 月销量: sales, 单件成本含各项费用: single_cost, 毛利润: gross_profit, 毛利率(%): gross_margin, 单件净利润: single_net_profit, 月净利润: monthly_net_profit, 广告盈亏ROI: ad_breakeven_roi, 物流占比(%): (logistics_cost / price) * 100, 售后损耗占比(%): after_sales_loss_rate * 100 } return result def batch_calculate(self, product_list: list) - pd.DataFrame: 批量测算多款产品利润 result_list [] for product in product_list: profit_result self.calculate_profit( priceproduct[price], salesproduct[sales], product_costproduct[product_cost], logistics_costproduct[logistics_cost] ) result_list.append(profit_result) df pd.DataFrame(result_list) return df # 测试利润测算 if __name__ __main__: profit_calculator ProfitCalculation() # 单款产品测算 product_info { price: 29.9, sales: 1500, product_cost: 11, # 产品8元包装3元 logistics_cost: 4 } profit_result profit_calculator.calculate_profit(** product_info) print(单款产品利润测算结果) for k, v in profit_result.items(): print(f{k}{v:.2f}) # 批量产品测算 product_list [ {price: 29.9, sales: 1500, product_cost: 11, logistics_cost: 4}, {price: 39.9, sales: 1200, product_cost: 14, logistics_cost: 4}, {price: 19.9, sales: 2000, product_cost: 7, logistics_cost: 3} ] batch_df profit_calculator.batch_calculate(product_list) print(\n批量产品利润测算结果) print(batch_df)4.4 维度四供应链评估——能不能稳定供货供应链是选品落地的核心保障即使产品需求旺盛、利润空间大若供应链不稳定如起订量过高、交货周期过长、质量不合格也会导致店铺断货、差评激增最终影响店铺权重。核心评估项、数据来源及合格标准如下评估项数据来源合格标准起订量与供应商沟通、1688等货源平台首批起订量≤500件降低试错成本交货周期供应商合同确认、历史合作数据交货周期≤15天避免断货风险质量稳定性样品测试、竞品评价分析差评中质量投诉占比5%价格弹性供应商阶梯报价谈判量产后有10%-20%的降价空间提升利润技术适配可通过爬虫采集1688等货源平台的供应商数据建立供应商信息库记录供应商的起订量、交货周期、价格等信息方便后续快速筛选优质供应商。五、数据化选品的工具矩阵技术视角解读数据化选品的落地离不开各类工具的支撑工具核心分为“平台官方工具、第三方数据工具、自建数据系统”三类结合技术特点、适用场景解读无任何营销推广内容5.1 平台官方工具平台官方工具数据准确性最高核心用于获取平台内部的行业趋势、搜索词、竞品数据适合平台内电商选品常见工具如下工具名称适用平台核心功能技术视角生意参谋淘宝/天猫提供行业大盘数据、搜索词指数、竞品监控接口支持数据导出与二次分析商智京东开放行业趋势、商品榜单、流量来源数据API支持数据批量采集与分析多多情报通拼多多提供爆款挖掘、竞品销量、关键词排名数据支持自定义数据采集规则抖音电商罗盘抖音电商开放内容趋势、达人带货数据接口支持短视频、直播带货选品数据采集5.2 第三方数据工具第三方数据工具覆盖多平台、多场景核心用于补充平台官方工具的不足适合跨平台选品、跨境电商选品常见工具类型及代表产品如下工具类型代表产品适用场景技术视角跨境选品Jungle Scout、Helium 10提供亚马逊等跨境平台的销量、利润、竞品数据支持API对接与自动化采集全平台监控蝉妈妈、飞瓜数据监控短视频、直播带货趋势开放达人带货、商品销量数据接口支持数据可视化价格追踪慢慢买、历史价格查询提供商品历史价格数据接口支持竞品价格波动监控与自动预警舆情分析新榜、清博指数提供社交媒体热度、口碑趋势数据支持关键词舆情监控与数据导出5.3 自建数据系统进阶技术开发者重点对于有技术能力的电商团队可搭建自建数据系统实现选品数据的自动化采集、分析、决策核心分为三层架构可基于本文提供的代码扩展实现1. 数据采集层搭建爬虫系统定时采集竞品价格、销量、评价数据对接平台官方API获取授权数据采购第三方行业报告、数据包补充数据维度2. 数据处理层实现数据清洗去重过滤异常值、重复数据建立标签体系对产品进行类目、价格带、卖点、人群等标签标注开展关联分析实现“关键词→品类→供应链”的映射3. 决策输出层构建选品评分卡对产品进行多维度加权打分搭建预警系统实现竞品异动、趋势反转自动提醒生成自动报表每日推送潜力品清单支撑选品决策。六、一个完整的选品决策案例技术实操视角结合本文提供的技术工具与代码以“某家居用品店拓展厨房小工具品类”为例完整拆解数据化选品的全流程聚焦技术实操无任何营销内容Step 1需求扫描技术实现调用需求分析模块1. 调用DemandAnalysis模块采集“厨房神器”关键词近90天搜索指数数据分析结果显示搜索量增长180%日均搜索量≥3000处于上升趋势2. 结合抖音热点榜数据“厨房好物”话题播放量超50亿站外需求旺盛3. 结论需求旺盛处于上升期具备选品潜力。Step 2竞争分析技术实现调用竞争分析模块1. 调用CompetitionAnalysis模块采集淘宝“厨房神器”搜索结果前3页竞品数据共采集287个链接2. 分析结果TOP10中6个是品牌店4个是C店品牌店占比57%C店占比43%多数竞品评价数1000条评价壁垒较低价格带集中在20-39.9元无明显价格空白带但竞品差异化不明显3. 结论有竞争但非垄断新玩家通过差异化改进有入场机会。Step 3利润测算技术实现调用利润测算模块1. 初步定价¥29.9预估成本产品8元包装3元物流4元15元平台佣金5%¥1.5推广费用20%¥6售后率8%2. 