ARTICLE · 1077070
AI选品做了这么久,我越来越觉得:真正难的不是“找到产品”
AI选品做了这么久,我越来越觉得:真正难的不是“找到产品”过去一段时间，我做了很多和“AI选品”有关的事情。 用AI找趋势、抓关键词、分析评论、拆竞品、整理市场数据。 如果把这些工作放在两三年前，已经算是一套挺完整的选品方法了。 但真正进入业务以后，我越来越明显地感觉到一件事： “找到一个有机会的产品”，和“真正把这个产品做出来”，中间还隔着很远。 甚至很多时候，选品并不是最难的一步。 真正难的是后面那些问题： 这个市场到底值不值得进入？ 我们应该做哪一种产品？ 做到什么价格？ 跟谁竞争？ 消费者为什么要买我们的？ 公司现有的供应链和开发能力能不能做？ 这个产品放到Amazon、Walmart、Wayfair上，打法是不是一样？ 以及最现实的一件事： 如果今年只能开10个产品，这一个值得占掉其中一个名额吗？ 这也是我最近对“选品”这件事最大的变化。 很多跨境公司的产品开发逻辑，其实都差不多。 先看市场。 比如： 关键词搜索量在上涨； 某个类目BSR不错； 头部链接月销很高； 竞争对手最近出了几个类似款； TikTok或者Google Trends上热度起来了。 然后开始找供应链、算成本、跟款、上架测试。 这套逻辑没有错。 问题是，它解决的主要是一个问题： “市场上有没有人在买？” 而不是： “为什么应该由我们来做？” 这两个问题看起来差不多，实际上完全不是一回事。 一个市场月销很好，并不意味着你进去以后也能卖。 一个关键词搜索量很大，也不意味着消费者需要的是你准备做的那个产品。 有时候甚至恰恰相反： 市场越大，进入的人越多，最后留给后来者的机会反而越少。 现在我看一个市场，不只看“规模大不大”。 我更关心几个问题。 第一，需求到底来自哪里？ 比如消费者搜索一个沙发。 他可能并不是想买“沙发”。 他真正想解决的是： 小公寓放不下大沙发； 家里偶尔有人留宿，需要能睡； 有宠物，希望面料好清理； 家里没有储物空间； 不想花两个小时安装； 或者单纯觉得传统沙发太硬，想要更软、更深、更舒服。 这时候，“沙发”只是商品名称。 真正的产品机会藏在后面的使用场景里。 所以比起问： 哪个沙发关键词搜索量最大？ 我现在更喜欢问： 消费者为什么开始搜这个词？ 第二，市场规模大，但竞争到底成熟到什么程度？ 这是一个特别容易被忽略的问题。 假设两个市场搜索需求差不多。 A市场的头部产品已经有3000条评论，评分4.6，价格也被打得很透明。 B市场的头部产品只有100—300条评论，而且用户差评里反复出现几个没有被解决的问题。 表面上看，它们的需求规模可能差不多。 但对于新品来说，这两个市场完全不是一个难度。 所以我现在看市场时，会同时看： 需求规模 + 竞争成熟度 + 用户未满足需求。 只有三者同时出现，才更接近真正的机会。 这是最近我工作里变化最大的一部分。 以前看到一个市场机会以后，很容易直接得出： “这个品可以开。” 现在我会继续往下拆。 比如做一款Sectional沙发。 至少还要回答： 做L型还是U型？ 固定组合还是模块化？ 有没有Ottoman？ 要不要Storage？ 要不要Sleeper？ 座深多少？ 尺寸面向大客厅还是小户型？ 面料用Corduroy、Chenille还是Bouclé？ 主价格带是399美元、599美元还是999美元？ 是一款单独卖，还是做成Sofa、Loveseat、Chair、Ottoman一整个系列？ 这一步我认为本质是在做： Product Definition——产品定义。 市场洞察最后必须落到非常具体的产品选择上。 否则再漂亮的数据，最后也只是一份报告。 我以前很喜欢研究： “AI还能帮选品做什么？” 现在反而没有那么关注工具本身了。 因为真正做进业务以后，会发现AI最大的价值并不是： 替你找到一个爆款。 而是把过去大量依赖人工的分析工作压缩掉。 比如以前分析1000条Review，需要人工一条条看。 现在可以让AI先把它们拆成： 舒适度问题； 尺寸问题； 安装问题； 面料问题； 物流问题； 功能问题。 再进一步找出： 哪些问题出现频率最高？ 哪些问题对评分影响最大？ 哪些问题竞品普遍存在？ 哪些问题有可能通过产品设计解决？ 这时候AI才真正开始参与产品工作。 再比如一个市场有几百个竞品。 AI可以辅助把它们按照： 价格； 尺寸； 功能； 风格； 结构； 评分； Review； 销量； 进行整理和聚类。 以前我们看到的是几百个SKU。 最后应该看到的是： 这个市场里究竟存在几种产品解法。 这两者完全不是一个层级的信息。 “选品”这个词本身，很容易让人产生一种错觉： 好像市场里存在一个正确答案。 我们只需要把它找到。 但真实的产品开发不是这样。 更多时候我们面对的是一堆不完整的信息： 市场数据； 关键词数据； 竞品数据； 用户评论； 供应链能力； 公司资源； 利润目标； 平台规则。 最后做一个判断： 在这些约束条件下，什么产品值得做？ AI可以帮我们处理越来越多信息。 但最后真正决定产品好坏的，依然是人的判断。 甚至AI越强，这件事反而越重要。 因为未来“获取数据”和“整理信息”的门槛一定会越来越低。 真正拉开差距的，会慢慢变成： 你会不会提出正确的问题； 你能不能从数据里看到结构； 你是否理解消费者真正的需求； 以及最后能不能把这些东西变成一个具体产品。 不是先问： “这个品卖不卖得动？” 而是依次问： 市场有没有需求？ ↓ 需求为什么存在？ ↓ 现有产品是怎么满足需求的？ ↓ 消费者还有哪些问题没有被解决？ ↓ 市场里哪些位置已经很拥挤？ ↓ 哪些位置还有空间？ ↓ 我们的供应链能力适合做什么？ ↓ 最终应该定义成什么产品？ ↓ 这个产品放在哪个平台最合适？ ↓ 需要卖到多少，商业上才值得做？ 到这里，我才觉得一个新品判断基本完整。 这也是我最近越来越确定的一件事： 产品洞察不是找到市场最大的地方，而是找到“需求、竞争和自身能力”三者能够交汇的地方。 以前写AI选品的时候，我很容易被一个新工具吸引。 看到一个新的Agent、新的模型、新的数据工具，就会想： 它还能帮产品开发做什么？ 现在我的关注点反过来了。 我更喜欢先问： 产品工作里真正难的问题是什么？ 然后再看： AI能不能帮我把这个问题解决得更好一点。 所以之后这个号里，应该还是会经常出现AI。 但它不会再是主角。 主角会慢慢变成： 产品、市场和消费者。 AI只是我们理解这些东西的一种工具。 而这大概也是我这几年做产品之后，最大的一个变化。