📌 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/?i=NewRookie 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：

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/xhtml+xml,application/xml;q=0.9,*/*;q=0.8" } 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(end=pd.Timestamp.now(), periods=days, freq="D") 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", color="blue") 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", days=30) 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：

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={}&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.jianhua.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_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) + f"&page={page}" try: response = requests.get(url, headers=self.headers, timeout=10) 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(strip=True, separator=" ") sales = item.select_one("div.deal-cnt").get_text(strip=True) 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(strip=True) 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"], bins=price_bins, labels=price_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_num=2) 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( price=product["price"], sales=product["sales"], product_cost=product["product_cost"], logistics_cost=product["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：

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：

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：

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_num=1) 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, days=7) df_14d = self.demand_analyzer.get_search_trend(keyword, days=14) # 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, keyword=keyword) # 每天执行一次搜索趋势监控 schedule.every(interval).hours.do(self.monitor_search_trend, keyword=keyword) 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", interval=24)

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_index=product_info["search_index"], sales_trend=product_info["sales_trend"] ) competition_score = self.score_competition( competition_level=product_info["competition_level"] ) profit_score = self.score_profit( gross_margin=product_info["gross_margin"], single_net_profit=product_info["single_net_profit"] ) supply_chain_score = self.score_supply_chain( moq=product_info["moq"], delivery_cycle=product_info["delivery_cycle"], quality_complaint=product_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：