默认配图

亚马逊FBA库存怎么优化?算补货点控IPI评分和库龄费

「亚马逊 FBA 库存优化」是「龙虾部署大师」技能市场中的库存运营技能:它解释 IPI 评分、容量限制等机制,提供日销售速度、安全库存、再订货点和补货数量的计算方法,覆盖月度仓储费、库龄附加费等成本管理与旺季库存规划,输出库存健康诊断、补货建议和费用控制动作清单。 技能效果 给定日均销量和47天备货周期,它算出补货点1220件、建议每次补1200件、安全库存280件,还排出约六十天一轮的补货节奏验证不会断货。 FBA 库存,卡在断货和压仓之间 FBA 库存管理是个两难:补少了,畅销 ASIN 一断货就丢排名、丢销售;补多了,月度仓储费、库龄附加费一点点吞掉利润,IPI 评分还可能因此走低、触发容量限制。多数卖家靠经验拍脑袋定补货量,既算不准安全库存,也说不清某批货库龄到了该促销还是清仓。 这个技能能帮你算清什么 它把 FBA 库存健康拆成可计算、可决策的几块。诊断层面,它分析 IPI 评分、容量限制和影响库存绩效的因素;补货层面,它结合日销售速度、交期、在途库存算出安全库存、再订货点和补货数量;成本层面,它用 90/120/150/180 天的库龄处置协议控制长期仓储费和库龄附加费;旺季层面,它帮你为 Prime Day、返校季、黑五网一和假日季规划库存目标。 补货量 = 综合这几项算出来 日销速度 + 交期 + 安全库存 + 在途 再订货点 对库龄逼近阈值的库存,它会按处置协议给出促销、清仓还是移除的建议,避免长期仓储费越积越多: 90 天关注 120 天促销 150 天清仓 180 天移除 用前须知 该技能无需 API Key 或脚本依赖,但计算依赖你提供的真实数据:卖家中心库存、销量、在途库存、生产与运输交期、各项费用和库龄信息。数据越准,补货与处置建议越贴合实际。 怎么用它 用法是把库存现状和要解决的问题用自然语言交给它。例如可以这样对它说: 可以这样对它说 "按近三十天销量算这批 FBA 什么时候补货才不断货,并留安全库存。" "IPI 跌到三百八,看看哪些过剩库存最拖分,先处理库龄。" "黑五前这个 ASIN 该备多少天库存,别压太多仓储费,也别断货。" 它适合这些场景:IPI 低于阈值或容量受限时找改善优先级;畅销 ASIN 面临断货、要结合在途算补货量;库龄接近 150 天、要决定促销清仓还是移除;旺季前准备入仓计划、预留生产运输和 FBA 收货时间。 大家常问 亚马逊的 IPI 分数是怎么构成的,为什么它会直接影响 FBA 的库容限制? IPI(0—1000 分)主要由四个维度加权:冗余库存占比(权重最高)、库存覆盖周数、滞留无法销售库存占比、FBA 售罄率。它本质是仓储资源分配的风控模型——亚马逊把货架空间当成投给卖家的"资本",IPI 衡量你能否把仓储高效转化为销量。低于阈值(常为 400)就会触发仓储容量上限、按 ASIN 的补货限制和超容费,把空间释放给周转更快的卖家。 FBA 补货时,安全库存和再订货点是什么,为什么不能只按销量平均值备货? 安全库存是应对不确定性的缓冲,约等于(最大日销量−平均日销量)×交期;再订货点是库存降到该值就必须立刻下单,约等于平均日销量×交期+安全库存。只按平均值备货等于赌博:销量有峰谷、补货交期长又不稳(工厂排期、船期、入仓上架都会延误),而断货成本远高于库存成本——排名断崖下跌、Buy Box 被抢、广告权重和 IPI 都受损。 FBA 的月度仓储费和库龄附加费有什么区别,库存放多久会被额外收费? 月度仓储费是基础费用,按日均体积计,从入仓第一天就收,旺季(10—12 月)费率是淡季的 2—3 倍,无法避免。库龄附加费是超期存放的惩罚费(旧称长期仓储费),存放约 271 天(9 个月)以内只收月度仓储费、不收库龄费,超过 271 天起按时长阶梯加收,超过一年大幅上涨。可避免,建议超 180 天就降价清仓或创建移除订单。 黑五旺季前 FBA 该备多少天的库存,备多和备少各有什么风险? 一般建议备 60—90 天,覆盖黑五→网一→圣诞→1 月补货空窗(工厂货代放假、入仓变慢)。备少了断货损失惨重:旺季流量最高时没货、Listing 权重和排名暴跌、广告空烧、跟卖趁虚抢购物车。备多了则压资金、扛旺季 2—3 倍的仓储费、IPI 下滑甚至触发长期仓储费。核心是用历史销量配合安全库存测算,宁可多备 15% 也别少备 15%,而不是拍脑袋乘 5 倍。 想用上这个技能? 「亚马逊 FBA 库存优化」就在「龙虾部署大师」的技能市场里,打开 技能市场 就能一键安装使用。 还没装龙虾?先 一键部署「龙虾部署大师」,在本地跑起来后再装技能即可。 注:技能的实际效果与所选用的 AI 模型能力有关,不同模型下的表现可能存在差异。

