本文由 辛梓煜@词元二号站（www.ciyuanerhao.com）撰写，转载请注明出处。

快速摘要

如果你只想要一个结论：选品不靠灵感，靠方法。把候选产品放在九宫格中央，把"尺寸、价格、功能、材质、外观、售后、物流、包装"八个维度填到周围，再把竞品的差评一条一条扔进对应的格子，吐槽声音最集中的那一格，就是市场最大的未被满足需求。然后不是自己去开模改款，而是拿着这个缺点直接去 1688、拼多多批发等国内会员级供货平台搜，找已经把这个问题解决了的同类产品上架。

重点不在"努力刷品"，而在"用结构化的方式做一次完整的选品分析"。一周做一次扎实的九宫格，胜过每天瞎翻七天的供货页。

下面这张图，是这篇文章会反复回到的一个底层骨架：

┌──────────┬──────────┬──────────┐
│   尺寸   │   价格   │   功能   │
├──────────┼──────────┼──────────┤
│   材质   │ 候选产品 │   外观   │
├──────────┼──────────┼──────────┤
│   售后   │   物流   │   包装   │
└──────────┴──────────┴──────────┘

想看完整拆解、模板、提示词和实操注意点的，往下翻。

一、为什么"努力做"和"吃苦做"完全是两件事

很多人做选品有个错觉，觉得自己每天都很拼。

早上起床打开 1688，刷半小时；切到拼多多批发，刷半小时；再打开亚马逊前台前后台，把同行的页面翻一遍；下午再刷点小红书、抖音的爆款榜；晚上还要在群里跟同行聊聊"最近什么品好做"。一天下来，腰酸背痛，眼睛干涩，自我感觉非常充实。

但你问他：今天到底锁定了哪几款品？为什么是这几款？凭什么判断它能跑起来？他多半给不出答案。最后还是凭一句"看着顺眼"，"感觉应该行"，把几款产品上架了，剩下的就交给"运气"两个字。

这种状态，不叫努力，叫吃苦。

苦在哪里？苦在你的脑子一直在高速空转，但没有产出任何可以复用的结论。第二天醒来，你还是要从零开始重新刷一遍同样的网页。一周下来，工作量很大，技能没积累，结论没沉淀，链接没起来。辛梓煜自己也走过这段路，那段时间最深的体会就是：忙不等于做事，做事不等于做对事。

真正的努力长什么样？大概是这个状态：一周只挑一个时间段集中做选品分析，但那一次分析做得结构化、可复盘、可迁移。你不是在"刷"，你是在"拆"——把一个候选产品拆成八个维度，把竞品的几百条差评拆成几个标签，把吐槽频次最高的那个标签拆出来当做切入点。

这一次做完，留下的不是几个孤零零的产品 ID，而是一份可以套到下一个产品上的方法论。下次你想看一款新品行不行，不用从零开始想"该看什么"，你只需要把九宫格再画一遍。

这就是"努力"和"吃苦"最大的区别。

写到这里我想说一句很扎心的话：**你不是在选品阶段失败的，你是在"开始选品之前"就失败的。**因为你压根没有方法，没有方法就只能用时间和体力去填，体力总有耗尽的一天，方法却可以反复用。

1.1 一周做一次品 vs 每天瞎做一点

那为什么"一周做一次"反而比"每天做一点"更高效？

第一，注意力是有恢复期的。选品本质是认知劳动，需要你同时调动观察、归纳、对比、推理。这种高强度认知工作，每天搞两小时，效率其实非常低，因为你没法在那两小时里完整跑完一轮分析。

第二，结构化分析需要完整的上下文。你要在脑子里同时装着 10 个竞品的页面、几百条评论、价格区间、自己的供应链选择。一旦中途打断，下次重新捡起来又要花半小时进入状态。

第三，沉淀感来自一次性闭环。一个项目你从打开页面到敲定方案一次性走完，会有非常强的"完成感"，这种完成感是后续坚持下去的燃料。辛梓煜自己的体感是，做完一次完整的九宫格分析，第二天打开店铺后台的心态是完全不一样的——你知道这个链接为什么这么上、上了之后看什么数据、出了问题改哪里。

1.2 不要把"忙"误当成"做"

最后说一句更扎心的：你愿意接受"瞎忙"，本质上是因为瞎忙比"停下来想清楚"更轻松。

让你坐下来花三个小时分析一个品的所有竞品差评，需要动脑子；让你刷一天 1688，只需要动手。所以人本能地选择了动手，而把动脑子这件事一直往后拖。

但成事的那部分，全在动脑子那一头。

二、九宫格思维：把模糊的"感觉"变成可复用的决策框架

为什么要用九宫格？

这个工具的源头其实很老，最早可以追溯到日本设计师今泉浩晃整理过的"曼陀罗思考法"，国内也叫九宫格分析法。它的基本逻辑就一句话：把核心问题放在中心，让八个相邻格子代表围绕这个问题的八个分析维度。

