以一件拿货价 45 元的连衣裙为例：
- 含税成本：45 × 1.3 = 58.5 元
- 加上快递和损耗：约 65 元
- 目标毛利率 40%：65 ÷ 0.6 ≈ 108 元
- 所以这件衣服定 109 元是合理的，定 89 元就是亏本卖。
第二层：竞品价格带对标
用 AI 扫描同款或相似款的价格分布，找到「价格洼地」——即市场上这个价格区间竞争相对少、但需求存在的空白点。
第三层：心理定价 + 生命周期定价
新品上架用「破冰价」（比目标定价低 15-20%），跑出销量和评价后恢复正常价；爆款期维持价格稳定；衰退期用满减或限时折扣清库存。
第七步：决策输出（15 分钟）
经过前六步，我会得到一份最终选品清单，格式是这样的：
- A 档爆款潜力品（3-5 款）：重点备货，深度运营，配套短视频和详情页
- B 档稳定热销款（8-10 款）：正常备货，标准化运营
- C 档观察款（3-5 款）：少量备货，跑数据，验证后决定是否加仓
这份清单直接进入执行环节：备货、上架、内容生产、推广排期。
整个流程从需求定义到决策输出，熟练之后 3 小时以内可以完成，冷启动阶段大概需要 5-6 小时。
一个真实案例：韩版女装 20 款选品
让我用一次真实的选品来验证这套流程。
搜索词：「韩版连衣裙 + 显瘦 + 春夏款」，目标 20 款，价格带 79-129 元。
跑完 7 步之后，结果是：
- 2 款 A 档爆款潜力品：一款韩版小香风连衣裙（严选指数 4.6，近 30 天销量 3200，库存 2800 件）；一款醋酸缎面吊带裙（严选指数 4.3，近 30 天销量 1800，库存 1500 件）
- 12 款 B 档稳定热销款：覆盖通勤、约会、度假三个场景
- 6 款 C 档观察款：新品，数据不足，少量备货观察
这 20 款商品上架后，A 档 2 款在第 3 周开始放量，最终验证准确率和 AI 预判基本吻合。其中小香风连衣裙成为当月店铺销量第一。
三个容易踩的坑
坑一：只看销量，不看库存比
销量高不代表能稳定供货。一定要看销量/库存比，高销低库是危险信号。
坑二：忽略退货率
有些商品销量漂亮，但退货率高达 30%+。这类商品的实际利润比账面数字难看得多。在选品阶段就要把退货损耗算进去。
坑三：用自己的审美代替数据
我见过太多老板说「这件我觉得好看」，然后备了一大堆货，结果卖不动。AI 选品的核心价值就是用数据替代主观审美——你觉得好不好看不重要，市场数据说好才是真的好。
本期行动项
今天就做： 用我给的 7 步框架，选一个你最熟悉的品类，走一遍需求定义（第一步），把那 4 个问题认真回答出来，写在纸上。这一步做好，后面的步骤会清晰很多。
本周完成： 在 1688 上用「销量排序 + 严选指数 ≥ 4.0 + 现货」的条件，搜索你的目标品类，抓 30 款商品，用我给的 4 个核心指标做一次筛选，看看能留下多少款。
下周目标： 完成一次完整的 7 步选品流程，输出一份包含 A/B/C 分档的选品清单，按清单备货，跑 2 周数据，和你之前「凭感觉选品」的结果对比一下。
真实感受：这套流程的边界
最后说一个扫兴的真相。
这套 7 步流程，能帮你把选品的成功率从 30% 提高到 60-70%，但永远不可能达到 100%。
市场是活的，数据是滞后的，消费者的喜好是变化的。AI 能给你的是「基于历史数据的最优判断」，而不是「对未来的绝对预测」。
真正优秀的电商选手，是把 AI 的数据判断和自己对市场的直觉结合起来——数据给方向，直觉做微调，执行力决定结果。
三者缺一不可。
下期预告
下一期，我们进入内容生产环节：AI 写短视频带货脚本，3 分钟出一条，转化率还比人写的高——这是真的吗？我用 30 条真实脚本的数据来告诉你答案。
如果你在用 AI 做选品，欢迎在评论区告诉我你遇到的问题，我会在下期内容里专门回答。
