New Product Opportunity Mining (新品机会挖掘模型)

1. 解决的问题

在新商品上市前预测其成功概率，从而优化选品决策和资源配置。

2. 核心算法逻辑

新品机会挖掘模型解决的核心问题是：在新商品上市前预测其成功概率，从而优化选品决策和资源配置。与传统的事后分析不同，该模型通过多维度评估框架，在投入大量资源前识别高潜力新品。

3. 业务应用场景

业务问题： 某供应商计划推出一款智能穿戴式吸奶器（可连接APP追踪奶量），需要评估是否值得投入大量营销资源，以及优先投放到哪个市场（美国/欧洲/东南亚）。

数据要求： - 市场数据：各区域穿戴式吸奶器搜索量、竞品数量、价格带分布 - 产品数据：功能清单、专利情况、预计成本价、认证状态（FDA/CE） - 团队数据：母婴品类运营经验、供应链稳定性评分 - 时机数据：竞品上市时间、平台政策变化（如亚马逊对新品的扶持期）

预期产出： - 成功概率评分 (0-100%) - 三个维度的细分得分：市场可行性/产品可行性/执行能力 - 区域优先级排序（美国 vs 欧洲 vs 东南亚） - 投资建议：全力投入/试点测试/暂缓观望 - 关键风险提示

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

• ✅ 月均上新10+ SKU的快速消费品品类
• ✅ 需要决策资源分配的新品开发团队
• ✅ 希望降低新品失败率的成熟卖家
• ✅ 多平台布局需要选择首发平台的场景
• ❌ 极度创新的全新品类（缺乏可比历史数据）
• ❌ 季节性极强的短期爆款（时机维度占主导）

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
New Product Opportunity Mining Model
新品机会挖掘模型 - 基于SSFF框架
用于母婴出海电商新品成功预测
"""

import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report, roc_auc_score, confusion_matrix
import openai
from typing import Dict, List, Tuple, Optional
import json
import warnings
warnings.filterwarnings('ignore')


class ProductOpportunityMiner:
    """新品机会挖掘模型"""

    # 18维度评估框架定义
    DIMENSIONS = {
        'market': ['market_size', 'growth_rate', 'industry_trend', 'regulatory_env'],
        'product': ['innovation_level', 'product_market_fit', 'scalability', 'user_engagement'],
        'execution': ['development_speed', 'team_expertise', 'funding_status', 'supply_chain'],
        'timing': ['market_timing', 'competition_intensity', 'seasonality',
                   'platform_policy', 'ip_protection', 'investor_backing']
    }

    def __init__(self, use_llm: bool = True, openai_api_key: Optional[str] = None):
        """
        初始化新品机会挖掘模型

        Args:
            use_llm: 是否使用LLM进行特征提取
            openai_api_key: OpenAI API密钥
        """
        self.use_llm = use_llm
        self.openai_api_key = openai_api_key
        self.rf_model = RandomForestClassifier(
            n_estimators=100,
            max_depth=10,
            min_samples_split=5,
            random_state=42
        )
        self.is_fitted = False
        self.dimension_weights = None

    def extract_dimensions_with_llm(self, product_description: str,
                                   market_context: str) -> Dict[str, str]:
        """
        使用LLM从文本中提取18维度评估

        Args:
            product_description: 产品描述
            market_context: 市场环境描述

        Returns:
            18维度的评估结果字典

8. 论文来源

• 2405.19456