我在 ECPRO 每天盯著台灣一大票電商站的數據流動，看久了會得出一個有點殘酷的結論：一個品牌會不會活下來，關鍵往往不在後面的流量、客服或物流做得多好，而在最前面那個動作——選品。選錯了，後面所有努力都是在替一個錯誤的決定續命。這篇文章我想把「選品」這件事，從老闆拍腦袋的藝術，講成一套可以攤開檢驗的數據流程。
先把結論放前面：AI 不會替你選對商品，但它能把你看不到的市場攤開，讓你選得有依據。具體來說，就是把選品拆成需求、競品、趨勢、驗證四道關卡，每一關都用資料回答一個問題——有沒有人要、市場擠不擠、時機對不對、實測撐不撐得住。四關都過，你再進貨，踩雷機率自然大幅下降。
先認清：傳統選品的三個資訊黑洞
要理解 AI 在選品裡的角色，得先看清楚沒有 AI 的時候，我們到底在哪裡跌倒。我從代營運與資料觀察的經驗歸納，傳統選品有三個共通的黑洞。
第一個是時間落差。老闆在展會上看到某個品項很熱，或發現同業在賣，決定跟進。但從談代理、備貨到上架完成，通常要三到六個月。等你的貨真的躺上架，那條需求曲線可能早就滑過高點。我看過一類家居小物，站上的搜尋熱度在半年內先衝後崩，晚進場的賣家等於接在山頂進貨。
第二個是視野只到自己後台。你的 GA4 再漂亮，看到的也只是「已經買你的人」，看不到「正在找、但還沒找到你」的那群人。真正的需求是在站外形成的——在搜尋框、在社群討論、在競品評論的字裡行間。只盯自己後台，等於只看到冰山露出水面的那一角。
第三個是人腦處理不了那個量。一個品類動輒上千個 SKU、幾十個競品、每天在變的價格與排名。靠人一頁一頁爬、一張表一張表比，光把資料收齊就要好幾天，等你看完，市場又換了一輪。AI 真正的價值就在這裡：它把散在各處的訊號收攏成你看得懂的判斷，讓決策的時間成本從「週」壓到「小時」。
第一關：需求——先確認「有沒有人在找」
選品的第一個問題永遠是：這東西到底有沒有人要？不是你覺得好用就有人買，而是市場上真的存在一群正在找解法、而且願意掏錢的人。我的做法是用 AI 把「需求訊號」分成三層收齊，而不是只看一個搜尋量數字就下判斷。
- 搜尋意圖層：把品類相關的關鍵字整批丟進工具，再請 AI 依意圖分群——是想了解、想比較、還是準備下單。一個帶購買意圖的長尾詞（像是「敏感肌適用的無香精洗髮精」）若有穩定搜尋量，比一個籠統的大詞更值得你去佈商品。
- 抱怨層：這是 AI 最好用的地方之一。把競品在電商平台的評論、社群討論整批抓下來，請 AI 做主題與情緒分析，重點不是看好評，而是看負評集中在哪。抱怨的集中點，往往就是市場替你標好的需求缺口。
- 缺口層：把前兩層交叉起來，找「有量、成長中、又有明確痛點沒被解決」的縫。
實務上我一直提醒：需求驗證要「搜尋量 × 成長趨勢 × 未被滿足的痛點」三個一起看，而不是只挑搜尋量最大的做。大詞競爭也大，一片紅海；真正的機會常藏在搜尋量中等、但正在往上爬、而且現有商品都沒把某個痛點解決好的中間地帶。ECPRO 站內的關鍵字意圖與評論拆解思路，就是為了把這一層訊號變成可比較的清單，而不是憑感覺。
第二關：競品——量一下這攤水有多深
確認有需求，下一步是搞清楚這個市場現在是誰在賣、賣得怎樣、你進去還有沒有空間。很多品牌跳過這關，看到有需求就一頭栽下去，結果撞上一堵早就被幾個大賣家用低價封死的牆。競品這關，我會請 AI 幫忙拆三件事。
市場結構：這個品類前二十名賣家是誰、市占大概怎麼分佈、是少數幾家寡占還是百家爭鳴。寡占的市場你很難用同樣的打法擠進去；反而是看起來零散、沒有明顯領導品牌的市場，常常留著卡位的空間。
價格帶分佈：把競品售價整批抓下來，請 AI 畫出分佈，你會很清楚看到市場主要卡在哪幾個價格帶、哪一帶最擁擠、哪一帶其實是空的。我觀察過不少品類，全部人擠在低價帶互砍，中高價帶幾乎沒人好好經營——這種空帶往往才是毛利健康的機會。
內容與賣點：請 AI 把前幾名競品的商品頁、標題、賣點、評論一次拆開，整理出「大家都在講什麼」跟「大家都沒講什麼」。前者是入場的基本門檻，後者才是你的差異化機會。
這裡要特別踩一下煞車：競品分析不是抄競品。抄賣點、抄定價、抄包裝，只會讓你變成市場裡第 N 個一模一樣的選項，最後又回到比價格的死胡同。AI 拆競品的目的，是幫你找那條還沒被講清楚、還沒被做好的縫，不是讓你複製貼上別人的成功。
第三關：趨勢——別接在「上一季爆款」的山頂
