铺货不是赌爆款
做 eBay 铺货，很多人把精力花在“选什么单品”上。我的看法是：单品不是核心，核心是一套底层逻辑，把每一件商品当成金融产品来运营。
铺货和投资其实高度相通：都是面对大量标的，在信息不完整的时候做判断，再决定把钱投给谁。
2025 年，我们华东分公司以 eBay 为主，销售额和利润率在公司里都是第一。这篇文章把背后的方法拆开讲。
两层思路：评级和量化
这套方法借用了金融里两个成熟的做法，它们解决的是不同的问题。
第一层是评级。标普、穆迪给债券评级，是用一套固定的指标给每个标的打分、分档。商品也可以这样做：用同一套指标给每款商品打标签、定等级，等级不同，待遇不同。
第二层是量化。幻方量化（也就是 DeepSeek 背后的公司）赚钱，不靠押中某一只股票，靠的是在海量标的里用统计规律做筛选。铺货也一样：我们不赌哪一款能爆，而是在大量商品里尽早把好的挑出来，把差的淘汰掉。
评级回答“这款商品现在是什么水平”，量化回答“在几千款商品里先看谁”。两者合起来用，才是完整的一套。
数据从哪来：三张报表，持续存档
所有分析的原料，都来自 eBay 后台的三张报表：
- 流量报表（Traffic）：eBay-ListingsTrafficReport，看每条刊登的曝光、浏览、点击。
- 销售报表（Sales）：eBay-ListingsSalesReport，看销量、销售额。
- 刊登质量报表（Listing Quality Report）：看刊登质量、存在的问题和优化建议。
我们的做法是：流量和销售按天下载存档，刊登质量按月存一份，持续跟踪。系统每天会自动检查三张表有没有到齐，缺哪天、缺哪个月一目了然。
很多人觉得报表维度多、数据量大，看不出东西。但看不懂不代表数据没有价值，单看某一天的报表确实得不出结论，连续的数据才能看出趋势。
这里有个容易忽略的细节：曝光报表给的是累计值，不是当天的值。
| 导出日 | 报表里的累计曝光 | 当天新增曝光 |
|---|---|---|
| 第 1 天 | 10 | 10 |
| 第 2 天 | 25 | 15 |
用今天的累计值减去昨天的累计值，得到的才是当天新增。所以流量和销售报表必须每天存：漏存一天，那一天的增量就拆不出来了。
不用等一个月：用贝叶斯思路做早期预判
有了每日增量，就可以在商品上架后的头几天，预判它最终出单的概率。
难点在于，刚上架的商品数据很少。贝叶斯的做法分两步：
- 先给一个初始判断。新商品没有自己的数据，就先借用同类目商品的平均出单率，当作它的起点。
- 每天用新数据修正。每多一天的曝光、点击、转化，就把判断往实际表现的方向挪一点。数据越多，类目平均的分量越轻，商品自己的表现分量越重。
这样做的好处是，上架头几天就能大致判断一款商品值不值得继续投入，不必等它自然跑完一个月。早一天判断，就早一天把资源从差的商品上挪走。
两个指标：筛选看 Z，下注看 Wilson
日常评估我主要看两个指标，它们各回答一个问题。
Z-score：这款商品比同类突出多少。它把一款商品的表现和同类目平均水平放在一起比，高出越多，分值越高。不同类目的流量水平差很多，直接比绝对值不公平，Z-score 解决的就是横向比较。
Wilson score：这个转化率可不可信。看下面两款商品，表面转化率一样，可信程度完全不同：
| 商品 | 点击 | 出单 | 表面转化率 | Wilson 下限（95% 置信） |
|---|---|---|---|---|
| A | 10 | 1 | 10% | 约 1.8% |
| B | 1000 | 100 | 10% | 约 8.3% |