调用ProfitCalculation模块测算结果显示毛利率≈24%低于30%的合格标准单件净利润≈3.4元盈利空间偏低3. 优化方案采用组合销售2件套¥39.9重新测算后毛利率提升至35%单件净利润≈7.2元满足盈利要求4. 结论优化定价与销售模式后具备盈利潜力。Step 4供应链验证技术实现供应商数据采集与评估1. 通过爬虫采集1688平台“厨房神器”供应商数据筛选出3家符合要求的供应商起订量300件交货周期10天满足试错与供货要求2. 样品测试显示质量合格结合竞品差评分析发现竞品差评集中在“容易生锈”与供应商沟通后将产品材质改进为不锈钢解决差评痛点3. 结论供应链稳定可满足供货需求且产品差异化改进后具备竞争优势。最终决策上架“不锈钢厨房神器2件套”定价¥39.9首批备货500件测试后续通过自动监控模块实时监控产品销量、竞品异动及时调整运营策略。七、数据化选品的自动化进阶实操代码随着技术能力的提升可通过自动化技术实现选品数据的实时监控、智能评分、A/B测试进一步提升选品效率与准确性以下是核心功能的实操代码7.1 自动监控预警基于schedule实现设置监控规则系统自动采集数据、判断触发条件推送机会/风险预警适用于竞品异动、需求趋势反转等场景import schedule import time from data_collection.competitor_crawl import CompetitionAnalysis from data_analysis.demand_analysis import DemandAnalysis class AutoMonitor: 选品数据自动监控与预警模块 def __init__(self): self.competition_analyzer CompetitionAnalysis() self.demand_analyzer DemandAnalysis() # 监控规则配置 self.monitor_rules { competitor_price_drop: {threshold: 0.1, action: 推送降价预警}, # 竞品降价10% search_surge: {threshold: 2, action: 推送潜力品类报告}, # 7天搜索量翻倍 comment_abnormal: {threshold: 0.2, action: 推送市场缺口提示} # 差评率突增20% } def monitor_competitor_price(self, keyword: str): 监控竞品价格异动 print(f开始监控关键词「{keyword}」竞品价格...) df self.competition_analyzer.crawl_competitor_data(keyword, page_num1) if df.empty: print(无竞品数据监控终止) return # 模拟历史价格实际项目中需存储历史价格数据 df[history_price] df[price_num] * 1.1 # 假设历史价格比当前高10% df[price_drop_ratio] (df[history_price] - df[price_num]) / df[history_price] # 判断是否触发预警 abnormal_items df[df[price_drop_ratio] self.monitor_rules[competitor_price_drop][threshold]] if not abnormal_items.empty: print(f【预警】发现{len(abnormal_items)}款竞品降价超过10%建议跟进或差异化定价) print(abnormal_items[[title, price, history_price, price_drop_ratio]]) else: print(无竞品价格异动监控正常) def monitor_search_trend(self, keyword: str): 监控搜索指数飙升 print(f开始监控关键词「{keyword}」搜索趋势...) df_7d self.demand_analyzer.get_search_trend(keyword, days7) df_14d self.demand_analyzer.get_search_trend(keyword, days14) # 计算7天与前7天搜索量比值 avg_7d df_7d[search_index].mean() avg_prev7d df_14d[:7][search_index].mean() surge_ratio avg_7d / avg_prev7d if surge_ratio self.monitor_rules[search_surge][threshold]: print(f【预警】关键词「{keyword}」7天搜索量翻倍飙升比例{surge_ratio:.2f}属于潜力品类建议重点关注) else: print(f搜索趋势平稳7天搜索量飙升比例{surge_ratio:.2f}) def start_monitor(self, keyword: str, interval: int 24): 启动自动监控任务 # 每天执行一次竞品价格监控 schedule.every(interval).hours.do(self.monitor_competitor_price, keywordkeyword) # 每天执行一次搜索趋势监控 schedule.every(interval).hours.do(self.monitor_search_trend, keywordkeyword) print(f选品自动监控已启动每{interval}小时执行一次监控关键词{keyword}) while True: schedule.run_pending() time.sleep(3600) # 每小时检查一次任务 # 启动自动监控 if __name__ __main__: monitor AutoMonitor() monitor.start_monitor(keyword厨房神器, interval24)7.2 智能评分模型量化选品潜力建立选品评分卡对产品的需求热度、竞争友好度、利润空间等维度进行加权打分自动输出产品综合潜力为选品决策提供量化依据import pandas as pd import numpy as np class SelectionScoreModel: 选品智能评分模型 def __init__(self): # 各维度权重配置可根据业务需求调整 self.weights { demand_heat: 0.25, # 需求热度权重 competition_friendliness: 0.20, # 竞争友好度权重 profit_space: 0.25, # 利润空间权重 supply_chain_maturity: 