选品第 3 篇：痛点反推选品

前三篇选品系列讲了市场容量判断、竞品矩阵、Review 矩阵。这一篇把这些工具组合起来，输出一个完整的选品决策路径。

一、3 种选品思路的对比

第一种，搜索量驱动。

逻辑：什么词搜得多，就卖什么。

优点：方向明确，数据好拿。

缺点：搜索量 = 池子大，但不一定 = 你能吃到。上一篇文章讲过。

第二种，竞品跟随。

逻辑：Top 100 在卖什么，我也卖什么。

优点：风险相对可控，市场被验证过。

缺点：跟随意味着价格战，差异化空间小。

第三种，痛点反推。

逻辑：竞品没解决的用户问题，就是我的机会。

优点：差异化明显，价格带更自由。

缺点：判断”用户是不是真愿意为这个痛点付钱”需要更深的研究。

3 种思路不互斥，但痛点反推是 3 种里天花板最高的——前提是你判断准。

二、痛点反推的核心逻辑

痛点反推的核心是回答 2 个问题：

• 竞品的用户还有哪些没被满足的需求
• 这些需求是否值得用新产品去满足

第一个问题通过 Review 和 Q&A 找。

第二个问题需要做”伪需求 vs 真需求”的判断。

伪需求的特征：

• 频次低（100 条 Review 里只出现 1-2 次）
• 不影响购买决策（用户提到但没影响评分）
• 改进成本极高（需要完全不同的产品）

真需求的特征：

• 频次高（Top 10 竞品差评里出现 5+ 次）
• 影响购买决策（用户因为这个需求没满足而给差评）
• 改进成本可控（在现有产品上加功能或换材料即可）

判断的标准是频次 + 影响 + 成本，3 个维度都要满足。

三、怎么从差评里挖”未被满足的需求”

第一步，列 Top 10 竞品。

按销量排序，不是按评分。评分高的竞品意味着用户已经”被满足”，差异化空间小。

第二步，导出 Top 10 竞品最近 3 个月的差评。

每个竞品至少看 50 条差评。少于这个量样本不够。

第三步，让 AI 做主题聚类 + 频次统计。

让 AI 把 Top 10 竞品的所有差评按主题聚类，输出”主题 → 出现次数 → 平均星级 → 典型原话”。

第四步，人工标”高价值痛点”。

筛选标准：频次 ≥ 5 次 + 平均星级 ≤ 3.5 + 改进成本可控。

第五步，验证”是否值得做新产品”。

把这 3-5 个候选痛点继续做”反查”：用 Q&A 看用户提问句式、用搜索量数据看市场规模、用供应链评估看产品可行性。

四、怎么从 Q&A 里挖”用户主动表达的痛点”

Q&A 是被严重低估的选品数据源。

Q&A 里的”提问”反映了用户主动想知道但没在 Review 里说出来的事。例如：

• “Does this fit iphone 15 pro max with case?”
• “Is this dishwasher safe?”
• “Can this hold a 5lb bag of flour?”

这三个问题对应三类选品机会：

• 适配性问题：暗示存在”为最新型号设计”的产品机会
• 清洗问题：暗示存在”dishwasher safe”的产品机会
• 容量问题：暗示存在”大容量”的产品机会

Q&A 数据比 Review 数据更精确地反映”买家在意但没被解决”的事。

五、痛点反推选品的实操 SOP

把上面的方法落地成 5 步：

第一步，选定品类。

不要泛泛地”看亚马逊”，先选定一个你有兴趣、且供应链可达的品类。

第二步，拉 Top 10 竞品的差评 + Q&A。

每个竞品至少 50 条差评 + 20 个 Q&A。

第三步，让 AI 做基础聚类。

让 AI 把差评和 Q&A 按主题聚类，输出”主题 → 频次 → 痛点类型”。

第四步，人工筛 3-5 个候选痛点。

筛选标准：频次 + 影响 + 成本。挑出 3-5 个最值得做的。

第五步，对每个候选痛点做”伪需求”反查。

反查 3 个问题：

• 这个问题在用户评分中权重如何
• 解决这个问题的产品市场规模多大
• 解决这个问题的产品你和供应链能不能做

3 个问题都答 yes，这个痛点是真需求，可以进入选品决策表。

六、痛点反推 vs 蓝海陷阱

痛点反推容易掉进一个坑：把”没人做”当成”没人要”。

判断标准：

• 没人做 + 没人要 = 伪需求（不碰）
• 没人做 + 有人要 = 蓝海（值得做，但要验证）
• 有人做 + 没人要 = 红海 + 伪需求（最危险，常见）
• 有人做 + 有人要 = 红海 + 真需求（看差异化空间）

痛点反推找的是第二种”没人做 + 有人要”。但要严格验证”有人要”——不是你觉得有人要，是数据证明有人要。

七、痛点反推与前面 3 篇选品文章的关系

选品第 1 篇（市场容量）回答：这个品类有多大。

选品第 2 篇（竞品矩阵）回答：竞品在打什么牌。

第 3 篇（Review 矩阵）回答：用户对现有产品哪些地方不满意。

第 4 篇（痛点反推）把这 3 篇合起来，输出一个具体的选品决策：

• 选什么品类
• 这个品类的天花板是多少
• 竞品的差异化空间在哪
• 用户最大的痛点是什么
• 你的产品能解决哪个痛点
• 解决方案的市场规模多大

这个清单是”选品决策表”的最终输出。

八、AI 在痛点反推里的边界

AI 适合做：

• 把 500 条差评做主题聚类
• 把 200 个 Q&A 做意图分类
• 输出”痛点 → 频次 → 类型”的初步矩阵
• 把候选痛点反查”市场规模 + 竞争度”

AI 不适合做：

• 判断某个痛点是”真需求”还是”伪需求”
• 判断供应链能否做出解决方案
• 判断市场时机（季节性、政策变化）

最后一公里的判断，仍然是运营的责任。

九、避坑

• 不要把”差评多”等同于”机会大”。差评多也可能说明品类需求大、用户容忍度低、改进空间有限。
• 不要跳过 Q&A。Q&A 里的提问比差评里的抱怨更精确。
• 不要只盯 1 个竞品。要看 Top 10，否则”差异化”可能只是”还没被验证”。
• 不要把”用户希望…”当产品需求。买家想要的 100% 都不能给，要选与产品定位一致的部分。

下一篇会写：选品决策表的最终模板，把 4 篇选品系列文章的内容压缩成一张可填写的表，让选品判断可复盘、可对比、可传承。