做 Amazon 競品分析，最容易令人誤判嘅，往往唔係計錯數，而係將「睇到嘅數字」當成「已知嘅事實」：BSR 唔等於銷量，星級唔等於退貨率，估算利潤亦唔等於競品真實利潤。

一套較穩陣嘅做法，係先保留每項資料嘅來源，再清洗單位、時間窗同商品身份，最後先用明確公式做篩選。框架嘅目的唔係一按就揀到爆款，而係及早剔除物理條件或單品經濟學唔合理嘅商品，並清楚標示仲欠邊啲資料。

先記住：BSR 係相對排名，唔係成交量

Amazon 嘅銷售排名（BSR）反映商品喺特定類目內嘅相對位置。過往研究曾用排名同銷售資料建立關係，亦有人以 Pareto／冪律假設將排名換算成銷量代理值；但要做到有意義嘅估算，仍要有相應市場、類目同時間口徑嘅已知銷量樣本。134

因此，用公式估到嘅數字，應叫「校準後銷量估計」，唔好寫成真實成交量。提案中採用嘅形式係：

[\widehat Q=e^{\alpha}r^{-\beta}]

當中 (r) 係排名，(\alpha) 同 (\beta) 要由外部銷量樣本校準。冇合適校準資料、商品排名超出樣本範圍，或者模型喺留出樣本上誤差太大，就應該暫停輸出估算，而唔係照樣畀個數字落去。

11 項欄位做底座，唔係萬能資料包

初篩所需嘅商品欄位包括：BSR、每日搜尋量、現價、過去 90 日價格紀錄、評論數、評分、上架日數、包裝尺寸、含包裝重量、超尺寸標記，以及賣家類型。

呢啲欄位各有口徑：搜尋量係查詢量估算，唔係銷量；包裝尺寸唔可以用裸商品尺寸代替；賣家類型亦唔等於 Buy Box 歸屬。每項資料應保留市場、類目、商品實體、觀察時間同來源。未知值要留空並說明原因，唔好用零代替。

只靠呢 11 項資料，仲未足以可靠計出幾個重要決策指標：

• **市場評論阻力：**要先固定同一類目、同一時點嘅 Top 10 競品，再計平均評論數。提案以 (\bar R_{10}/T_R) 作為一個阻力指標；其中 (T_R) 係需要業務確認嘅門檻，唔係通用標準。
• **需求動量：**比較最近同前一段各 30 日搜尋量變化，再結合同一商品 7 日 BSR 變化。搜尋量上升同排名改善只係代理訊號，唔足以證明平台推流或因果關係；基期搜尋量為零時，應標示無法計算，而唔係硬加一個數字補位。
• **單品淨利率：**除售價外，仲要計採購、頭程、履約、平台費、倉儲、廣告、退貨損失、稅費及其他分攤成本。成本未齊，就唔應將未知項目當零。
• **缺陷密度：**要有評論原文、星級同實際方面標籤，先可以計每則差評提及幾多個不同嘅負面實體缺陷。商品總評分同評論總數，推唔出退貨率或物理缺陷比例。

「貨值重量比」唔等於「貨值體積比」

物流分析有個容易混淆嘅位：貨值重量比係售價除以實際重量，單位係美元／公斤；貨值體積比則係售價除以包裝體積，單位係美元／立方厘米。兩個指標講緊唔同嘢，唔應該用同一個名字或單位混埋一齊。

對輕而大件嘅商品，實際重量亦未必係計費重量。可按物流合約提供嘅體積除數計算體積重量，再用較高者作計費重量。除數、進位規則同運價要跟實際報價版本；缺乏資料時，唔好套用一個固定數字假設運費。

硬門檻應該係篩選器，唔係官方背書

提案列出嘅候選物理門檻包括售價 20 至 70 美元、包裝三邊分別低於 18、14、8 英寸，以及含包裝重量低於 20 磅。呢啲係內部候選策略，並非已核實嘅 Amazon 官方分級；實際使用前要按市場、履約方式同物流報價確認。尺寸或重量剛好等於上限，按呢套提案會判為不通過；超尺寸標記未知或同尺寸資料有衝突，就先交由人工覆核。

決策亦唔應只有「好」或「唔好」兩種：有明確失敗門檻就拒絕；冇失敗但缺關鍵資料就列為待補；全部通過亦只代表「通過初篩」，唔等於可以直接落單採購。

實用原則：數字可計，證據要交代

大模型可以協助從評論原文提出候選缺陷標籤，但每個標籤都要能對應原文；數量、比率、費用同門檻則應交畀可重算嘅確定性公式處理。即使最後除法冇計錯，如果評論樣本偏斜、銷量校準不適用，或不同商品資料錯接，結果仍然唔可靠。

最穩妥嘅選品流程，唔係逼所有欄位都即刻得出答案，而係分清楚「已觀察」「已估算」同「尚未有證據」。當 BSR 估算有校準、成本有報價、評論有原文、每個數字亦追得到來源，競品分析先有條件由睇榜轉為真正可審核嘅決策工具。

