amazon-sorftime-research-market-skill

基于Sorftime MCP的深度选品调研。通过LLM Agent执行多维度分析：数据采集→属性标注→交叉分析→竞品VOC→壁垒评估→选品决策评估。交互式执行，输出Markdown报告和Dashboard看板。

# 选品分析器 (Product Research - LLM Agent 驱动版)

## 定位

基于 **Sorftime MCP + LLM Agent** 的深度选品调研。LLM 直接执行分析逻辑，脚本仅负责数据采集和报告渲染。

**核心特点**：
- **LLM 驱动**：分析、洞察、决策全部由 LLM 完成
- **交互式执行**：逐步推进，用户可中途干预
- **轻量脚本**：仅用于 API 调用和 Dashboard 渲染

---

## Script Directory

| 脚本 | 用途 | 何时调用 |
|------|------|---------|
| `run_analysis.py` | **主入口脚本**：整合数据采集、分析、报告生成 | 推荐使用 |
| `collect_data.py` | Sorftime 数据采集（类目、Top100、关键词、趋势） | Step 1 |
| `get_reviews.py` | 竞品差评数据采集 | Step 4 |
| `api_client.py` | Sorftime API 调用 + SSE 解析 + 编码修复 | 每次 API 调用 |
| `render_dashboard.py` | 生成 Dashboard 可视化看板（v3.1 修复版） | 报告生成阶段 |
| `fix_data_json.py` | **数据验证和修复脚本**：校验并自动修复 data.json | Dashboard 生成前 |
| `validate_data.py` | **数据验证脚本**：校验 data.json 字段命名和数据一致性 | 报告生成前 |

**脚本职责**：
- **不做分析判断**：所有分析由 LLM 完成
- **不做复杂计算**：交叉分析让 LLM 从数据中发现
- **仅做数据搬运**：API → 结构化数据

**推荐使用方式**：

```bash
# 阶段1：数据采集（基础版 Dashboard）
python scripts/run_analysis.py "earbuds" US

# 阶段2：LLM 分析完成后，生成最终版报告
python scripts/run_analysis.py "earbuds" US --final

# 其他选项
python scripts/run_analysis.py "earbuds" US --collect-only  # 仅数据采集
python scripts/run_analysis.py "earbuds" US --no-reviews     # 跳过差评采集
```

---

## 执行流程（两阶段）

**重要**：选品分析分为两个阶段，数据采集由脚本自动完成，LLM 分析需要人工参与。

### 阶段1：数据采集（脚本自动）

```bash
python scripts/run_analysis.py "keyword" US
```

**输出**：
- `data.json` - 基础数据结构（不含分析结论）
- `dashboard.html` - 基础版看板（不含决策评分、VOC 等）
- `raw/` - 原始数据文件

**脚本自动完成**：
1. 类目搜索 → 获取 nodeId
2. Top100 产品数据采集
3. 关键词数据采集
4. 类目趋势数据采集
5. 竞品差评采集
6. 市场分析（价格区间、品牌分布）

### 阶段2：LLM 分析（交互式）

**必须完成的 LLM 分析任务**：

| 步骤 | 任务 | 输出到 data.json |
|------|------|------------------|
| 1 | 属性标注 | `product_types`、`dimensions_analysis` |
| 2 | 交叉分析 | `cross_analysis` |
| 3 | VOC 分析 | `voc_analysis.dimensions` |
| 4 | 壁垒评估 | `barriers` |
| 5 | 决策评估 | `decision` (overall_score, verdict) |

**完成后运行**：

```bash
python scripts/run_analysis.py "keyword" US --final
```

`--final` 参数会：
1. ✅ 验证分析数据完整性
2. ✅ 更新 data.json
3. ✅ 生成完整版 Dashboard（含决策评分、VOC 等）
4. ✅ 如果数据不完整，会提示缺失的字段

### 数据完整性检查

也可以单独检查数据完整性：

```bash
python scripts/render_dashboard.py data.json --check
```

输出示例：
```
✓ 数据完整，可以渲染完整版 Dashboard
  包含: decision.overall_score, voc_analysis.dimensions, barriers, cross_analysis
```

或

```
⚠️ 数据不完整，缺少以下字段:
  - decision.overall_score
  - voc_analysis.dimensions

ℹ️ 请先完成 LLM 分析，然后重新运行渲染
```

