亚马逊卖家竞品调研方法：用 API + MCP 替代手动调研的工程实践

关注

原创最新推荐文章于 2026-10-27 09:19:38 发布 207 阅读 AI 写同款· GEO 优化 ›

亚马逊卖家数据MCP选型指南：选品、广告、关键词三大场景实战 MCP（Model Context Protocol）作为连接AI助手与外部数据源的标准化协议，正在成为跨境电商数据工作流的关键基础设施。其核心原理是通过统一接口，让Claude等AI工具直接调用数据库与业务系统，省去手动导出表格、清洗和粘贴的重复环节。这一能力带来的直接价值是数据获取的实时性与分析效率的跃升，尤其适合需要高频查看BSR排名、广告ACOS和关键词搜索量的亚马逊卖家。在实际场景中，无论是选品阶段的市场容量与竞品趋势判断，还是广告投放中的搜索词报告优化，亦或是关键词反查与拓词，MCP都能把原来数阅读详情

在这里插入图片描述

作者：Leo，Pangolinfo 技术负责人
标签：亚马逊 API、竞品分析、MCP、Python、数据采集
阅读时间：约 15 分钟

前言

做亚马逊运营五年多了，我写过不下 20 个竞品调研脚本。从最早的 Selenium 自动化，到 Playwright，再到直接调 API，这条路我走了一遍又一遍。这篇文章不是教程搬运，是我自己在 Pangolinfo 团队里落地的一套工程方案，包含完整代码，能直接跑。

如果你是做亚马逊数据分析的开发或者懂点代码的运营，这篇文章应该对你有用。

一、问题定义：传统调研方法为什么不行

我先把问题量化一下，不凭感觉说话。

维度	手动调研	传统爬虫工具	API 实时方案
单品调研耗时	3-4 小时	20-30 分钟	~3 秒
数据误差率	20%-50%	10%-30%	<1%
数据时效性	调研时刻快照	工具数据库快照	实时
持续监控能力	无	有限（依赖工具更新频率）	可自定义频率
广告位数据覆盖率	手动翻页，覆盖低	50%-70%	98%（SP 广告位）
并发能力	1 个人 1 次看 1 个	受工具限制	3000 万+/天

手动调研的核心问题在于：人肉遍历 + 人工记录 + 估算补全。你看到的"预估月销"是工具用 BSR 反推的，误差能到 50%。你看到的"广告花费"是工具用 CPC × 预估点击量算的，基本不可信。

二、竞品调研五步框架（IBADM）

在这里插入图片描述

在写代码之前，先明确调研框架。没有框架的代码就是在搬运数据，不产生价值。

Identify（识别）→ Baseline（基线）→ Analyze（分析）→ Differentiate（差异化）→ Monitor（监控）

每一步对应的数据需求：

Identify：关键词搜索结果 → 自然排名 ASIN 列表 + 广告位 ASIN 列表
Baseline：ASIN 详情 → 价格、BSR、评分、评论数、变体、主图、A+
Analyze：关键词排名、评论内容、QA 内容、BSR 历史趋势
Differentiate：评论情感分析、关键词缺口分析、价格弹性对比
Monitor：定时任务 → 价格变动、BSR 变动、广告位变动、新增评论

三、技术架构

┌─────────────────────────────────────────────────────┐
│                   你的应用层                         │
│         (Python脚本 / Jupyter / AI助手)              │
├─────────────────────────────────────────────────────┤
│              Amazon Data MCP (19个工具)              │
│     远程HTTP调用 · 零安装 · 自然语言操作              │
├─────────────────────────────────────────────────────┤
│            Amazon Scraper API                        │
│   数据延迟~3s · 3000万+/天 · 成功率99% · SP采集率98% │
├─────────────────────────────────────────────────────┤
│              Amazon 前台公开数据                      │
└─────────────────────────────────────────────────────┘

两条路径：

直接调 API：适合开发，灵活度最高，返回结构化 JSON
通过 MCP：适合运营，自然语言操作，AI 自动编排工具调用

Amazon Scraper API：https://www.pangolinfo.com/zh/amazon-shuju-caiji-api/?referrer=csdn_amz
Amazon Data MCP：https://www.pangolinfo.com/zh/amazon-data-mcp-cn/?referrer=csdn_mcp