它的好处在于"强制全面性"。

人脑有一个很麻烦的偏误：你一旦对某个候选品产生了第一印象，你后续的分析就会下意识地围绕那个第一印象转。第一眼觉得它好看，你就一直找它好看的理由；第一眼觉得售价低，你就一直纠结售价。结果一份分析做下来，其实只动了一个维度。

九宫格强行把八个格子摆在你面前，等于在物理上提醒你：别忘了还有七个维度没想过。

2.1 从思维工具到选品工具的迁移

把九宫格用到选品上，辛梓煜做了一个稍微调整过的版本，把"周围八个格子"分别定义成八个维度：

┌──────────┬──────────┬──────────┐
│   尺寸   │   价格   │   功能   │
├──────────┼──────────┼──────────┤
│   材质   │ 候选产品 │   外观   │
├──────────┼──────────┼──────────┤
│   售后   │   物流   │   包装   │
└──────────┴──────────┴──────────┘

中间放你要分析的产品本身（暂时叫候选产品 A），周围八个格子分别记录：

• 尺寸：长宽高、重量、可携带性、能不能塞进某个特定的空间
• 价格：售价区间、利润空间、同档位竞品的价格分布
• 功能：核心功能、附加功能、和竞品的功能差
• 材质：用料、手感、安全性、耐久度
• 外观：颜色、纹理、设计风格、是否好出片
• 售后：退换货政策、保修、售后响应
• 物流：体积重、易碎度、配送时效
• 包装：开箱体验、是否方便二次包装、是否符合平台要求

这八个维度不是死的，可以根据品类微调。比如你做服装就把"售后"换成"尺码体系"，做 3C 数码就把"包装"换成"配件齐全度"。重点是先把维度列清楚，再去填内容。

2.2 为什么不是七个、不是十一个

有人会问，为什么非得是八个？

答案是心理学上的工作记忆容量。人脑能同时处理的信息块大概在 5 到 9 个之间（米勒所谓的"魔法数字 7±2"），八个维度刚好卡在这个上限附近——既够全面，又不至于让你看一眼就崩溃。

而且九宫格的视觉结构很友好。你随手拿一张 A4 纸、一支笔，对折两次，就能折出 4×4 的 16 格，把内圈合并成中心格，外圈刚好是八个。强烈推荐第一次做的时候用纸笔，不要用电子表格——纸笔会让你的脑子更慢，慢一点反而看得更清楚。

2.3 和其他思维工具的比较

可能有人会问：列大纲、做思维导图、画 SWOT，这些工具不都能起到"结构化思考"的作用吗？为什么非用九宫格？

辛梓煜自己用过的几种思维工具，做过一个简单的对比：

九宫格的精妙之处在于它比 SWOT 多了一倍维度，又比思维导图节制。在选品这种"维度多、但不会爆炸"的场景下，它几乎是最佳选择。

而且它有一个隐性优势：视觉上是封闭的。九个格子摆在那里，一眼就能看清自己哪里填满了、哪里还空着。思维导图就没这个效果——你画着画着就忘了某一支。

2.4 一个常见的认知误区

很多人第一次接触九宫格，会把它当成"列大纲的工具"。

不对。它不是大纲，它是强制结构化的提问工具。

填九宫格的过程，本质上是你在对自己提八个问题：

- 这个产品的尺寸有什么槽点？
- 这个产品的价格区间长什么样？
- 这个产品的功能能解决用户哪个具体场景？
- 这个产品的材质有没有被用户骂过？
- 这个产品的外观会让人想拍照吗？
- 这个产品的售后流程顺不顺？
- 这个产品的物流会不会爆雷？
- 这个产品的包装会不会被吐槽？

如果你能把这八个问题都答出来，你对这款品的认知就已经超过 80% 的同行了。

三、画出你的第一张选品九宫格

理论说完，下面进入实操。

我们用一个完全通用的例子：一款宠物外出便携包。之所以选这个例子，因为它涵盖了"功能、材质、尺寸"三个非常容易被忽视的维度，做完一遍能学到的东西最多。

3.1 第一步：先把候选产品锚定下来

打开你常用的电商平台（亚马逊、Temu、独立站平台、国内的淘宝/拼多多/抖音电商都行），找到一款销量稳定、评论数过百的同类竞品作为基准。注意是基准，不是抄袭对象。

把这个产品的主图、标题、定价、月销量、评论总数、平均星级这几个关键信息抄到九宫格中心：

┌─────────────────────────────────────────┐
│ [中心格 · 候选产品]                     │
│                                         │
│ 类目：宠物外出便携包                    │
│ 价格区间：竞品在 25~45 美元之间        │
│ 平均星级：4.2                          │
│ 评论数：约 1800 条                     │
│ 主推卖点：透气网窗 + 可折叠            │
└─────────────────────────────────────────┘

中心格不要写得太复杂，先把"是什么、卖多少、卖得怎么样"三件事讲清楚。

3.2 第二步：八个维度先空着，但要把问题写好

新手很容易犯的错误是直接开始填内容。

错。先写问题，再填答案。把八个格子的"问题"先打出来，给自己一个明确的提问框架：

把这张表做出来以后，你已经在不知不觉中完成了选品分析的第一道思考。

3.3 第三步：留好"证据栏"

