Score
89
该 GitHub 项目定位为 Amazon review analyzer / 任务-native VOC 工具，支持 ASIN 或 CSV 输入，并围绕电商评论做 VOC 分析，适合抽取痛点、情绪和改进方向。
核心做法：限定 Amazon US 与允许类目，只研究 Home & Kitchen、Pet Supplies、Outdoor & Sports。
判断：痛点重复频次
排除：排除 Electronics
虽然来源非官方，但评论 VOC 的输入、标签、评分和排除规则高度结构化，适合做第一版方法 任务 的痛点挖掘模块。
Score
88
TikTok Shop Seller University 是面向卖家、创作者和合作伙伴的学习平台，覆盖政策、功能和运营知识，可作为 TikTok Shop 方法研究的官方入口。
核心做法：将候选范围限定为目标类目下的需求主题，不生成具体商品或达人名单。
判断：达人反馈一致性
排除：排除 Electronics
Score
90
Amazon SEO 内容介绍通过关键词研究、标题和描述优化等方式提升搜索可见性，可用于反向识别搜索结果中未被充分表达的需求角度。
核心做法：为目标类目生成一组需求主题和相关搜索表达。
判断：搜索意图清晰度
排除：排除 Electronics
Score
88
Amazon market demand 内容解释了市场需求以及如何使用 Amazon 工具理解不同市场中的需求机会，适合转化为跨市场需求迁移筛选框架。
核心做法：从目标类目中收集非 US 市场、TikTok 内容趋势或 Seller blog 提到的需求主题。
判断：US 本地化相关性
排除：排除 Electronics
Score
93
Amazon 关于 sales estimator 的内容强调通过销量追踪和预测辅助库存、竞争和新品机会判断，适合转化为需求门槛验证方法。
核心做法：限定 Amazon US 和目标类目，先从需求主题而非具体商品开始建候选池。
判断：估算月销量区间
排除：排除 Electronics
Score
94
Amazon 关键词研究内容强调理解客户在 Amazon 中使用的搜索词，并将相关关键词自然用于标题和描述，以提升产品可见性。
核心做法：从目标类目 seed keywords 出发，收集 Amazon 搜索建议、竞品标题、bullet、评论和问答中的长尾表达。
判断：长尾词具体度
排除：排除 Electronics 相关词簇
Score
91
Jungle Scout的产品研究框架强调在采购前验证需求、竞争和盈利能力，并通过价格、销量、评论、排名、商品页质量和成本估算筛掉低质量机会。
核心做法：用类目或关键词生成候选niche，而不是直接锁定单品。
判断：月销量稳定性
排除：排除售价过低导致广告和FBA费用后无利润的机会。
Score
91
Amazon Product Opportunity Explorer是面向卖家的官方工具，用于查看客户搜索与购买行为、细分市场趋势、热门搜索词、商品表现和客户评论信号，适合从需求缺口角度建立机会池。
核心做法：选择美国Amazon marketplace作为研究范围，按类目或关键词进入细分niche。
判断：搜索需求稳定性
排除：排除明显侵权、仿牌或依赖受保护IP的机会。
比单纯微趋势方法更强调多达人反馈闭环和评论质量，适合作为 TikTok 内容验证模块。
与已入库长尾词簇法不同，本方法关注搜索结果覆盖缺口，适合作为可见性和差异化验证模块。
适合发现非显性机会，能结构化为跨市场需求迁移评分，但需要人工复核本地化语义。
指标量化程度高，输入输出边界清晰，适合作为第一版需求验证模块。
输入输出天然结构化，排除规则明确，是最适合第一版 任务化的长尾发现方法之一。
方法成熟、步骤清晰、指标可结构化，适合成为Amazon FBA方法库核心模板。
官方数据源、指标结构清晰，适合作为机会发现任务的上游方法，但需人工复核合规和利润。