2026/05/29
默认配图

亚马逊评论怎么批量采集?抓评分差评痛点做竞品分析

「亚马逊评论采集」是「龙虾部署大师」技能市场中的评论数据采集技能:给定一个或多个评论页链接,它自动翻页采集评分、评论人、标题、时间地点、评论正文和评论类型,并可选提取评论里的图片与视频链接,最终输出结构化 JSON 数据,便于做竞品评论分析、痛点挖掘和素材收集。 技能效果 采集某商品的评论时,它跨十个站点去重后取出前五十条,逐条保留了评分、国家、日期、标题与「已验证购买」标记,图片和视频链接也一并留存。 竞品评论这座金矿,人工挖太慢 商品评论里藏着最真实的用户痛点和卖点线索,但人工挖掘成本很高:一个热销 ASIN 动辄上百条评论,要逐条读、手动复制评分和正文;想跨多个竞品对比评分分布和高频抱怨,更是要在几个页面间来回翻抄,口径还容易乱。等整理完,时间已经耗掉大半,数据也难以复用。 这个技能能帮你拿到什么 它把评论页转成可直接分析的结构化数据。一次采集会批量抓取多个评论页的评分、标题、正文和评论人,支持设定每个商品的采集数量(1 到 999 条)并自动翻页;还可选提取评论中的买家图片和视频链接作为素材输入。采集前它会校验链接格式(评论 URL 需含 reviewerType=all_reviews),必要时辅助从商品详情页转换到评论页。 评论页链接一个或多个 自动翻页采集1–999 条 结构化 JSON评分 / 标题 / 正文 / 评论人时间地点 / 图片 / 视频链接 拿到结构化数据后,原本散在网页里的评论就能直接拿去做高频痛点归类、评分分布对比,或把买家晒图作为研究真实使用场景的素材。 评论数据 差评痛点归类 评分分布对比 买家晒图做素材 跨 ASIN 语料 用前须知 该技能无需 API Key,但评论 URL 必须包含 reviewerType=all_reviews 才能正确采集;它依靠真实抓取工作,采集量较大或频繁时可能受 Amazon 反爬限制影响。 怎么用它 用法是把要采集的评论页和需要的字段用自然语言说清楚即可。例如可以这样对它说: 可以这样对它说 "采集这个亚马逊评论页前五十条评价,图片和视频链接也保留。" "这三个竞品 ASIN 的差评都抓下来,后面做痛点归类分析,关键字段别漏。" "把评论评分、标题、时间和正文整理成结构化表格,后续用来分析卖点。" 它适合这些场景:分析竞品 ASIN 的差评和高频痛点、为 Listing 优化提供依据;采集多款产品评论、比较评分分布与反馈差异;获取评论里的买家图片或视频、研究真实使用场景;为产品研发或客服策略建立跨 ASIN 的评论语料库。 大家常问 亚马逊商品评论一般分哪几种类型?做竞品分析时要重点看哪一类? 常见有星级评分、文字评论、带图/带视频评论、Vine 评论,以及带「Verified Purchase」标识的已验证购买评论。做竞品分析价值最高的是 VP 标识的 1—3 星差评,尤其带图差评,里面直接暴露竞品缺陷和未满足需求;用「亚马逊评论采集」按 ASIN 批量抓评分、标题、正文连同图片视频链接,归类后即可反推自己的 Listing 优化方向。 为什么有的亚马逊评论页只显示精选评论,看不到全部评论? 页面默认按「精选(Top reviews)」排序,只展示算法认为最有帮助的少量评论;要看全部需切到「最新(Most recent)」,或直接访问带 reviewerType=all_reviews 参数的 product-reviews 评论页。「亚马逊评论采集」执行前正是校验链接是否含该参数,确保抓到的是全部评论而非精选子集,避免分析样本偏差。 亚马逊差评里通常藏着哪些产品痛点信号,对优化 Listing 有什么用? 差评高频信号集中在尺寸/适配不符、质量耐用性差、功能与宣传有落差、说明书安装难、配件包装问题、以及预期与实物不符六类。把这些痛点词反向写进标题、主图参照物和五点描述,诚实界定适用边界,能同时降低退货率。用「亚马逊评论采集」批量抓多个 ASIN 的差评做高频归类,比逐条翻页快得多。 批量采集亚马逊评论时,为什么容易触发验证码、采到一半就中断? 评论页是亚马逊反爬重点,单 IP 短时间高频翻页、并发过大或浏览器指纹异常都会触发验证码;翻页参数变化、动态收紧阈值也会让采集中途断掉。可控做法是随机化翻页间隔、用真实浏览器环境、分批续采。「亚马逊评论采集」无需 API Key,但采集量大或需登录可见的评论时,仍建议分批执行、保留登录态,结果仍受站点反爬影响。 想用上这个技能? 「亚马逊评论采集」就在「龙虾部署大师」的技能市场里,打开 技能市场 就能一键安装使用。 还没装龙虾?先 一键部署「龙虾部署大师」,在本地跑起来后再装技能即可。 注:技能的实际效果与所选用的 AI 模型能力有关,不同模型下的表现可能存在差异。