A 的 10% 可能只是运气，保守估计只敢认 1.8%；B 的 10% 有一千次点击撑着，保守估计也有 8.3%。Wilson score 做的事，就是给小样本打折。
两个指标的分工是这样的：
- 筛选看 Z。铺货上架成本低，看错了损失不大，可以用 Z-score 广撒网，找出跑得快的苗头。
- 下注看 Wilson。备货是真金白银压进去，必须等转化率站得住再动手。
有两点要注意。第一，Z-score 单独用在小样本上会骗人：3 次点击出 1 单，转化率 33%，Z 值会高得离谱。稳妥的做法是先用 Wilson 把转化率打折，再对打折后的值算 Z 做排名。第二，Wilson 只能告诉你“能不能备”，备多少还要另算：预计流量 × Wilson 下限转化率 × 备货周期，再加安全库存。
评级之后做什么：商品的波士顿矩阵
评级本身不产生利润，评级之后的动作才产生。我借用波士顿矩阵的框架，把两个指标各放在一个轴上：横轴是流量，用曝光增量的 Z-score 衡量；纵轴是转化，用 Wilson 下限转化率衡量。
- 明星（流量高、转化高）：加仓备货。唯一值得压库存的一类，系统里叫 Q1 明星款。
- 金牛（转化高、流量低）：加流量。转化已经被验证，缺的是曝光：补关键词、开推广。系统里叫 Q2 潜力款。
- 问号（流量高、转化低）：优化。流量来了没接住，改主图、改标题、调价格。系统里最极端的一类叫 Q4 流量黑洞：高曝光、零销量。
- 瘦狗（流量低、转化低）：尽早下架。把资源让出来，别在这里耗时间。
金牛和问号各缺一条腿，补上之后有机会升成明星；瘦狗越早处理越好。
AI 接手计算，人负责判断
以前这套方法最大的成本是人工：每天拉表、拆增量、算指标，商品一多就算不过来。现在这些繁琐的计算可以交给 AI，它执行得更快。
但分工要清楚：
- 逻辑由人定。用哪些指标、阈值设在哪、每个等级对应什么动作，是人的判断。
- 计算交给 AI。拆增量、算 Z-score 和 Wilson score、给商品分档，这些重复劳动不再占用人的时间。
- 结果由人校验，决策由人做。AI 给出的是评级和建议，补不补货、下不下架，最后拍板的还是人。
AI 改变的是执行成本，没有改变方法本身。没有一套清晰的分析逻辑，AI 也无从下手。
落地：n8n 做内核，外面套一层界面
这套方法我已经做成了一个内部工具，结构分三层：
- 内核是 n8n。拉报表、拆增量、算指标、给商品分档，这些步骤都编成 n8n 的工作流，自动执行。
- 外面套一层界面。用的人不需要懂工作流，打开界面就能看到每款商品的评级和对应动作。
- 做内网映射。工具部署在内网，通过内网映射开放访问，团队成员不在同一个网络里也能用。
工具不止给评级，还往前多走了一步：接入生图软件，直接给出建议图片，同时给出优化后的文案。
这一步对应的是矩阵里的“问号”。以前评级告诉你“这款要改主图、改标题”，怎么改还得人自己想；现在评级和修改建议一起给出来，从发现问题到动手修改，中间不再隔着一段空档。
图片和文案都是建议稿，上线前由人确认：图片要和实物一致，文案里的参数要准确。
写在最后
铺货不是赌哪一款能爆，而是用一套评级体系，让数据告诉我们该加仓谁、该止损谁。
如果你想试试这套方法，可以先做一件事：从明天开始，把这三张报表存下来，流量和销售每天一份，刊登质量每月一份。有了连续的数据，后面的增量拆分、指标计算、商品评级才有基础。
如果这篇对你有启发：
- 把它分享给做跨境的朋友，尤其是还在凭感觉选品的那一位；
- 在下方留言说说：你现在每天看哪几张报表？卡在哪一步？我会挑几个问题单独写一篇。
