亚马逊选品要领二——数据抓取法
我们已经知道“爆款”在排名和销量上的体现是很是精彩的即在短时间内爆款会以一个惊人的速率提升排名 。。。。。。。。因此，，，，，，，我们可以通过这一逻辑来抓取亚马逊的排名信息，，，，，，，从而获知哪些是有潜力的爆款 。。。。。。。。
从事Amazon 运营的从业者都知道，，，，，，，商品排名虽然是综合性排名，，，，，，，可是主要照旧与订单量的巨细有关 。。。。。。。。若是你的某一个名目订单量快速增添，，，，，，，那么其排名也会迅速上升 。。。。。。。。
现在我们已经知晓了一个爆款的爆发历程了，，，，，，，那么怎样去找到这些数据转变呢?首先，，，，，，，其他卖家某一名目的流量与订单量都是不可见的，，，，，，，这些属于商业神秘只有商品排名转变才华被我们获取与剖析 。。。。。。。。
通过以上逻辑推导，，，，，，，爬虫程序(若是运营自己不掌握编程手艺，，，，，，，可以使用例如“八爪鱼”这样的第三方爬虫软件来完成数据的抓取)数据抓取选品历程如下：
(1)选取Amazon 上涉及的商品大类目 。。。。。。。。
(2)使用编程语言爬虫类程序爬取该类目400页商品排名信息 。。。。。。。。
(3)设定命据爬取更新周期，，，，，，，推荐为 4~12 小时 。。。。。。。。
(4)将排名转变数据导入数据剖析软件或者程序中，，，，，，，建设模子评估该商品是否为“爆款” 。。。。。。。。
(5)使用所有 listing 优化要领关于该款准备上架的产品举行系统性优化，，，，，，，争取在前任卖家获得大额市场份额前击败敌手 。。。。。。。。
当使用爬虫程序获得亚马逊各个产品的排名后，，，，，，，就需要凭证各个产品的排名做数据剖析，，，，，，，一样平常而言分为如下几个办法:
第一步:确认选品退出机制 。。。。。。。。
首先凭证大宗的数据统计剖析出“不受接待”的名目具有哪些特点，，，，，，，从而建设一个退出机制，，，，，，，实时将排名快速下跌的产品踢出 。。。。。。。。一样平常而言，，，，，，，产品 listing 排名下降的顺序为:销量镌汰→流量镌汰→销量最终为 0→排名快速下跌 。。。。。。。。为随机抽取的Amazon平台上10个排名下跌产品的排名数据转变 。。。。。。。。需要注重的是，，，，，，，虽然文字表达上较排名下跌，，，，，，，可是数值上是显示上升的，，，，，，，由于在亚马逊，，，，，，，排名数值越小销量越大 。。。。。。。。
当listing 没有订单时排名下降是具有一定纪律的，，，，，，，平均数值为30000上下,即当listing 没有爆发订单时,排名数值会以约莫30 000/d 的速率增大因此，，，，，，，我们可以建设如下选品退出机制:若是某一 listing 的排名数值于x天(x可以取3~30恣意数值，，，，，，，与类目相关，，，，，，，竞争度大的类目时间就可以放宽一些)平均天天数值增添30000左右时，，，，，，，判断该产品为“不受接待”的产品，，，，，，，不思量在选品规模之内 。。。。。。。。
第二步:剔除排名稳固的热销款 。。。。。。。。
之以是要剔除稳固款，，，，，，，是由于当某一 listing 销量稳固时，，，，，，，其排名也会趋于稳固，，，，，，，亚马逊的A9算法会迅速资助产品找到其对应的潜在主顾，，，，，，，这时再选其作为架名目已经错过了最佳上架时间，，，，，，，很难对前者形成反超，，，，，，，因此要别除这些产品 。。。。。。。。
假设我在统一时间纪录数据(好比一连 10天于中国时间7:00~8:00纪录数据)，，，，，，，以bodystocking类目为例，，，，，，，我们可以获得如下数据波动结论:
(1)排名标准差小于50000 以下的 listing 险些都可以在A9算法中找到稳固搜索位置 。。。。。。。。(即listing下方都基本会有 Customers who bought this item also bought推荐栏目) 。。。。。。。。
(2)排名标准差大于 50000小于 100 000，，，，，，，大都listing下方会泛起非稳固搜索位置推荐栏位(即大大都listing 下方都会有 Customers who viewed this item alsoviewed 推荐栏目，，，，，，，其泛起比例随着排名标准差的增大而增添) 。。。。。。。。
(3)排名标准差大于100000以上的 listing 险些都无法在A9算法中找到稳固搜索位置(即listing下方都会泛起 Customers who viewed this item also viewed推荐栏目) 。。。。。。。。