2026/05/29
默认配图

天猫商品信息怎么查询?按链接批量采集输出JSON

「天猫商品信息查询」是「龙虾部署大师」技能市场中的商品详情采集技能:给定含商品 ID 的天猫或淘宝详情链接,它按单个或多个链接批量采集标题、价格、主图、视频、SKU、优惠、活动、保障和店铺等字段,输出结构化 JSON 与成功失败统计,替代人工逐页复制。 技能效果 演示天猫商品信息查询时,它列出能从商品页抓取的标题、价格、SKU、优惠等十多个字段,并用五个示例商品演示了批量查询后汇总成的表格长什么样。 逐条复制天猫详情页,问题在哪 做竞品监控、价格记录或商品调研时,常要从天猫详情页里把标题、价格、主图、SKU、优惠活动这些信息整理出来。人工做这件事既慢又散:一条链接一条链接地打开、把价格抄进表、把主图地址逐个复制,几十个商品下来,不仅耗时,不同人整理出的字段口径还不统一,难以直接拿去做分析。一旦碰到 SKU 多、优惠活动复杂的商品,手动整理更容易抄漏抄错。 人工:一条条点开复制;技能:批量转结构化 链接 1 链接 2 … 逐条手抄 批量采集 按链接分组 结构化 JSON 这个技能能帮你拿到什么 它把天猫详情页转成可直接处理的结构化数据。采集范围上,它按单个或多个链接批量取标题、价格和店铺信息,同时提取主图、视频、优惠活动、保障服务和基础属性;SKU 维度上,它既能获取全部关联 SKU 的价格、库存和预售状态,也能只取当前 SKU,按需选择;结果形态上,它返回结构化 JSON,并附上成功失败数量、抓取状态和错误原因——成功的归成功,失败的也说清为什么失败。当页面出现验证码、弹窗或 JS 提取失败时,它会给出明确的排查方向,而不是默默返回空数据。 天猫/淘宝详情链接 取全部 SKU 价格/库存/预售 仅取当前 SKU 按需选择 JSON + 成功失败统计 + 抓取状态 用前须知 该技能需要 Python 运行同目录的 run.py,执行前要确保 AI agent gateway 与 skillcore 服务可用(默认 127.0.0.1:10027),浏览器需能打开天猫页面;文档未要求 API Key。它做的是页面采集,受天猫反爬与页面加载状态影响,遇到验证码或提取失败时会返回明确的状态和排查方向,而非保证每条都成功。 怎么用它 用法是把要采集的天猫链接和想要的字段范围用自然语言交给它,说明导出方式即可。例如可以这样对它说: 可以这样对它说 "把这五个天猫链接的标题、价格、SKU 和优惠都抓出来,主图也要。" "这个商品页只看当前规格的库存,别把关联 SKU 都展开。" "采集天猫详情时把主图、视频和保障信息一起带上,按链接分组导出。" 