方法审核
需要登录才能执行审核操作
浏览审核队列不强制登录;触发任务和提交操作需要先登录。
Score
92
来源强调电商分析通过集中数据、跟踪销售、客户行为、网站表现和营销ROI来指导决策;可迁移为淘宝/拼多多店铺日/周经营诊断指标树。
核心做法:建立一级指标:GMV、毛利、广告花费、订单数、退款售后、库存周转。
判断:GMV
排除:不把单日波动直接当作趋势。
高度结构化,适合做每日/每周只读诊断任务,并保留人工决策边界。
Score
92
FTC指南明确社交媒体影响者应清楚披露与品牌的关系,并避免误导性背书;可迁移为淘宝/拼多多商家在US市场使用达人素材、买家秀和短视频广告前的合规审查清单。
核心做法:识别素材是否来自达人、返佣、赠品、付费测评或员工/亲友关系。
判断:素材一次审核通过率
排除:排除未披露商业合作关系的达人素材
官方来源可信,规则可转成素材预审清单;但高风险判断仍需人工复核。
Score
92
Shopify文章提供弃购邮件的时间节奏、文案模板和转化策略,可迁移为淘宝/拼多多站内私域、客服、优惠券和店铺消息的弃购召回流程;邮件渠道不可直接照搬,需替换为平台允许的触达方式。
核心做法:按SKU和用户行为识别加购未付款、收藏未购买、下单未支付三类人群。
判断:弃购召回转化率
排除:排除毛利低于优惠和履约成本的SKU
行为识别、分层触达、优惠护栏和复盘指标明确,适合转成每日运营任务。
Score
92
Amazon Ads指南强调广告上线后需要衡量并改进活动效果;迁移到淘宝/拼多多时,可把campaign目标映射为拉新、测款、转化、收割和复购,把指标映射为展现、CTR、CPC、CVR、ROI、ACOS类指标和自然成交带动。
核心做法:为每个广告计划定义唯一目标:测款、拉新、转化、清库存或品牌词防守。
判断:曝光量
排除:排除毛利率无法覆盖CPC波动的SKU
漏斗诊断逻辑清楚,字段可从广告报表直接读取,是高优先级任务化对象。
Score
92
该GitHub项目提供1688命令行工具,支持商品搜索、供应商搜索、供应商研究、图片搜索、询盘、购物车、下单、物流跟踪,并可输出JSON,适合迁移为淘宝/拼多多店铺的供应链任务工作流。
核心做法:用中文核心词、英文需求词和竞品图进行多路径搜索,生成候选供应商池。
判断:单件采购成本
排除:排除无法提供US合规证书或检测报告的母婴安全相关商品
开源工具本身支持JSON输出和多步骤操作,非常适合作为供应链任务的执行层。
Score
92
Amazon促销指南区分promotions、deals、coupons、discounts,并强调通过折扣提升曝光和节日购物转化;可迁移为淘宝/拼多多的优惠券、限时折扣、满减、拼团活动选择框架,但活动流量机制需按平台规则重新校准。
核心做法:先定义促销目标:新品破零、清库存、提升转化、节日放量或老客复购。
判断:活动转化率
排除:促销后毛利为负且非明确清仓目标的SKU排除
促销目标、券型、毛利护栏和复盘指标清晰,适合做半自动促销推荐任务。
Score
92
来源是开源电商内容营销Skill,明确给出Build/Audit两种模式、必填输入、客户评论挖掘、趋势与主题研究、竞品内容分析、平台指南和输出格式,具备较强任务化结构。
核心做法:选择模式:Build用于新建内容策略,Audit用于审计现有账号。
判断:内容日历完成率
排除:排除没有目标市场和目标平台的内容请求。
这是最适合直接入库的任务化方法,步骤、输入、输出都清晰;但需补充真实业务数据和人工合规复核。
Score
92
该Skill面向SP/SB/SD搜索词报告,目标是把Amazon Ads搜索词报告转成可复核的否词、控成本、放量和商品页反馈清单。来源贡献了可执行步骤:识别浪费预算词、识别高于ASIN基准的词、提取属性词/场景词作为真实用户语言,并把广告数据反馈给商品页优化。
核心做法:导入Amazon Ads SP/SB/SD搜索词报告,并按活动、广告组、ASIN、搜索词维度标准化。
判断:Spend
排除:排除数据量不足的搜索词,避免小样本误判。
输入和输出结构清晰,能直接形成广告运营任务,但所有否词和预算动作需人工审批。
Score
92
该GitHub Skill说明可输入关键词或ASIN,执行5维市场分析、竞品基准、JTBD评论分析、供应商询盘模板、毛利计算和侵权风险检查。来源贡献了可执行指标:月搜索量、GMV、竞品数、24个月趋势、CR3、低评论商品页占比、CPC、ODI机会评分、FOB+FBA+平台费拆分和供应商询盘规格表。
核心做法:输入US母婴低风险配件关键词,确认不是电子、睡眠、喂养、医疗或高退货时尚方向。
判断:月搜索量
