夜雨聆风RPA AI能做什么？强烈建议观看以下视频了解
RPA + AI 全自动化选品（效率革命篇）
核心理念： 用自动化工具替代重复劳动，让人专注于判断和决策
0.1 认识 RPA + AI 选品工作流
什么是 RPA，与传统选品工具的本质区别
AI 在选品中能做什么、不能做什么 — 边界认知
全自动化选品的整体架构图（数据采集 → AI评分 → 人工决策）
0.2 用 AI 给候选产品自动打分
自定义打分维度（利润空间、竞争强度、趋势性、合规风险、供应链难度等）
用 AI Prompt 工程搭建打分模型 — 权重完全可调
打分结果可视化输出，自动生成优先级排序报告
实操： 搭建一个属于自己的产品评分 SOP，不依赖他人标准
0.3 ABA 关键词 + RPA + AI 三合一挖品流水线
ABA（Amazon Brand Analytics）数据解读与导出方法
RPA 批量抓取 ABA 关键词对应产品 ASIN 数据
AI 自动识别并过滤高风险品类：
带电产品（电池、充电类）
FDA 认证要求产品（食品、保健品、医疗器械）
液体类产品（泄漏风险、物流限制）
专利雷区产品（外观专利、实用专利）
危险品/化学品类
输出"安全候选清单"，大幅降低合规踩坑概率
实操： 全流程跑通一次 ABA → RPA → AI过滤 的完整案例
0.4 把优秀同事的选品经验固化成自动化工作流
如何拆解顶级选手的选品思路 — 访谈框架与知识提取
将经验转化为结构化规则（If-Then 决策树）
用 AI + RPA 把规则变成可执行的自动化流程
版本管理：工作流随市场变化迭代更新的机制
实操： 优秀选品经验固化成自动化工作流的实操路径
0.5 自定义自动化工作流搭建实战
工作流设计原则 — 模块化、可复用、易维护
常用自动化节点：数据抓取 → 清洗 → AI分析 → 报告生成 → 通知推送
与 Notion/飞书/Airtable 数据库打通，实现选品结果自动归档
错误处理与异常告警机制（防止数据跑偏无人知晓）
实操： 从零搭建一条完整的选品自动化流水线
0.6 自动化选品的边界与人工介入时机
哪些判断 AI 做不好，必须人工介入（品牌故事、文化敏感性、新兴趋势）
如何设计"人在回路"（Human-in-the-loop）的审核节点
防止过度依赖自动化导致批量选错的风险控制
选品底层逻辑（认知篇）
解决"凭感觉选品"问题
1.1 什么是好产品 — 利润、竞争、可持续性三角模型
1.2 亚马逊平台规律 — 流量分配、类目逻辑、A9/A10算法对选品的影响
1.3 常见选品误区拆解 — "热销=好选择"为何是陷阱
1.4 建立自己的选品标准清单（Checklist 框架）
市场机会挖掘（找方向篇）
解决"不知道选什么类目"问题
2.1 自上而下法 — 从大类目拆解到细分蓝海
2.2 自下而上法 — 从关键词搜索量反推产品机会
2.3 节日/季节性产品日历规划
2.4 跨平台选品法 — Etsy、TikTok Shop、Pinterest 发现趋势
竞品深度分析（知己知彼篇）
解决"不了解竞争格局"问题
3.1 竞品 Listing 拆解方法论（标题、图片、A+、Review）
3.2 评论挖金矿 — 用差评、问答找产品改进点
3.3 竞争强度评估模型（Review 数量、评分、广告占比）
3.4 确定自己的差异化切入点
利润核算体系（算账篇）
解决"选了才发现不赚钱"问题
4.1 亚马逊费用结构全解析（FBA费、佣金、广告、仓储）
4.2 利润计算模板实操（目标利润率倒推采购价）
4.3 汇率与关税对利润的影响计算
4.4 不同定价策略对应的选品标准差异
供应链开发（落地篇）
解决"选好了但开发不出来"问题
5.1 阿里巴巴、1688 找厂家方法与沟通技巧
5.2 样品评估标准 — 如何判断工厂可信度
5.3 小批量打样与测品策略（降低首单风险）
5.4 质检要点与常见质量问题预防
5.5 合规要求排查（认证、专利、品牌注册）
选品验证与测试（决策篇）
解决"选了不知道能不能卖"问题
6.1 低成本验证法 — 先测流量再备货
6.2 新品期数据解读 — 如何判断是否值得加大投入
6.3 用广告数据反馈指导选品决策
6.4 选品失败复盘框架 — 如何从失败案例中学习
选品系统化与规模化（进阶篇）
解决"每次选品都从头开始"问题
7.1 建立个人/团队选品 SOP
7.2 选品数据库搭建
7.3 定期市场扫描机制
7.4 多 ASIN 组合策略与产品线规划