它适合这些场景:运营团队要批量整理竞品详情页里的价格、主图和促销信息;采购或选品人员要比较同类商品的 SKU 组合、库存和预售状态;数据分析任务要把天猫详情页转换成可处理的结构化记录;以及页面出现验证码、弹窗或提取失败时,需要拿到明确的排查方向。 大家常问 采集天猫商品详情时,获取全部关联 SKU 和只取当前 SKU 有什么区别?分别适合什么场景? 获取全部关联 SKU 会返回该商品所有规格组合(如颜色×尺码)的价格和库存,形成完整的价格-库存矩阵,适合竞品分析、跨规格比价、价格监控和商品建库;只取当前 SKU 只返回链接默认选中的那一个,更快,适合单品核价、链接有效性快速验证、SKU 不重要的大批量采集。本技能默认取全部,更完整。 为什么批量采集天猫商品详情时容易遇到验证码、或者页面没加载完就抓不到数据? 天猫风控成熟,同 IP 短时间高频访问、自动化工具浏览器指纹未伪装、登录态失效都会触发滑块或图形验证码。抓不到数据多因详情页是异步渲染,标题、价格、SKU 走 XHR 动态加载,脚本在 DOM 就绪前就提取会抓空,重定向或结构变动也会失败。本技能等异步数据加载完再提取,并以 fetchStatus 标识验证码/弹窗状态。 天猫商品详情页里说的保障服务、优惠活动这些字段一般包含什么?对做竞品监控有什么用? 保障服务含 7 天无理由、运费险、极速退款、品质保障、发货时效、全国联保等;优惠活动含满减、店铺券、平台大促、限时折扣、多件多折、包邮等。竞品监控里,保障齐全度反映行业标准与品牌定位,优惠节奏可做价格战预警和到手价对比。本技能能把这些字段连同价格、店铺一起结构化采集,便于按周期跟踪变化。 天猫商品的预售和现货在采集时怎么区分?预售商品的库存和价格状态有什么不一样? 最直接看 SKU 的 isPresale 字段:false 为现货、付款即发,true 为预售、需等发货日。库存上现货 quantity 一般大于 0、代表实物可售,预售常为 0 或表示名额上限;价格上现货 price 是实付价,预售 price 多为定金加尾款的总价,实际优惠体现在定金膨胀等活动里。本技能建议预售与现货分开处理,避免比价失真。 想用上这个技能? 「天猫商品信息查询」就在「龙虾部署大师」的技能市场里,打开 技能市场 就能一键安装使用。 还没装龙虾?先 一键部署「龙虾部署大师」,在本地跑起来后再装技能即可。 注:技能的实际效果与所选用的 AI 模型能力有关,不同模型下的表现可能存在差异。