排除:排除趋势明显衰退或只靠季节性短峰支撑的方向。
指标体系完整,能把需求、竞争、广告、痛点、利润和供应链连成闭环;适合第一版作为深度复核方法。
Score
92
来源将 product research 拆成评估市场需求、分析竞争对手、验证创意、发现客户痛点、设置有竞争力且有利润的价格,并提到 Google Trends、Meta Ads、Amazon bestsellers、评论、广告花费、变体和捆绑等可执行检查点。
核心做法:从目标类目生成候选需求,不直接生成具体商品清单。
判断:需求趋势稳定性
排除:排除需求证据只来自单一社媒爆点的方向。
方法结构清楚、跨平台适用,适合第一版做通用候选方向评分器。
Score
92
Amazon Seller blog 介绍 Private Label 产品模式,强调卖家以自有品牌销售由第三方制造商生产的商品,并需要关注品牌、供应链和差异化。
核心做法:限定允许类目,优先选择结构简单、非电子、非强尺码依赖、低合规复杂度的细分市场。
判断:痛点重复频次
排除:排除 Electronics
与已入库的需求/关键词方法不同,本方法以 Private Label 可控差异化为核心,适合转化成评论挖掘和差异化评分 任务。
Score
92
Amazon Manage Your Experiments 允许品牌所有者对商品详情页内容进行 A/B 测试,以了解哪些内容更能推动转化。
核心做法:选择目标类目中已有或概念验证中的需求主题,不输出具体商品建议。
判断:转化率变化
排除:排除 Electronics
边界清晰、指标明确,适合作为后置验证模块;但依赖已有 商品页 或实验权限,不宜作为唯一发现方法。
Score
92
Amazon Brand Analytics 提供聚合的客户与品牌表现数据,可帮助卖家理解搜索词、点击、转化和竞争格局,从而做出产品和广告相关决策。
核心做法:限定 Amazon US,并只纳入 Home & Kitchen、Pet Supplies、Outdoor & Sports 相关搜索词。
判断:搜索词频次
排除:排除 Electronics
数据结构清晰,能形成可重复评分流程,适合作为第一版 Amazon 需求缺口发现模块。
Score
91
官方资料建议定期检查表现,在投放或新用户指标持续下降时刷新素材,并优先将新素材加入现有广告组,同时维护素材库。迁移到淘宝万相台、直通车创意及拼多多推广时,可使用连续衰退检测、创意差异检查、原计划补位和素材资产标签化四个步骤。
核心做法:按素材、计划、受众、SKU和日期汇总曝光、触达、点击、支付及成本数据
判断:点击率趋势
排除:排除只有单日波动的疲劳判断
连续衰退、混杂因素排查和原计划补位构成清晰闭环,可避免依靠主观审美换素材,但平台迁移后阈值必须重新学习。
Score
91
官方资料提供最多5组搜索主题对比、地区与时间过滤、主题和搜索词区分以及跨语言组合方法;这些步骤可用于建立美国需求的相对基线,再把候选词映射到淘宝、拼多多站内搜索词并进行小流量成交验证。Google Trends不提供绝对销量,因此只作为外部需求证据。
核心做法:为每个候选建立英文核心词、同义词、用途词和对应Google Trends主题,主题与主题、搜索词与搜索词分别比较
判断:12个月及5年搜索兴趣趋势
排除:排除Electronics和High-return fashion
数据入口和淘汰条件清楚,能把外部需求信号与淘宝、拼多多真实转化连接起来,并明确禁止用趋势指数替代销量判断。
Score
91
Amazon卖家教育文章贡献了JIT、FIFO、EOQ三类库存策略,小批量测试、持续监测销售、定期盘点、库存提醒和按季节调整等预防步骤,并将过量采购、需求不足、季节变化与质量问题列为主要滞销根因。迁移到淘宝、拼多多时使用SKU库存年龄、近7至30天销量、退款质量信号和贡献毛利驱动处置,不复制FBA专属功能。
核心做法:按SKU和批次汇总可售库存、在途库存、库龄、保质期、采购成本和仓储成本
判断:库存覆盖天数
排除:排除Electronics和High-return fashion的自动处置决策
库存分桶、根因分类和处置升级可以自动运行,并能直接改善现金周转;质量冻结和最终损失处置必须保留人工审批。
Score
91
Amazon来源给出了版本A与版本B、实验假设、随机分流、完整运行周期以及以样本量、转化率、销量和访客产出判断胜者的流程,并建议差异足够明显、不要因早期结果提前终止。迁移到淘宝、拼多多时,可用平台实验工具;若无原生随机分流,只能采用相近时段轮换或匹配SKU准实验,证据等级需下调。
核心做法:筛选近28天流量充足、库存稳定、无重大促销切换且退款率不过线的SKU
