【亚马逊开发篇】竞品有46个变体，怎么用 Codex + MCP 拆出首批500件生产配比？

做多变体产品，我们经常遇到一种看似合理的方案：竞品有多少颜色、尺码和套装，我们也照着做多少。看起来是在满足更多用户，可真正下生产单时，问题就来了：3 个尺寸、6 个颜色、2 个套装，组合起来就是 36 个 SKU。如果首批测试只有 500 件，平均分下去，每个 SKU 只有十来件。卖得好的很快断货，卖不动的却把库存切得七零八落。

这篇文章我们直接用 MCP 调研美国站 ASIN：B016F59BDU，再让 Codex 整理父子体、销量趋势和低星评论，看看 46 个子体如何从“选择很多”一步步收敛成可执行的首批生产方案。

一、多变体调研，先别急着抄竞品矩阵

MCP 拉回商品详情后，这条 Listing 共有 46 个子体，变体由 Size、Color 和 Number of Items 三个维度组成：3 个尺码、14 个颜色、单只与双只两种套装。

如果只看数字，很容易算成 3×14×2=84 个组合。但实际只有 46 个，因为它不是完整矩阵：Medium 有 28 个子体，Small 和 Large 各 9 个；单只装有 30 个，双只装只有 16 个。14 个颜色也没有平均铺到所有尺码。

这反而是第一条重要证据：竞品并没有把所有选择铺满，而是把 Medium 当作变体中枢，用它测试更多颜色和套装；Small、Large 主要承担尺码覆盖。

所以开发研究多变体，第一步不是数页面有多少按钮，而是还原完整父子体关系：哪些维度真正交叉？哪些只出现在主力尺码？哪些选择更像页面丰富度，而不是主销需求。

毕竟，把竞品变体全部搬回来，承担的是另一笔账：增加一个颜色，可能多出材料起订量、换色损耗和尾货；增加一个款式，可能多出纸样、模具、包装和质检标准；尺寸、颜色和款式交叉后，SKU 数量还会成倍增长。每增加一个 SKU，都要说清楚它为什么值得占用库存。每增加一个 SKU，都要说清楚它为什么值得占用库存。

二、用 MCP 做受控比较，找出主力变体

传统做法，是打开竞品 Listing，逐项记录颜色、尺码、价格和变体销量。效率低还不是最大问题，更麻烦的是变体名称经常不统一：“Black-L”“L/Black”和“Large Black”可能指向同一个组合。如果不先清洗，原本属于同一变体的销量就会被拆成三份。

多维数据最怕混着比。某个子体卖得好，可能是颜色的作用，也可能是尺码或套装数量造成的。正确做法是一次只改变一个变量。

我们可以用Sif/卖家精灵 MCP 拉取商品详情、父子体关系、变体主题、子体销量趋势和评论。asin_detail 确认每个子体对应的尺寸、颜色或款式；asin_sales_trend 比较销量与销售额；review 识别某个变体是否集中出现掉色、尺寸偏差或配件缺失。

实操时，先把变体名称归一化，再固定另外两个维度。我们先固定 Medium 和单只装，只比较 14 个颜色在同一数据源、同一时间窗内的近 12 个有数据月份累计预估销量。结果很集中：Black 约 10.6 万，占 55.2%；Light Blue 占 8.3%，Beige 占 7.3%，Baby Pink 占 6.1%，Gray 占 5.1%，其余 9 个颜色合计不到两成。

再固定 Black 和单只装，只比较尺码：Medium 占 60.6%，Small 占 22.2%，Large 占 17.2%。最后固定 Medium 和 Black，只比较套装：单只装占 91.1%，双只装占 8.9%。这里要看的是同口径下的相对结构，不是把第三方预估销量当成真实订单量。

到这里，判断已经比“黑色卖得好”具体得多：Black 是主力颜色，Medium 是主力尺码，单只装是主力包装；浅蓝、米色、粉色可以作为验证颜色，低占比颜色和双只装不适合平均分库存。