這是 AI 對選品最關鍵、卻最常被忽略的價值：處理時間差。前面說過，傳統選品最大的坑就是貨到的時候趨勢已經過了。AI 能幫你判斷一個品項現在是在上升段、高原段、還是已經開始往下掉。我會看三個層次的趨勢訊號。
- 短期：看搜尋熱度與社群討論量的變化曲線，請 AI 抓近半年到一年的走勢，判斷這是穩定需求、季節性高峰、還是一波快來快走的流行。一波流不是不能做，但你得清楚那是快進快出的生意，不能用長線商品的邏輯去壓貨。
- 中期：看跨市場的擴散。很多趨勢是海外先紅，過一陣子才傳到台灣。比對同一品類在不同市場的成熟度，判斷台灣現在大約在哪個階段、還剩多少成長空間，這個時間差就是進場的黃金窗口。
- 長期：看結構性轉變，像人口、生活型態、法規帶動的需求。這種趨勢不會快來快走，一旦看準，是能佈局好幾年的主力商品。AI 在這邊的角色，是把大量產業報告、新聞、討論濃縮成幾個關鍵變化，讓你不用埋在資料堆裡。
但我一定會補一句：AI 的趨勢預測是參考，不是聖旨。模型是拿過去的資料推未來，遇到突發事件、政策轉彎、平台演算法大改，它照樣失準。所以我的習慣是——AI 給方向，進貨量交給下一關的小量驗證，沒有人該憑一張趨勢圖就壓大量庫存。
第四關：驗證——用幾千塊，換掉幾十萬的賭注
前三關做完，你手上會有幾個「看起來會贏」的候選。但「看起來」跟「真的賣得動」之間，還隔著一道驗證的門。我的原則很硬：能用幾千塊驗證的事，不要用幾十萬的庫存去賭。
最常用的方式是最小化測試上架：先用少量現貨或預購把商品頁做出來，用 AI 快速生出幾組不同的標題、賣點、主圖文案，小額投放，看哪一組的點擊率、加購率、轉換率最好。這一步測的不只是商品本身，還有「怎麼賣」這件事。另一種是預售與興趣測試：正式大量備貨前，先開預購或登記制，用實際「願意留資料、願意下訂」的人數，驗證需求是真是假。AI 在這裡幫的忙，是快速做出多版本落地頁與文案，並即時比出哪個版本轉換最好。
驗證跑完，你才真正有底氣決定備貨量、定價與上架節奏。整條流程走下來，選品從「老闆一句話拍板」變成「四道關卡層層過濾」，運氣的成分被壓到最低。
四關對照：直覺選品 vs 數據選品
把四關並排看，直覺選品跟數據選品的差別會更清楚。這張表不是要你全盤照抄，而是提醒每一關都有個「你可以拿出來檢驗的證據」該長什麼樣。
| 關卡 | 直覺選品的做法 | AI 數據選品的證據 |
|---|---|---|
| 需求 | 老闆覺得好用、同業在賣 | 搜尋意圖分群＋負評主題＋成長中的缺口 |
| 競品 | 看幾個對手的商品頁 | 市場結構＋價格帶分佈＋沒人講的賣點 |
| 趨勢 | 展會很熱、最近很紅 | 短中長期曲線＋跨市場擴散階段 |
| 驗證 | 直接壓貨、上了再說 | 最小化上架＋預售，看真實付費行為 |
一個匿名案例：數據都漂亮，卻栽在文化差異
講一個讓我印象很深的匿名案例。某個美妝品牌想從海外引進一支品項，我們把前三關都跑了一遍——需求訊號有量、競品的中高價帶還算有空、趨勢也在往上，照理說可以放心進貨。數據漂亮到讓人很想直接下大單。
但我們堅持先做小量測試，結果實際轉換遠低於預期。追下去才發現，台灣消費者對那個成分的接受度跟海外市場有明顯落差，這層文化差異是任何搜尋量與競品表格都看不出來的。如果當初憑著漂亮的數據直接壓三個月的貨，那會是一筆很痛的損失。這正是為什麼第四關的驗證不能省——AI 能把市場攤開，卻讀不出每個市場獨有的那點人情與習慣。
把四關串成一條可落地的流程
最後我把四關收成一條你可以直接套用的動線，免得看完還是不知道從哪下手。
- 鎖品類、收需求：用 AI 把關鍵字依意圖分群、把競品負評做主題分析，找出有量、成長中、又有痛點沒解決好的缺口。
- 拆競品、找空位：用 AI 看市場結構、價格帶分佈與競品賣點，鎖定一個還沒被做好的定位。
- 判趨勢、抓窗口：用 AI 看短中長期走勢，確認現在是不是好的進場時機。
- 小量驗證、再放量：用 AI 快速生多版本文案與落地頁，小成本測真實轉換，數據過關才正式備貨。
整條流程的精神不是「讓 AI 幫你選」，而是「讓 AI 把你看不到的市場攤開，讓你選得有依據」。最後拍板的還是人，但這個人手上拿的，已經不是直覺，而是一份攤得開、禁得起檢視的判斷。選品從來是電商最前端、也最致命的決策；把它從賭博變成數據決策，就是我認為 AI 在這個環節能給品牌最實在的那份底氣。