AI 选品证据表：从差评到下一步验证
把差评、需求信号和打样结果放进一张能回看原文的表。用折叠收纳篮演示怎么去重、记录反证、区分样本数与市场需求，以及何时值得花钱拿第一个样品。
AI 选品报告最该交付的是一张证据表。每条判断都能点回来源，知道是什么人、在什么场景里遇到什么问题。到了要打样的时候，表里还得写清哪项证据能让你停下来。
一行证据怎么记？
一行只记一个可观察的问题。记来源链接、观察日期、市场、商品型号、使用场景、你的摘要、对照证据，以及下一步。原话只保留理解问题所需的短句，公开材料不用带个人身份。如果两个页面转载同一条反馈，给它们同一个证据编号。
| 字段 | 折叠收纳篮演示 |
|---|---|
| 使用场景 | 每周去自助洗衣房，单手提走一袋衣物 |
| 观察 | 用户描述装满后提手缝线开裂 |
| 产品范围 | 一个公开商品型号及其某批评论 |
| 对照 | 同款另一批评价只在轻载场景使用，未报告开裂 |
| 下一步 | 让供应商提供提手加固方案，到样后按预设负重重复测试 |
怎样防止 AI 把声音放大？
给模型限定任务。先归类场景和问题，再为每项提供可点开的原始记录和去重规则。把「有 9 条提到提手」写成「抽看的 40 条同款评论中，9 条提到提手」，并标出这只是演示统计。抽样方式、评论可见范围和型号差异都会影响结果。不要把同一条问题复制在颜色、场景和体验三个类别后再相加。
Amazon 的 Product Opportunity Explorer 提供品类需求与评论洞察，可在你有权限时用于交叉核对。Google Trends 的 0–100 是给定地区和时段里的相对热度，可用来看季节与方向。两个信号都要保留筛选条件。 Amazon Product Opportunity Explorer · Google Trends 数据口径
用公开样本练习追到原始证据
SCTCamp 的宠物除毛器演示有 40 条虚构表达。词典规则给其中 36 条打上至少一个痛点标签，有 9 条归入「场景不适配」。打开样本 JSON，搜 demo-201，可以查到为什么它被归到汽车座椅。证据表的「观察」应记成「询问座椅上是否适用」，已有除毛器清理失败需要另一条证据。下一步可以用同一份宠物毛和同一块座椅面料，比较两种刷头在相同次数刷拭后的残留量。
按开源说明运行 uv run mining demo，在生成的 analysis.json 查看标签计数和证据编号。一条表达可以命中多个标签，分母始终写 40 条模拟表达。这个数只用于练习分类和追溯。 SCTCamp 选品演示 · 公开需求地图 · 模拟样本 JSON · 开源运行说明
从表里怎么选出一项打样？
先看问题是否跨多个独立来源重复出现，再看你能不能用一个简单测试验证。收纳篮示例可以做两只样品，各自完成相同的负重循环，测试人只看编号。打样前写下淘汰条件和你愿意承担的成本差。测试失败就停，证据弱就补样本。通过只说明你拿到了一个可继续验证的方案。
交给下一位运营什么？
交证据表、一个对照样本、一个未解决的问题和一个有负责人及期限的动作。引用本次采样的数据要带日期，下一轮更新沿用相同编号。SCTCamp 的公开文章展示了如何从评论开始，并把检索与判断拆开。 从差评挖选品需求 · 用 Agent 做选品报告