---

## 执行流程（交互式）

### Step 0: 信息收集

```
📋 选品分析 - 信息确认

1. 产品/类目关键词：[用户提供]
2. 目标站点：[US/GB/DE/FR/IT/ES/CA/JP，默认US]
3. 选品场景：[新手入门/蓝海发现/季节性/品牌打造/定向品类]
4. 约束条件（可选）：
   - 价格区间：如 $10-40
   - 月销量：如 > 1000
   - 预算：如 10万人民币
```

### Step 1: 数据采集（增强版 v3.0）

**API 调用顺序**：

| 步骤 | API | 输出 | 说明 | 优先级 |
|------|-----|------|------|----------|
| 0.5 | `search_categories_broadly` | blue_ocean_categories.json | **【新增】蓝海市场发现** | 📋 按需 |
| 1.1 | `category_name_search` | category_info.json | 按产品名搜索类目（使用 searchName 参数） | ⛔ 必调 |
| 1.2 | `category_report` | top100.json | Top100 产品数据 | ⛔ 必调 |
| 1.3 | `keyword_detail` × 3+ | keywords.json | 多维度关键词对比 | ⛔ 必调 |
| 1.4 | `category_trend` | trend.json | 新品占比趋势 | ⛔ 必调 |
| 1.5 | `keyword_extends` | keyword_extends.json | **【新增】关键词延伸词（维度发现）** | 📋 推荐 |
| 1.6 | `potential_product` | potential_products.json | **【新增】潜力产品发现** | 📋 推荐 |
| 1.7 | `product_detail` × 6-10 | products.json | 竞品详情（按需） | 📋 按需 |
| 1.8 | `product_reviews` × 6-10 | reviews.json | 竞品差评（按需） | 📋 按需 |

**⚠️ 重要：API 参数说明（v3.0）**

- `category_name_search` 参数：`{"amzSite": "US", "searchName": "bluetooth speaker"}`
  - **正确的类目搜索 API，参数名是 searchName**
- `search_categories_broadly` 参数（蓝海发现）：`{"amzSite": "US", "top3Product_sales_share": 0.4}`
- `potential_product` 参数（潜力产品）：`{"amzSite": "US", "monthlySales_min": 500}`
- `keyword_extends` 参数（延伸词）：`{"amzSite": "US", "keyword": "bluetooth speaker"}`
- `category_report` 参数：`{"amzSite": "US", "nodeId": "7073956011"}`
  - **nodeId 是字符串类型**

**脚本调用方式**：

```python
# 方法1: 使用 collect_data.py (推荐)
from scripts.collect_data import collect_data
result = collect_data("bluetooth speaker", "US")

# 方法2: 使用 api_client.py
from scripts.api_client import SorftimeClient

client = SorftimeClient()

# 获取类目ID（正确的方式）
category = client.search_category_by_product_name("US", "bluetooth speaker")
node_id = category[0]['nodeId']

# 获取Top100
top100 = client.get_category_report("US", node_id)

# 获取关键词详情
keywords = client.get_keyword_detail("US", "bluetooth speaker")
```

### Step 2: 属性标注（LLM 驱动）

**LLM 任务**：从 Top100 标题中提取关键差异化维度

```markdown
## 属性标注任务

基于以下 Top100 产品标题，提取 3-6 个关键差异化维度：

### 标题样本
[提供 Top20-30 标题作为样本]

### 提取要求
1. 识别差异化维度（如：功率、防水、续航、形态等）
2. 为每个产品标注维度值
3. 标注置信度（高/中/低）

### 输出格式
| ASIN | 功率 | 防水 | 续航 | ... | 置信度 |
```

**对低置信度产品**：调用 `product_detail` 补充验证

### Step 3: 交叉分析（LLM 直接发现）

**LLM 任务**：从标注数据中发现供需缺口

```markdown
## 交叉分析任务

基于以下已标注的 Top100 产品数据，执行交叉分析：

### 数据
[提供标注后的产品数据]

### 分析要求
1. 选择 2-3 对有意义的维度组合（如：功率×价格、防水×场景）
2. 识别：空白点（0产品）、薄供给（≤2产品）、高需求低供给
3. 分析每个缺口的原因（技术限制？需求不存在？被忽视？）
4. 按机会价值排序

### 输出格式
| 维度组合 | 状态 | 产品数 | 月销量 | 原因分析 | 机会评级 |
```