做 Amazon 競品分析，最容易令人誤判嘅，往往唔係計錯數，而係將「睇到嘅數字」當成「已知嘅事實」：BSR 唔等於銷量，星級唔等於退貨率，估算利潤亦唔等於競品真實利潤。

一套較穩陣嘅做法，係先保留每項資料嘅來源，再清洗單位、時間窗同商品身份，最後先用明確公式做篩選。框架嘅目的唔係一按就揀到爆款，而係及早剔除物理條件或單品經濟學唔合理嘅商品，並清楚標示仲欠邊啲資料。

先記住：BSR 係相對排名，唔係成交量

Amazon 嘅銷售排名（BSR）反映商品喺特定類目內嘅相對位置。過往研究曾用排名同銷售資料建立關係，亦有人以 Pareto／冪律假設將排名換算成銷量代理值；但要做到有意義嘅估算，仍要有相應市場、類目同時間口徑嘅已知銷量樣本。134

因此，用公式估到嘅數字，應叫「校準後銷量估計」，唔好寫成真實成交量。提案中採用嘅形式係：

[\widehat Q=e^{\alpha}r^{-\beta}]

當中 (r) 係排名，(\alpha) 同 (\beta) 要由外部銷量樣本校準。冇合適校準資料、商品排名超出樣本範圍，或者模型喺留出樣本上誤差太大，就應該暫停輸出估算，而唔係照樣畀個數字落去。

11 項欄位做底座，唔係萬能資料包

初篩所需嘅商品欄位包括：BSR、每日搜尋量、現價、過去 90 日價格紀錄、評論數、評分、上架日數、包裝尺寸、含包裝重量、超尺寸標記，以及賣家類型。

呢啲欄位各有口徑：搜尋量係查詢量估算，唔係銷量；包裝尺寸唔可以用裸商品尺寸代替；賣家類型亦唔等於 Buy Box 歸屬。每項資料應保留市場、類目、商品實體、觀察時間同來源。未知值要留空並說明原因，唔好用零代替。

只靠呢 11 項資料，仲未足以可靠計出幾個重要決策指標：

• **市場評論阻力：**要先固定同一類目、同一時點嘅 Top 10 競品，再計平均評論數。提案以 (\bar R_{10}/T_R) 作為一個阻力指標；其中 (T_R) 係需要業務確認嘅門檻，唔係通用標準。
• **需求動量：**比較最近同前一段各 30 日搜尋量變化，再結合同一商品 7 日 BSR 變化。搜尋量上升同排名改善只係代理訊號，唔足以證明平台推流或因果關係；基期搜尋量為零時，應標示無法計算，而唔係硬加一個數字補位。
• **單品淨利率：**除售價外，仲要計採購、頭程、履約、平台費、倉儲、廣告、退貨損失、稅費及其他分攤成本。成本未齊，就唔應將未知項目當零。
• **缺陷密度：**要有評論原文、星級同實際方面標籤，先可以計每則差評提及幾多個不同嘅負面實體缺陷。商品總評分同評論總數，推唔出退貨率或物理缺陷比例。

「貨值重量比」唔等於「貨值體積比」

物流分析有個容易混淆嘅位：貨值重量比係售價除以實際重量，單位係美元／公斤；貨值體積比則係售價除以包裝體積，單位係美元／立方厘米。兩個指標講緊唔同嘢，唔應該用同一個名字或單位混埋一齊。

對輕而大件嘅商品，實際重量亦未必係計費重量。可按物流合約提供嘅體積除數計算體積重量，再用較高者作計費重量。除數、進位規則同運價要跟實際報價版本；缺乏資料時，唔好套用一個固定數字假設運費。

硬門檻應該係篩選器，唔係官方背書

提案列出嘅候選物理門檻包括售價 20 至 70 美元、包裝三邊分別低於 18、14、8 英寸，以及含包裝重量低於 20 磅。呢啲係內部候選策略，並非已核實嘅 Amazon 官方分級；實際使用前要按市場、履約方式同物流報價確認。尺寸或重量剛好等於上限，按呢套提案會判為不通過；超尺寸標記未知或同尺寸資料有衝突，就先交由人工覆核。

決策亦唔應只有「好」或「唔好」兩種：有明確失敗門檻就拒絕；冇失敗但缺關鍵資料就列為待補；全部通過亦只代表「通過初篩」，唔等於可以直接落單採購。

實用原則：數字可計，證據要交代

大模型可以協助從評論原文提出候選缺陷標籤，但每個標籤都要能對應原文；數量、比率、費用同門檻則應交畀可重算嘅確定性公式處理。即使最後除法冇計錯，如果評論樣本偏斜、銷量校準不適用，或不同商品資料錯接，結果仍然唔可靠。

最穩妥嘅選品流程，唔係逼所有欄位都即刻得出答案，而係分清楚「已觀察」「已估算」同「尚未有證據」。當 BSR 估算有校準、成本有報價、評論有原文、每個數字亦追得到來源，競品分析先有條件由睇榜轉為真正可審核嘅決策工具。