2026/05/29
默认配图

研究型长文怎么写?协作出大纲补来源引用,逐节给反馈

「研究型内容写作」是「龙虾部署大师」技能市场中的写作助手技能:它面向博客、文章、Newsletter、教程和案例研究,先理解主题、论点、受众、长度、目标和风格,再协作生成大纲并标记研究缺口,随后检索资料、提取事实、补充引用、优化开头钩子,并在逐节写作时给出清晰度、结构、证据和风格的修改建议,最终输出草稿审阅、引用清单和发布前检查表。 技能效果 写「AI客服降本」文章时,它先列出完整大纲,并标注了所引用研究的来源。 写长文最难的,其实不是动笔 真正卡住人的是动笔前后的两段:开头时缺结构,不知道这篇该怎么搭、哪里需要查资料;写完后缺审视,看不清证据够不够、引用是否可信、读起来顺不顺。中间还夹着一个高频痛点——开头钩子平淡,第一段抓不住人,后面写得再好也容易被划走。这些环节如果各用各的工具拼凑,作者的语气还容易在反复修改中被磨平。 搭大纲 查资料 改钩子 逐节写 终稿审阅 这个技能能帮你做哪几件事 它把一篇长文的成稿过程拆成几个可协作的环节。结构上,它围绕主题、受众、目标和风格协作生成大纲,并把需要补充资料的地方标成研究缺口;资料上,它为指定段落或论点检索可信来源,提取关键事实、数据并添加引用;开头上,它能把平淡的引言改写成数据型、故事型或问题型等多个钩子版本;写作中,它逐节给出关于清晰度、流动性、证据、风格的具体改写建议。整篇完成后,它再做一遍草稿审阅,给出结构流畅性判断、引用清单和发布前检查表。 贯穿全程的一条原则是:在提升可信度和可读性的同时保留作者本人的声音,而不是把文章改成千篇一律的腔调。 你的 语气 补来源 / 引用 改钩子 / 结构 逐节修改建议 可信 + 可读 的成稿 用前须知 该技能无需本地依赖或 API Key。研究阶段可能需要联网查找可信来源;建议在独立的写作目录中维护大纲、研究记录和草稿文件,方便逐节推进与回溯。 怎么用它 用法是把要写的主题、读者和当前卡点用自然语言告诉它,它会顺着大纲、资料、钩子、审阅的链路陪你往下走。例如可以这样对它说: 可以这样对它说 "写一篇 AI 客服降本文章,先做大纲和引用研究,读者是中小老板。" "这段开头太平了,换三个更有钩子的版本,分别用数据、故事和反常识。" "审一下我刚写完的案例章节,看证据和引用够不够,语气别跑偏。" 它适合这些场景:撰写需要先搭结构、再标研究待办的深度博客或 Newsletter;已有引言但吸引力弱、想改写开头又保留原语气;技术教程或案例研究需要补充数据来源与例证;以及长文完成后,从结构、证据、可读性和发布清单做一次全面审阅。 大家常问 为什么有些文章一句话就抓住人,有些两行就让人划走?什么样的开头才算"有钩子"? 读者点开文章的前几秒,脑子里只有一句"这跟我有什么关系"。让人划走的开头通常是铺垫过长、自说自话或正确的废话;有钩子的开头会在首句就制造认知缺口——要么说出读者心里的痛点,要么用一个反常识、悬念或具体数字让读者觉得"必须往下看才能填上这个缺口"。 写文章的"大纲"和"提纲"是一回事吗?为什么很多老作者都强调动笔前先列大纲反而写得更快? 大纲是文章的骨架,解决"长什么样";提纲在大纲上再填进论据、案例和过渡,解决"怎么写出来"。先列大纲反而更快的原因是结构性返工被消灭在标题层——大纲阶段改的是几行字,成文后改的是整段;同时大纲拆掉"下一句该写什么"的内容决策,让大脑专注遣词造句,写作卡顿和反复推翻都会大幅减少。 为什么一篇有数据、有引用的文章看起来就更可信?引用到底在文章里起的是什么作用? 引用做的事是把信任成本从"作者本人"转移到"可核查的外部来源"上。它在文章里有三层功能:为孤立观点提供可定位的证据锚点;借助权威来源做信誉嫁接;以及给读者留下可追溯的入口。引用要起作用,前提是相关、准确、时效、且不刻意回避反面证据,否则反而会反向损害可信度。 同样写一个话题,为什么有的人能写出深度,有的人写出来像流水账?"有深度"的文章和"没深度"的文章差在哪? 流水账是时间线驱动的平铺——只写"发生了什么";有深度的文章是逻辑驱动的,在事件层之上叠了一层解释层,回答"这意味着什么"。差异具体落在四件事上:是否有一条贯穿全文的主线、是否在事件后追问归因与推理、是否在关键处打反转或金句这种"桩子"、以及是否在具体场景与抽象规律之间上下穿行而不是停在同一层。 想用上这个技能? 「研究型内容写作」就在「龙虾部署大师」的技能市场里,打开 技能市场 就能一键安装使用。 还没装龙虾?先 一键部署「龙虾部署大师」,在本地跑起来后再装技能即可。 注:技能的实际效果与所选用的 AI 模型能力有关,不同模型下的表现可能存在差异。

