category-selection

## 快速参考 ### 一键执行工作流 (推荐) ```bash # 使用品类名称 python .claude/skills/category-selection/scripts/workflow.py "Sofas" US 20 # 直接使用 NodeID (推荐，避免类目搜索问题) python .claude/skills/category-selection/scripts/workflow.py 679394011 US 20 # 指定分析数量 python .claude/skills/category-selection/scripts/workflow.py "Kitchen" US 50 ``` **重要更新 (v4.0)**: - ✅ **自动读取 API Key**: 无需设置环境变量，自动从 `.mcp.json` 读取 - ✅ **修复控制字符**: 自动处理 JSON 字符串值中的未转义换行符、制表符 - ✅ **改进类目搜索**: 支持模糊匹配和关键词变体 - ✅ **详细日志**: 执行日志保存到 `execution.log` ### 核心 API 工具 | 步骤 | 工具/操作 | 用途 | 返回数据大小 | |------|----------|------|-------------| | 1. 搜索类目 | `category_name_search` | 获取类目 nodeId | 小 | | 2. 类目报告 | `category_report` | 获取 Top 产品列表和统计数据 | **大 (>25KB)** | | 3. 产品详情 | `product_detail` | 获取单个产品详情 | 小 | | 4. 类目关键词 | `category_keywords` | 获取类目核心关键词 | **大 (>25KB)** | | 5. 类目趋势 | `category_trend` | 获取25个月历史趋势 | 中 | | 6. 1688采购 | `products_1688` | 获取采购成本数据 | 小 | ### 调用格式 ```bash curl -s -X POST "https://mcp.sorftime.com?key=YOUR_API_KEY" \ -H "Content-Type: application/json" \ -d '{"jsonrpc":"2.0","id":N,"method":"tools/call","params":{"name":"TOOL_NAME","arguments":{"amzSite":"US","nodeId":"NODE_ID"}}}' ``` --- ## 触发条件 当用户使用以下方式请求时，启动此分析流程： - **命令**: `/category-selection {品类名称} {站点} [--limit N]` - **示例**: `/category-selection "Sofas" US --limit 20` - **自然语言**: "分析Amazon美国站的Sofas品类"、"Sofas品类市场调研"、"Sofas品类选品" --- ## 角色设定 你是一位拥有10年经验的"亚马逊选品专家"和"市场分析师"。你精通品类分析方法论，能够通过数据洞察市场机会、竞争格局和进入壁垒，为用户提供可执行的选品建议。 --- ## 五维评分模型 (标准版) **评分标准详解**: | 维度 | 分值 | 评分标准 | 数据来源 | |------|------|----------|----------| | **市场规模** | 20 分 | >$10M=20分, >$5M=17分, >$1M=14分, 其他=10分 | 类目月销额 (top100产品月销额) | | **增长潜力** | 25 分 | 低评论产品占比>40%=22分, >20%=18分, 其他=14分 | 评论数<100的产品占比 | | **竞争烈度** | 20 分 | Top3品牌占比<30%=18分, <50%=14分, 其他=8分 | CR3 品牌集中度 | | **进入壁垒** | 20 分 | Amazon占比<20%且新品>40%=20分, 其他组合6-18分 | Amazon自营占比 + 低评论占比 | | **利润空间** | 15 分 | 均价>$300=12分, >$150=10分, >$50=7分, 其他=4分 | Top100产品平均价格 | **评级标准**: | 总分 | 评级 | 建议 | |------|------|------| | 80-100 | 优秀 | 强烈推荐进入 | | 70-79 | 良好 | 可以考虑进入 | | 50-69 | 一般 | 谨慎进入 | | 0-49 | 较差 | 不建议进入 | **完整标准请参考**: [scoring-standard.md](references/scoring-standard.md) --- ## 完整分析流程 ### 阶段一: 数据收集 #### 步骤 1: 搜索类目获取 nodeId ```bash curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \ -H "Content-Type: application/json" \ -d '{"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"category_name_search","arguments":{"amzSite":"US","searchName":"品类关键词"}}}' ``` **处理多个类目结果时**： - 大类目（如 "Clothing, Shoes & Jewelry"）通常只返回子类目列表 - 展示给用户让其选择最匹配的类目 - 或使用具体的子类目 NodeID 直接查询 **常见类目 NodeID 参考**: ``` Traditional Laptop Computers: 13896615011 2 in 1 Laptop Computers: 13896609011 Women's Fashion Sneakers: 679394011 Women's Road Running Shoes: 14210388011 Men's Fashion Sneakers: 679312011 Kitchen Storage Accessories: 3744031 ``` #### 步骤 2: 获取类目报告 (Top100 + 统计) ```bash curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \ -H "Content-Type: application/json" \ -d '{"jsonrpc":"2.0","id":2,"method":"tools/call","params":{"name":"category_report","arguments":{"amzSite":"US","nodeId":"NODE_ID"}}}' ``` **关键**: `category_report` 返回数据通常>25KB，会保存到临时文件 **响应处理**: ```bash # 使用 workflow.py 自动处理 (推荐) python .claude/skills/category-selection/scripts/workflow.py "Sofas" US 20 # 或手动解码 SSE 响应 python .claude/skills/category-selection/scripts/sse_decoder.py {temp_file} {output_dir} 20 ``` #### 步骤 3: 获取 Top N 产品详情 (并发) ```bash # 并发获取 Top3 产品详情 curl ... '{"id":3,"method":"tools/call","params":{"name":"product_detail","arguments":{"amzSite":"US","asin":"ASIN1"}}}' & curl ... '{"id":4,"method":"tools/call","params":{"name":"product_detail","arguments":{"amzSite":"US","asin":"ASIN2"}}}' & curl ... '{"id":5,"method":"tools/call","params":{"name":"product_detail","arguments":{"amzSite":"US","asin":"ASIN3"}}}' & wait ``` #### 步骤 4: 获取类目关键词 (可选) ```bash curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \ -H "Content-Type: application/json" \ -d '{"jsonrpc":"2.0","id":6,"method":"tools/call","params":{"name":"category_keywords","arguments":{"amzSite":"US","nodeId":"NODE_ID","page":1}}}' ``` **处理关键词数据**: ```bash python .claude/skills/category-selection/scripts/keywords_parser.py \ {temp_file} \ {output_dir} \ 20 ``` #### 步骤 5: 获取历史趋势数据 (可选) ```bash curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \ -H "Content-Type: application/json" \ -d '{"jsonrpc":"2.0","id":7,"method":"tools/call","params":{"name":"category_trend","arguments":{"amzSite":"US","nodeId":"NODE_ID"}}}' ``` **趋势数据类型**: - 类目月销量趋势 (25个月) - 平均售价趋势 - 平均星级趋势 - 品牌数量趋势 ### 阶段二: 数据分析 #### 核心分析指标 **1. 市场集中度分析** ```python # HHI 指数 (赫芬达尔-赫希曼指数) # 计算: 各品牌市场份额平方和 × 10000 # 解读: <1500=低集中度, 1500-2500=中等, >2500=高集中度 # CR3/CR5 (前N品牌集中度) # 计算: 前N大品牌销量占比 # 解读: <30%=分散, 30-50%=中等, >50%=集中 ``` **2. 品牌分析** ```python # 品牌分布: 按销量/销额排序 # 品牌数量: 统计独立品牌数 # 品牌多样性: HHI 指数评估 ``` **3. 卖家来源分析** ```python # Amazon 自营占比 # 中国卖家占比 # 美国本土卖家占比 # 其他国际卖家占比 ``` **4. 价格分析** ```python # 价格区间分布 # 平均价格 # 价格中位数 # 价格标准差 ``` **5. 新品分析** ```python # 新产品定义: 上架时间 < 90天 # 新品占比: 新品数量 / 总数量 # 新品表现: 新品平均销量、评论数 ``` ### 阶段三: 报告生成 #### 生成完整报告 ```bash # 一键生成所有报告格式 python .claude/skills/category-selection/scripts/workflow.py "Sofas" US 20 # 或分步骤生成 python .claude/skills/category-selection/scripts/generate_reports.py {data_json} ``` **输出文件结构**: ``` category-reports/ └── {Category}_{Site}_{YYYYMMDD}/ ├── report.md # Markdown 分析报告 ├── data.json # 完整解码数据 (中文键) ├── top_products.json # Top N 产品列表 ├── scores.json # 五维评分结果 ├── execution.log # 执行日志 (v4.0 新增) ├── keywords.json # 类目关键词 ├── trend_data.json # 25个月趋势数据 ├── adapted_data.json # Excel 适配数据 (英文键) ├── category_analysis_report.xlsx # Excel 报告 ├── dashboard.html # HTML 可视化仪表板 ├── data/ # 原始数据目录 │ ├── statistics.csv # 统计数据 │ ├── products.csv # 产品列表 │ └── scores.csv # 评分详情 └── *_raw.txt # 原始 SSE 响应 ``` --- ## 数据处理工具 ### 核心工具脚本 | 脚本 | 用途 | 版本 | |------|------|------| | `workflow.py` | 一键执行完整分析流程 | **v4.0** | | `sse_decoder.py` | 解码 category_report SSE 响应 | v6.0 | | `keywords_parser.py` | 解码 category_keywords 响应 | v3.0 | | `trend_parser.py` | 解析趋势数据 | v1.0 | | `data_adapter.py` | 数据格式转换 (中文→英文键) | v1.0 | | `data_utils.py` | 数据处理工具类 | v2.0 | | `generate_reports.py` | 统一报告生成器 | v3.0 | | `generate_excel_report.py` | Excel 报告生成 | v2.0 | | `generate_markdown_report.py` | Markdown 报告生成 | v2.0 | | `fix_encoding.py` | 编码修复工具 | v1.0 | ### 数据字段映射 **API 响应字段 → 标准化字段**: | API 字段 | 标准化字段 | 说明 | |----------|-----------|------| | ASIN | asin | 产品唯一标识 | | 标题/title | title | 产品标题 | | 价格/price | price | 当前售价 | | 月销量/monthlySales | monthly_sales | 月销量 | | 月销额/monthlyRevenue | monthly_revenue | 月销售额 | | 评论数/reviews | review_count | 评论数量 | | 星级/rating | rating | 平均评分 | | 品牌/brand | brand | 品牌名称 | | 卖家/seller | seller | 卖家名称 | | 上架时间/daysOnline | days_online | 上架天数 | --- ## HTML 可视化仪表板 ### 特性 - 基于 ECharts 的交互式图表 - 五维评分可视化进度条 - KPI 指标卡片展示 - 7 个动态图表：销量趋势、价格趋势、价格分布、评分分布、品牌份额、卖家来源、品牌评分趋势 - Top50 产品详细表格 - 关键发现智能分析 ### 模板变量支持 | 变量类型 | 示例变量 | 说明 | |---------|---------|------|