九宫格只是一个骨架，你后面填进去的每个判断，都需要有原始证据支撑——也就是哪条评论、哪个截图、哪个数据告诉你这件事。

所以建议把每个格子做成"两列"：左边是结论，右边是证据。

┌──────────────────────┬────────────────────────────┐
│ 结论                 │ 证据                        │
├──────────────────────┼────────────────────────────┤
│ 太闷不透气           │ 23 条差评提到 "too hot"    │
│ 网眼分布在底部       │ 一星评论 #12 提到细节      │
└──────────────────────┴────────────────────────────┘

这样做的好处是，过两周你再回头看这份分析，可以马上知道每个判断是怎么得出来的，不需要重新读一遍评论。

辛梓煜踩过的坑是，早期做分析只留结论不留证据，结果做到第三个产品的时候，回头看第一个产品的分析报告，自己都搞不清楚当时为什么这么判断。这就是没有证据栏的代价。

3.4 一份可以直接拿走的空模板

下面这段 Markdown 你可以直接复制到自己的笔记软件里，每次做新品分析就开一份新的：

# 选品九宫格 - [产品名称]

## 中心：候选产品
- 类目：
- 价格区间：
- 平均星级：
- 评论数：
- 主推卖点：

## 八个维度

### 尺寸
- 结论：
- 证据：

### 价格
- 结论：
- 证据：

### 功能
- 结论：
- 证据:

### 材质
- 结论：
- 证据：

### 外观
- 结论：
- 证据：

### 售后
- 结论：
- 证据：

### 物流
- 结论：
- 证据：

### 包装
- 结论：
- 证据：

## 最大痛点（吐槽频次最高的维度）
-

## 解决方案（怎么在 1688 找替代）
-

把这个模板保存下来，下一节我们就来填它。

四、从评论里挖矿：竞品差评才是宝藏

进入这一节，要换一个心态：不要看好评，要看差评。

好评里 90% 是套话——"很好用"、"质量不错"、"宝宝很喜欢"——这些东西没有任何信息量，因为它没有告诉你"为什么好"。但是差评不一样。差评是用户带着情绪写的，写得又具体又精确，因为愤怒会让人不自觉地把细节抖出来。

4.1 为什么是 10 个竞品

先回答这个问题：为什么不是 3 个，不是 30 个，而是 10 个？

• 少于 5 个：样本量太小，单个产品的极端评论会主导你的判断。
• 多于 15 个：边际收益递减，你会发现后面看到的吐槽 80% 都是前面已经看过的。
• 10 个左右：刚好覆盖品类的主要价格段（低端 3 个、中端 4 个、高端 3 个）。

挑选 10 个竞品的时候有几个小技巧：

1. 不要只挑销量最高的。销量最高的通常已经把明显的痛点解决了，差评会比较散乱。
2. 要挑评论数在 200~2000 之间的。这个区间的产品差评最集中、最有信息量。
3. 三星附近的产品最有价值。四星半以上的产品差评太少没法分析，三星左右的产品差评最直白。
4. 挑评论时间分布在最近 6~12 个月内的。太老的评论可能对应的是已经被改进过的旧版本产品。

4.2 评论数据怎么拿到手

要把上千条评论一条条手抄下来当然是不现实的。这里有几种合规的工具路径，辛梓煜@词元二号站自己用过的有这几个：

┌────────────────────────────────────────────────────┐
│ 评论采集工具一览                                    │
├────────────────────────────────────────────────────┤
│ 1. 浏览器扩展型                                     │
│    - Helium 10（亚马逊场景最常用）                 │
│    - Jungle Scout                                  │
│    - 通用爬取扩展（Instant Data Scraper 等）      │
│                                                    │
│ 2. SaaS 平台型                                     │
│    - 卖家精灵                                       │
│    - 各类跨境数据分析平台                          │
│                                                    │
│ 3. AI 大模型直读型                                 │
│    - 直接把页面 URL 喂给支持联网的国产大模型      │
│    - 让模型自己访问并整理（适合小样本）          │
└────────────────────────────────────────────────────┘

注意几个合规边界：

• 平台 robots 协议要尊重，不要做高频自动化抓取。
• 评论数据只用于自己内部分析，不要二次分发。
• 涉及到用户个人信息（用户名等）的字段，分析完就删掉，不要留底。

最简单的入门方式还是浏览器扩展。装好之后打开一个产品页，点一下扩展图标，它就会把这个 ASIN（或同类商品 ID）下的评论批量导出成 CSV。中间不需要你写一行代码。

4.3 评论筛选策略

下载下来的 CSV 文件，先做一轮筛选，不要全量分析。辛梓煜的做法是这样：

# 伪代码：评论筛选逻辑
def filter_reviews(reviews):
    return [r for r in reviews if (
        r.star <= 3                          # 只看 1~3 星
        and r.date >= last_12_months         # 最近一年
        and len(r.text) >= 30                # 文字至少 30 字
        and r.verified_purchase == True      # 已购买用户
    )]

筛选完之后，你会发现 1