2026/05/29
默认配图

飞书消息卡片怎么生成

「飞书卡片生成」是「龙虾部署大师」技能市场中的飞书消息推送技能:作用是把日报、告警、任务结果等内容整理成富交互的飞书消息卡片,发送到指定个人或群聊。输入目标 open_id 或 chat_id、正文、标题、颜色、按钮和图片后,它生成并发送卡片,支持 Markdown、代码块、表格、彩色标题和图片上传,并对中文、反引号等特殊字符做安全转义。 技能效果 做一条服务器告警通知时,它生成了完整的飞书消息卡片结构——标题、状态标签、字段和跳转按钮都有。 把脚本结果发到飞书,为什么总出问题 问题集中在两点:一是格式,把一段带表格、代码块或中文的报告直接从命令行发出去,常因反引号、特殊字符或换行被截断、转义错乱,到了飞书里排版散掉;二是触达,纯文本通知混在群消息里没有重点,红绿灰主题、可点击按钮这类结构化元素靠手工拼 JSON payload 既繁琐又容易写错。结果是该重点突出的告警被淹没,该清晰的报告变成乱码。 纯文本直发 表格错位 / 反引号乱码 中文截断 无重点、无按钮 淹没在群消息里 结构化卡片 彩色标题 表格 / 代码块保留 可点按钮 这个技能能帮你发出什么 它把"一段内容"变成"一张结构清晰、能交互的飞书卡片"。核心能力有四块:一是按 open_id 向个人、按 chat_id 向群聊发送富文本卡片;二是完整支持 Markdown、代码块、表格、按钮、图片和对某条消息的回复,让报告该有的格式都保留;三是提供 send_safe 安全发送包装,自动处理中文、反引号和特殊字符的转义,避免命令行截断;四是自动从环境变量、AI agent 配置或 .env 解析飞书凭证,并缓存上传图片的 image key。标题还支持红、绿、灰等主题色,用颜色直接表达优先级。 正文 + 标题 颜色 / 按钮 / 图片 飞书卡片生成 安全转义 + 凭证解析 富交互卡片 表格 / 代码块 / 按钮 彩色标题 个人 / 群聊 送达 用前须知 该技能需要 Node.js 并运行 npm install,或用 python setup.py 初始化;还需配置飞书 App ID / Secret 以及机器人发消息的权限,凭证可从 AI agent 自动读取。发送前可用 dry-run 预览卡片 payload,确认无误再发,避免误发到正式群聊。 怎么用它 用法是用自然语言把要发的内容、发给谁、想要什么样式说清楚,无需手写卡片 JSON,也不用记字段名。例如可以这样对它说: 可以这样对它说 "把今天的日报发成飞书卡片,标题用绿色,正文保留表格和代码块格式,按人归类。" "这份报警内容做成卡片,里面加个打开看板的按钮,发到今晚的值班群。" "把这张截图嵌进飞书通知,配一段简短说明和链接,让夜间值班能看懂。" 它适合这些场景:把脚本跑出来的日报、数据结果稳定推送到个人或群聊;报告含 Markdown 表格、代码块或中文,需要避免命令行截断;运维告警要用红、绿、灰主题标题突出优先级;正式发送前需要 dry-run 预览 payload 防止误发。 大家常问 为什么飞书消息卡片要用 JSON 结构而不是直接发富文本? 富文本只是展示格式,JSON 卡片是一套交互协议。它用 header、elements、actions 三层把"展示什么、在哪展示、点了之后怎么响应"结构化分离,能原地更新已发送消息、按钮回调到服务端、模板变量复用,富文本这些都做不到。 飞书卡片里的 header template 主题色和 elements 是什么关系? 两者是平行模块,不存在样式继承。header 的 template 取值 blue/green/red/orange/grey 等,只决定标题栏色带;elements 数组里每个 div、markdown、img、button 都得自己单独配 type 和颜色,不会自动跟着 header 主题色变。 飞书卡片按钮里的跳转链接和回传交互回调怎么区分? 看按钮的 action.tag。tag 为 link 时填 url,点了直接打开网页,服务端收不到任何回调;tag 为 callback 时填 value,点了飞书会向开发者配置的 Request URL 发 POST 请求,把 value 原样回传,业务侧据此区分操作并可更新原卡片。 飞书消息卡片为什么要先 dry-run 预览再发到正式群? 发送接口只校验 JSON Schema,不渲染。主题色对比、图片加载、Markdown 表格在移动端折行、按钮文案超长、i18n 多语言差异、回调链路是否打通,得在真实客户端里看才暴露。dry-run 到测试群把这层风险前置,免得一条炸裂卡片砸到正式大群。 想用上这个技能? 「飞书卡片生成」就在「龙虾部署大师」的技能市场里,打开 技能市场 就能一键安装使用。 还没装龙虾?先 一键部署「龙虾部署大师」,在本地跑起来后再装技能即可。 注:技能的实际效果与所选用的 AI 模型能力有关,不同模型下的表现可能存在差异。