凭证以上结论，，，，，，，在众多名目中找出那些排名稳固的热销款，，，，，，，然后予以剔除 。。。。。。。。
第三步:找到潜力名目 。。。。。。。。
这里针对潜力名目又有两大类选品计划:一是排名上升类listing 选品(即排名数值泛起快速下降的趋势) 。。。。。。。。
二是非稳固排名listing选品，，，，，，，选择那些排名体现较好可是排名数值标准差较高的listing，，，，，，，其排名大幅度波动批注，，，，，，，这个listing 没有在A9搜索栏位中找到其适合搜索位置 。。。。。。。。一方面可能是运营水平缺乏所致;另一方面也代表 A9算法还未对产品自己的潜力主顾举行精准定位，，，，，，，仍有时机保存 。。。。。。。。
第四步:实时跟踪潜力款排名，，，，，，，最终确定上架名目 。。。。。。。。
当完成前三步后，，，，，，，我们已经通过数据剖析挑选出了部分潜力款，，，，，，，其占比应该在 10%上下 。。。。。。。。可是鉴于爆款率一样平常为 5%以下，，，，，，，以是还需要做一次精简的事情，，，，，，，只需要实时监视潜力款排名即可 。。。。。。。。一旦发明其排名有稳固趋势且销量颇高，，，，，，，该品一定为热卖款，，，，，，，可以连忙上架销售，，，，，，，如图4-17 所示 。。。。。。。。
虽然，，，，，，，数据类选品需要强盛的供应链支持，，，，，，，若是自身供应链较为薄弱，，，，，，，也不必担心，，，，，，，我们可以从批发网站上用同样的办法抓取热销产品，，，，，，，从而搬到亚马逊站举行销售 。。。。。。。。
需要注重的是，，，，，，，若是选择数据类选品，，，，，，，数据抓取统计的时间为至少 1周，，，，，，，与此同时为了能够降低危害，，，，，，，需要再举行 1周的视察来确认名目是否为潜力款 。。。。。。。。可是若是比及确认是潜力款再整合供应链举行生产，，，，，，，待商品FBA到货时距离第一次数据剖析已经已往至少 1个月 。。。。。。。。虽然产品的生长周期一样平常为 1个月以上，，，，，，，可是鉴于通过爬虫程序，，，，，，，实时跟踪亚马逊的每一个新上架新品的数据波动很是难题，，，，，，，以是最好把这个“数据剖析+测款验证+真实销售”的周期控制在21天内 。。。。。。。。
建议通过如下两个计划来解决这一难题：
(1)前期先举行数据网络，，，，，，，找到一部分潜力名目，，，，，，，然后寻找其是否在 1688(阿里巴巴)或其他海内批发网站上拥有对应链接若是拥有链接目1688卖家支持小订单销售，，，，，，，则可直接购置小批订单 。。。。。。。。
在确认质量中等以上的情形下，，，，，，，于第一次数据抓取后的 10~15 天内，，，，，，，确认该名目为潜力款，，，，，，，将该小批订单直接发送 FBA 销售 。。。。。。。。当商品到货后，，，，，，，视察其流量走势，，，，，，，决议是否继续在 1688 采购或者自行生产 。。。。。。。。
(2)前期先举行数据网络，，，，，，，找到一部分潜力名目，，，，，，，直接最先制作样品，，，，，，，于第次数据抓取后的 10~15 天内，，，，，，，确认该名目为潜力款，，，，，，，同时确认样品发货，，，，，，，争取在25天内完成产品制作，，，，，，，争取1个月内将自行生产的产品发送FBA 销售 。。。。。。。。
思量到亚马逊平台上许多中小卖家都是在 1688 等网站上举行产品购置，，，，，，，然后到亚马逊网站上举行销售，，，，，，，我们就可以实时剖析这些批发网站上的销售数据，，，，，，，然后将销售数据暴涨的产品放到亚马逊上举行销售 。。。。。。。。
以裙子为例，，，，，，，我们先在 1688 上搜索“亚马逊裙子”，，，，，，，然后可以看到详细的销售信息 。。。。。。。。
之后通过同样的要领使用爬虫程序抓取其销售额，，，，，，，凭证销售额的增添波动来判断哪些名目近期热卖，，，，，，，从而资助运营者判断什么是近期的爆款产品 。。。。。。。。
需要注重的是，，，，，，，该要领有利也有弊 。。。。。。。。
利:实时跟踪竞争者数据转变，，，，，，，不放过 Amazon 平台上任何一款具有爆款潜质的商品；；；；；；“爆款”评测客观科学，，，，，，，可以节约大宗选品本钱与测品时间 。。。。。。。。
弊:排名数据仍然具有一定水平的滞后性；；；；；；关于运营者或者从业组织的T 能力与数据挖掘能力要求很是高；；；；；；需要高效编译算法，，，，，，，不然信息处置惩罚周期过长；；；；；；对供应链要求较高 。。。。。。。。
上一篇：亚马逊店肆转让注重事项
下一篇：亚马逊选品要领一——多平台较量法