**关键点**：让 LLM 直接从数据中发现规律，而不是用 Python 脚本计算

### Step 4: 竞品与 VOC 分析

**竞品选择逻辑表**（LLM 按细分段选择）：

| ASIN | 品牌 | 选择理由 | 类型 | 覆盖维度 |
|------|------|----------|------|----------|
| [LLM 选择 6-10 个代表性竞品] |

**⛔ 差评维度归类（关键步骤）**

**必须按维度归类，禁止按 ASIN 组织**

**LLM 任务**：将竞品差评按属性维度归类，并映射到品牌能力和产品方案

**输入**：`competitor_reviews.json`（按 ASIN 组织的原始差评）
**输出**：`data.json` 中的 `voc_analysis` 字段（按维度归类）

**归类要求**：
1. **识别主要维度**（3-6 个）- 基于差评内容提取痛点类别
2. **每个维度包含**：
   - `dimension`: 维度名称（如：音质/音量、舒适度、续航）
   - `pain_point`: 痛点描述
   - `frequency`: 提及频次
   - `percentage`: 占比（如 "32%"）
   - `affected_brands`: 涉及品牌列表
   - `brand_opportunity`: 品牌/供应链能力如何解决
   - `product_solution`: 具体产品改进方向

**输出格式示例**：

```json
{
  "voc_analysis": {
    "dimensions": [
      {
        "dimension": "音质/音量",
        "pain_point": "音量太小，户外听不清",
        "frequency": 45,
        "percentage": "32%",
        "affected_brands": ["SHOKZ", "JLab"],
        "brand_opportunity": "有14.2mm大动圈供应链",
        "product_solution": "14.2mm动圈+音量增强模式"
      }
    ],
    "summary": "主要痛点集中在音质(32%)、舒适度(28%)、续航(18%)"
  }
}
```

**禁止的输出方式**：
- ❌ 按 ASIN 组织：`{"B0XXX": {"reviews": [...]}}`
- ❌ 缺少频次/占比数据
- ❌ 缺少品牌机会和产品方案映射

### Step 5: 评估与决策

**进入壁垒评估**：

| 壁垒类型 | 等级 | 数据锚点 | 预估成本 | 缓解方案 |
|----------|------|----------|----------|----------|
| Review 壁垒 | 中/高 | Top10 均值 XXX 评论 | $XXX | Vine + PPC |
| 资金壁垒 | 中/高 | 首批备货 + 广告 | ¥XX | 控制首批 MOQ |
| ... | ... | ... | ... | ... |

**选品决策评估（五维评分）**：

| 维度 | 权重 | 评分(1-10) | 加权分 | 依据 |
|------|------|-----------|--------|------|
| 市场规模 | 20% | [LLM 评分] | X.X | [数据依据] |
| 竞争格局 | 25% | [LLM 评分] | X.X | [数据依据] |
| ... | ... | ... | ... | ... |
| **总分** | 100% | - | **X.XX** | **决策结论** |

**决策结论映射**：
- 7.5-10分 → **建议进入** (优先推进)
- 6.0-7.4分 → **谨慎进入** (需精准定位，明确准入条件)
- 4.0-5.9分 → **暂缓观望** (需更多数据验证)
- 0-3.9分 → **不建议进入** (风险大于机会)

**产品矩阵**（Tier 1 必填具体规格）：

```markdown
### Tier 1: [产品定位]

**目标市场**：[维度组合空白/机会]
**决策理由**：[数据依据]

| 维度 | 规格 | 决策依据 |
|------|------|----------|
| [维度1] | [具体值] | [为什么] |
| [维度2] | [具体值] | [为什么] |

**目标定价**：$XX.XX
**差异化主张**：[一句话]
**对标竞品**：[ASIN] — [我们的优势]
**预估月销潜力**：XX-XX 件
```

### Step 6: 报告输出

**输出文件**：

```
product-research-reports/
└── {category}_{site}_{YYYYMMDD}/
    ├── report.md              # Markdown 完整报告（LLM 直接输出）
    ├── data.json              # 结构化数据（供 Dashboard 使用）
    ├── dashboard.html         # 可视化看板（脚本渲染）
    └── raw/                   # 数据文件
        ├── category_info.json # 类目信息
        ├── top100.json        # Top100 产品数据
        ├── trend.json         # 趋势数据
        └── keywords.json      # 关键词数据
```

**data.json 结构**（简化版）：

```json
{
  "metadata": {
    "category": "bluetooth speaker",
    "site": "US",
    "date": "20260319"
  },
  "market_overview": {
    "top100_monthly_sales": 55000,
    "top100