0.15, # 供应链成熟度权重 operation_match: 0.15 # 运营匹配度权重 } def score_demand_heat(self, search_index: float, sales_trend: str) - int: 需求热度打分0-100分 if search_index 3000 and sales_trend 上升趋势: return 90-100 elif search_index 1000 and sales_trend 上升趋势: return 70-89 elif search_index 1000 and sales_trend 平稳趋势: return 50-69 else: return 0-49 def score_competition(self, competition_level: str) - int: 竞争友好度打分0-100分 if competition_level 低竞争新玩家有机会: return 90-100 elif competition_level 中等竞争需差异化竞争: return 70-89 else: return 0-69 def score_profit(self, gross_margin: float, single_net_profit: float) - int: 利润空间打分0-100分 if gross_margin 30 and single_net_profit 5: return 90-100 elif gross_margin 25 and single_net_profit 3: return 70-89 elif gross_margin 20 and single_net_profit 1: return 50-69 else: return 0-49 def score_supply_chain(self, moq: int, delivery_cycle: int, quality_complaint: float) - int: 供应链成熟度打分0-100分 score 0 if moq 500: score 30 elif moq 1000: score 20 else: score 10 if delivery_cycle 15: score 30 elif delivery_cycle 20: score 20 else: score 10 if quality_complaint 5: score 40 elif quality_complaint 10: score 20 else: score 10 return score def calculate_total_score(self, product_info: dict) - dict: 计算产品综合评分 # 各维度打分 demand_score self.score_demand_heat( search_indexproduct_info[search_index], sales_trendproduct_info[sales_trend] ) competition_score self.score_competition( competition_levelproduct_info[competition_level] ) profit_score self.score_profit( gross_marginproduct_info[gross_margin], single_net_profitproduct_info[single_net_profit] ) supply_chain_score self.score_supply_chain( moqproduct_info[moq], delivery_cycleproduct_info[delivery_cycle], quality_complaintproduct_info[quality_complaint] ) operation_score product_info[operation_match_score] # 运营匹配度手动/自动打分 # 计算综合评分 total_score ( demand_score * self.weights[demand_heat] competition_score * self.weights[competition_friendliness] profit_score * self.weights[profit_space] supply_chain_score * self.weights[supply_chain_maturity] operation_score * self.weights[operation_match] ) # 判断选品建议 if total_score 90: suggestion 立即上架重点推广 elif total_score 70: suggestion 优化后上架小批量测试 elif total_score 50: suggestion 观望持续监控 else: suggestion 放弃 result { 需求热度得分: demand_score, 竞争友好度得分: competition_score, 利润空间得分: profit_score, 供应链成熟度得分: supply_chain_score, 运营匹配度得分: operation_score, 综合评分: total_score, 选品建议: suggestion } return result # 测试智能评分 if __name__ __main__: score_model SelectionScoreModel() product_info { search_index: 3500, sales_trend: 上升趋势, competition_level: 低竞争新玩家有机会, gross_margin: 35, single_net_profit: 7.2, moq: 300, delivery_cycle: 10, quality_complaint: 3, operation_match_score: 85 } score_result score_model.calculate_total_score(product_info) print(选品智能评分结果) for k, v in score_result.items(): print(f{k}{v:.2f})7.3 A/B测试验证上架后快速验证产品上架后通过A/B测试验证主图、价格、卖点等因素对销量、转化率的影响快速优化产品运营策略核心测试项及方法如下测试项测试方法技术实现决策依据主图测试通过平台API或第三方工具实现3-5张主图轮播各分配1000次曝光采集各主图的点击率数据保留点击率最高的主图