Competitor Product Intelligence（竞品选品监测）
Skill-Competitor-Product-Intelligence · 06-增长模型
causalforecastingpricing供应链与补货客服与VOC数据采集与治理定价与利润WF-A 智能补货WF-C 客服分诊WF-D 选品扫描WF-E Review监控WF-F 动态定价WF-G Listing内容优化WF-H 复购增长
年化 ROI35-70 万元
实现难度⭐⭐☆☆☆
业务优先级⭐⭐⭐⭐☆
业务视角
适用角色CEO / 增长负责人 · CMO · 财务负责人
适用平台Amazon · TikTok Shop · DTC 独立站 · 多市场
什么情况下用公司增长放缓，不知道是市场饱和还是产品问题还是获客太贵；老板要 12 个月 GMV 预测，只能靠感觉
成功是什么样的建立增长拆解模型找到瓶颈，预测未来 6-12 个月营收区间，支撑融资/战略会议
业务痛点
1. 解决的问题
监测到竞品 Momcozy 密集上线 5 个"Silicon Flange"（硅胶法兰）新 SKU，且上线 2 周内均进入 BSR Top 5000
2. 核心算法逻辑
监测竞品 SKU 的新增/下架/价格变动/评价变化，构建竞品选品雷达。核心是异常检测 + 趋势归类——区分"竞品战略性上新"（值得跟进）和"无效上新"（SKU 测试）。
3. 业务应用场景
监测到竞品 Momcozy 密集上线 5 个"Silicon Flange"（硅胶法兰）新 SKU，且上线 2 周内均进入 BSR Top 5000。推断硅胶法兰是新兴高需求配件品类。我们跟进开发类似产品，3 个月后上线，月销 2000+ 件。
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI：跟对竞品选品方向，月增 $30-60K；年化 35-70 万元
- 难度：⭐⭐☆☆☆ | 优先级：⭐⭐⭐⭐☆（4 星）
7. 代码模板
代码块数量：1 · 路径：未检测到
"""Competitor Product Intelligence"""
import numpy as np
def new_sku_success_prob(bsr_at_30d, review_count_30d, price_competitive=True):
prob = 1 / (1 + np.exp(-(np.log1p(5000/max(bsr_at_30d,1)) + review_count_30d/50 + (0.5 if price_competitive else 0))))
return min(prob, 0.95)
def detect_price_war(comp_prices_history: np.ndarray, n_comps: int = 3, drop_pct: float = 0.15):
recent_drops = sum(1 for prices in comp_prices_history
if (prices[0]-prices[-1])/prices[0] > drop_pct)
return {'price_war': recent_drops >= n_comps, 'n_dropping': recent_drops}
# test
print(f"New SKU success prob: {new_sku_success_prob(bsr_at_30d=3000, review_count_30d=45):.0%}")
print("[✓] Competitor Intelligence 测试通过")8. 论文来源
未自动抽取；请查看原始 Skill 卡片。