2026/05/29
默认配图

Shopify加购增购策略,按场景规划升级套装提客单价

「Shopify 加购增购策略」是「龙虾部署大师」技能市场中的追加销售策略技能:它在产品页、购物车和购后感谢页设计 Upsell 升级与 Cross-sell 互补推荐,按主商品价格、毛利、使用场景和功能互补判断该推什么、推在哪里,目标是提高客单价和每访客收入。 技能效果 为买了瑜伽垫的订单设计购后增购时,它把推荐位放在订单完成的Thank-you页,搭配瑜伽砖和拉伸带的限时组合价,解释了为什么这样不打断主商品下单。 转化稳定了,客单价却抬不动 很多 Shopify 店铺把主商品转化做稳之后,会卡在另一个瓶颈:客单价上不去,每个访客带来的收入有限。问题通常不是没做加购,而是加购做得没章法——升级款和互补品分不清,配件推荐塞在错误的环节打断了下单,购物车里硬塞高价商品反而劝退,购后感谢页这个本该顺手追加的位置又空着。推荐位放几个、推荐什么价位、用什么文案引导,全凭感觉摆,自然带不动订单价值。 两种推荐,对应不同时机 Upsell 升级 同类换更好/更大包装 适合在产品页比对 Cross-sell 互补 配件/搭配品 适合购物车/购后追加 这个技能帮你设计什么 它把加购增购拆成"推什么、推在哪、用什么规则"来系统设计。在类型判断上,它区分 Upsell 升级与 Cross-sell 互补,为每种匹配最合适的展示时机;在关联规则上,它依据功能互补、场景绑定、耗材续购和礼品化组合来设计搭配关系;在推荐位规划上,它覆盖产品页、购物车和购后一键加购三个位置的展示方案;在落地支持上,它给出 Metafields、Recommendations API 和自动折扣的实现思路,并通过推荐位的位置、数量、标题和价格做实验持续优化。它还会守住分寸,比如购后追加的推荐品价格不宜超过主商品的一半,避免决策成本过高。 同一笔订单,三个位置接力提价 产品页 升级款 / 套装 购物车 低价互补配件 购后感谢页 一键追加 用前须知 该技能做的是策略设计,无需密钥即可直接使用。若要把推荐方案落地到 Shopify 原生能力上,需要店铺后台权限,以及 Metafields、Recommendations API 或 Checkout 扩展的配置。它给出的是组合规则与落地思路,实际配置在你的店铺中完成。 怎么用它 用法是把主商品、想提升的目标和约束用自然语言交给它,由它产出推荐组合与展示方案。例如可以这样对它说: 可以这样对它说 "瑜伽垫下单后推荐瑜伽砖和辅助带,出现在加购之后、别打断购买流程。" "购物车里加一个搭配购模块,规则按互补产品、价格和库存一起配。" "购后一键加购想提高客单价,推荐品价格别超过主商品的一半。" 