判断:点击率
排除:排除Electronics与High-return fashion
假设、输入、版本、样本量和判定条件均可结构化;但发布胜出内容前仍需人工检查平台规范和母婴宣称。
Score
91
来源给出了按关键词或ASIN进入需求簇、查看搜索与购买趋势、头部点击集中度、商品数量、评分和评论数量、缺货率、广告参与度、评论主题及退货原因等可执行指标。迁移时以Amazon数据观察美国需求,再用淘宝生意参谋、拼多多搜索词与竞品数据复验站内供需。
核心做法:从美国消费者搜索词、Amazon需求簇及淘宝、拼多多站内词库生成候选需求簇,不直接生成具体商品结论
判断:90天与12个月搜索趋势一致性
排除:排除Electronics和High-return fashion
指标维度丰富且可形成候选评分流水线,但跨平台需求映射、单位经济参数和最终立项仍需人工确认。
Score
91
Amazon卖家教育内容把库存绩效拆为减少过量库存、提升sell-through、修复stranded inventory及保持热门商品有货四个方向。迁移到淘宝、拼多多时,可据此把SKU分为积压、健康、不可售异常和缺货风险四类,并分别生成促销、补货、链接修复或冻结采购任务;Amazon IPI分数和仓储限制不能直接用作淘宝、拼多多阈值。
核心做法:按SKU汇总可售库存、在途库存、锁定库存、近7/30/60天销量、退货和采购交期。
判断:库存覆盖天数
排除:排除Electronics和High-return fashion的采购扩张建议。
四类库存问题对应清晰动作,可由任务每日检测并排队;涉及采购、降价和合规库存处置的动作可以设置审批边界。
Score
91
来源介绍Sponsored Products、Sponsored Brands、Display ads、Brand Stores等不同广告形态,并强调投放前准备和组合使用覆盖消费者旅程;可迁移为淘宝直通车/万相台、拼多多搜索/场景推广的预算分层启动法。
核心做法:投放前检查商品准备度:主图、标题、价格、评价、库存、售后承诺和详情页是否达标。
判断:CTR
排除:商品详情页未达标、库存不足或差评未处理时不放量。
广告矩阵、预算阈值和停止条件都可结构化,适合任务化做日常巡检。
Score
91
Shopify Demand Forecasting Methods文章介绍用定量和定性数据预测需求,避免缺货并支持库存、人员和营销决策。迁移到淘宝、拼多多时,可用店铺销量、平台活动日历、广告计划和搜索趋势替代Shopify站内数据。
核心做法:收集近90至180天SKU日销量、价格、活动、广告花费、库存和退款数据。
判断:预测准确率
排除:历史销量少于14天的新品不得使用纯时间序列预测,只能作为探索SKU处理。
数据字段明确,适合自动运行;但补货会占用现金,需设置审批线。
Score
91
来源文章围绕库存管理、库存优化、避免错误、提升供应链效率展开;可迁移的经营步骤包括库存追踪、补货计划、库存错误预防、工具化管理和供应链效率优化。迁移到淘宝/拼多多时,应结合平台销售节奏、活动日历、仓配时效和US目标市场的跨境补货周期做分层。
核心做法:按近90天GMV、销量、毛利贡献把SKU分为A/B/C层,再按销量波动和供货周期标注稳定/波动/风险。
判断:缺货率
排除:排除需求高度不可预测且无复购证据的新品大批量补货。
指标高度结构化,适合做库存分层、补货预警和异常动作推荐。
Score
91
Shopify退货管理文章强调退货流程会影响利润、客户体验和运营效率,并需要系统化处理客户沟通、退回商品、换货、补货和再销售。可迁移到淘宝/拼多多的是退货流程标准化、退货原因分类、逆向物流处理和将退货反馈用于页面/质检改进;平台内具体工具不可直接照搬。
核心做法:建立退货原因编码:尺寸/规格不符、材质预期不符、破损、异味、功能缺陷、误购、物流延迟、描述不符。
判断:SKU退货率
排除:排除明显恶意退款样本后再做商品质量归因。
退货原因高度结构化,能直接形成售后-页面-供应商闭环,是降低经营损耗的高价值任务方向。
Score
91
Shopify电商分析文章强调用数据理解客户、营销ROI、转化、分析类型和工具挑战。可迁移到淘宝/拼多多的是经营指标分层、营销效果归因、客户行为分析和数据质量意识;不能直接迁移的是Shopify后台字段和独立站归因口径。
核心做法:建立店铺指标树:GMV=访客数×转化率×客单价,并补充退款率、复购率、广告费率。
判断:GMV
排除:排除数据缺失超过30%的诊断结论。
这是最适合作为全局经营任务底座的方法,可连接选品、广告、客服、库存和售后模块。