但这只是首批配比的市场基线，不是直接下单的答案。如果我们的产品定位是女性日常佩戴，浅色和衣内低外显可能更重要。竞品数据是证据，不是答案。

三、用 Codex 叠加评论风险分析

如果只按销量做配比，我们还会漏掉另一笔账：这个变体为什么产生退货和差评。

我们用 MCP 分别抓取近期 1、2、3 星评论各 100 条并去重，其中 292 条完成明细核验，再让 Codex 按开发语言归类。300 条样本中，“尺码与适配”命中 99 条，“绑带与魔术贴”85 条，“支撑未兑现”75 条，“穿戴不适与接缝”45 条，“耐久与质量”30 条。标签允许重叠，因此这些数字是样本提及数，不能相加成发生率。

按星级看，1 星更集中于“支撑失效”，2、3 星更多是尺码适配和绑带调节。核心支撑承诺没有兑现，往往是用户从“有遗憾”走到“一星”的关键。

评论不机械扣减配比，而是设置量产放行条件：尺码表覆盖边界人群；绑带验证最松、最紧和循环使用后的固定能力；鞋内动态试戴排查接缝压痛；支撑效果回到具体场景验证。也就是说，前两步回答“首批先做哪些变体”，评论分析回答“哪些问题没验证前不能下单”。

四、从竞品证据推到首批生产配比

假设我们的定位与竞品接近，首批计划生产 500 件，可以把 Black 的 55.2%向上圆整为 60%，余下 40%作为验证层。首批 500 件拆成：

主力层 300 件全部给 Black，再按尺码结构拆分：Medium 182、Small 67、Large 51；验证层 200 件全部放在 Medium，用来测试 Light Blue 60、Beige 55、Baby Pink 45、Gray 40。这样首批从 46 个子体收敛到 7 个实体 SKU：既保住主力尺码，也给四个颜色留下验证位。

双只装先不单独生产。如果单只与双只只是包装数量不同，可以共用单只库存，在后段组合包装；只有当包装、FNSKU 或工厂 MOQ （最小订单量）不允许后置组合时，再参考竞品8.9%（双只装）占比少量备货。这个动作能避免同一件产品因为套装不同，被提前切成两份库存。

当然，这 500 件不是最终答案。下单前还要把面料起订量、换色损耗、包装 MOQ、补货周期和我方定位放进去。如果工厂要求每色 300 件，那么四个验证色就不该同时开；如果我们的核心人群偏女性日常佩戴，浅色比例又可能高于竞品。

因此，首批配比不是算出一个永远正确的答案，而是建立一个可校正的起点：MCP 拉取外部证据，Codex 负责清洗、归类和计算，开发写清假设，并在市场机会、用户风险与供应链成本之间做取舍。上架后，再用真实订单、退货和评论修正下一批配比。总结一句话就是：先用竞品数据减少盲区，再用AI工具给你提效，最终用自己的数据建立标准。

五、选品和运营读后感（龙哥和君哥）

龙哥：

数据分析最重要的，不是看到数字，而是看到数字背后的条件。如果照着竞品的尺码销量直接排产，最大的坑在于：我们的产品和竞品在材质、结构、设计上本来就不一样，照葫芦画瓢，很可能把竞品的答案抄成自己的库存。选品也是一样：研究竞品只是手段，研究竞品背后的用户和需求才是目的。

君哥：

旭荣这套做法，真正值得复用的不是某个 ASIN 的配比，而是处理多变体的顺序：先还原父子体，再做单变量比较，再用评论验证风险，最后叠加自己的类目经验和供应链条件。把这套流程做成 Skill，后面换一个类目、换一个竞品，仍然可以沿着同一套步骤跑。Codex 和 MCP 提高的是分析效率，最终决定配比的，还是团队对类目和产品的理解。