它适合这些场景:主商品转化稳定但客单价偏低,需要设计大包装或升级款推荐;购物车阶段适合补充低价配件、提高订单附加收入;支付成功后想展示低决策成本的商品、实现一键追加购买;以及需要比较 2 个、3 个或 4 个推荐位对点击和收入的影响。 大家常问 电商里说的 Upsell(增购)和 Cross-sell(交叉销售/搭配购)有什么区别?分别适合在什么时候推? 一句话记:Upsell 是"往上走"、让用户买更好更贵的同类款(如 128G 换 256G),看客单价;Cross-sell 是"往旁边走"、推不同类但相关的搭配品(如手机配壳和充电器),看连带率。Upsell 适合在还在决策的详情页和加购时推,Cross-sell 各阶段都能用、重在购物车和购后。本技能据购买阶段帮你匹配最佳展示时机。 为什么很多店铺转化率稳定,但客单价(AOV)一直上不去?提升客单价一般从哪几个方向入手? 常见原因是客户愿意买、但不愿一次多买或买更贵:品类本身低频单买、页面缺搭配和升级引导、优惠策略单一、流量偏低价捡便宜。提升客单价可从六个方向入手——搭配套餐与加价购、满减满赠阶梯、升级款大容量、会员储值订阅、详情页购物引导、调整流量结构。本技能据主商品价格毛利和场景设计关联规则。 为什么推荐加购的商品价格不宜超过主商品太多?购后一键加购为什么更适合推低价配件? 主商品价格会形成心理锚点,加购品一旦比它还贵就触发防御性比价,用户跳出去单独比价、订单流失,转化率随价格比上升而断崖下跌。购后一键加购发生在已付款的瞬间,用户转为"拥有者心态"、只问配不配套不再比价,且无需重走支付、摩擦近零,低价配件决策成本最低、顺手就买,是纯增量。本技能按这些原则设计推荐。 在商品页、购物车、购后感谢页这三个位置做追加推荐,效果和侧重点有什么不同? 三个位置分工不同:商品页处于浏览决策阶段,推搭配和升级、负责让用户买更多品类,当期转化中等;购物车即将付款,推凑单和强关联,当期转化和客单价拉动最强,但别挡住结算按钮;购后感谢页已付款,推复购钩子和下一场景,当期几乎不增收却对复购很强。本技能会按位置规划推荐方案与数量。 想用上这个技能? 「Shopify 加购增购策略」就在「龙虾部署大师」的技能市场里,打开 技能市场 就能一键安装使用。 还没装龙虾?先 一键部署「龙虾部署大师」,在本地跑起来后再装技能即可。 注:技能的实际效果与所选用的 AI 模型能力有关,不同模型下的表现可能存在差异。

2026/05/29

客服
扫描与客服沟通

回顶部
提示

正在拉起鸿蒙应用市场,如遇无法拉起/无法下载的情况,可使用鸿蒙设备,自行前往应用市场,搜索「Win解压缩」安装。

知道了