四、完整代码实现

4.1 环境准备

# requirements.txt
# requests>=2.31.0
# pandas>=2.0.0
# schedule>=1.2.0

import requests
import pandas as pd
import json
import time
from datetime import datetime
from typing import List, Dict, Optional

4.2 API 客户端封装

class PangolinfoClient:
    """Pangolinfo Amazon Scraper API 客户端"""

    def __init__(self, api_key: str):
        self.api_key = api_key
        self.base_url = "https://api.pangolinfo.com/v1"
        self.headers = {
            "Authorization": f"Bearer {api_key}",
            "Content-Type": "application/json"
        }
        self.session = requests.Session()
        self.session.headers.update(self.headers)

    def search_products(self, keyword: str, page: int = 1) -> Dict:
        """关键词搜索，返回自然排名 + SP广告位 ASIN"""
        url = f"{self.base_url}/amazon/search"
        payload = {
            "keyword": keyword,
            "page": page,
            "domain": "com"
        }
        resp = self.session.post(url, json=payload, timeout=30)
        resp.raise_for_status()
        return resp.json()

    def get_product_detail(self, asin: str) -> Dict:
        """获取 ASIN 完整详情"""
        url = f"{self.base_url}/amazon/product"
        payload = {"asin": asin, "domain": "com"}
        resp = self.session.post(url, json=payload, timeout=30)
        resp.raise_for_status()
        return resp.json()

    def get_keyword_ranking(self, asin: str, keywords: List[str]) -> Dict:
        """获取 ASIN 在指定关键词下的排名"""
        url = f"{self.base_url}/amazon/keyword-ranking"
        payload = {
            "asin": asin,
            "keywords": keywords,
            "domain": "com"
        }
        resp = self.session.post(url, json=payload, timeout=30)
        resp.raise_for_status()
        return resp.json()

    def get_reviews(self, asin: str, filter_type: str = "critical") -> Dict:
        """获取评论，filter_type: critical(差评) / positive(好评)"""
        url = f"{self.base_url}/amazon/reviews"
        payload = {
            "asin": asin,
            "filter_type": filter_type,
            "domain": "com",
            "page": 1
        }
        resp = self.session.post(url, json=payload, timeout=30)
        resp.raise_for_status()
        return resp.json()

4.3 五步框架实现

class CompetitorResearch:
    """竞品调研五步框架"""

    def __init__(self, client: PangolinfoClient):
        self.client = client

    # ---------- Step 1: Identify ----------
    def identify_competitors(self, keywords: List[str]) -> List[str]:
        """识别竞品：从关键词搜索结果中提取ASIN"""
        competitor_set = set()
        for kw in keywords:
            result = self.client.search_products(kw, page=1)
            # 自然排名 ASIN
            for item in result.get("organic_results", []):
                competitor_set.add(item["asin"])
            # SP 广告位 ASIN
            for item in result.get("sponsored_results", []):
                competitor_set.add(item["asin"])
            time.sleep(0.5)  # 礼貌间隔
        return list(competitor_set)

    # ---------- Step 2: Baseline ----------
    def build_baseline(self, asins: List[str]) -> pd.DataFrame:
        """建立基线：批量拉取竞品详情"""
        records = []
        for asin in asins:
            detail = self.client.get_product_detail(asin)
            records.append({
                "asin": asin,
                "title": detail.get("title", ""),
                "price": detail.get("price", 0),
                "bsr": detail.get("bsr", 0),
                "rating": detail.get("rating", 0),
                "review_count": detail.get("review_count", 0),
                "variants": len(detail.get("variants", [])),
                "images": len(detail.get("images", [])),
                "has_a_plus": detail.get("has_a_plus", False),
                "qa_count": detail.get("qa_count", 0),
                "timestamp": datetime.now().isoformat()
            })
        return pd.DataFrame(records)

    # ---------- Step 3: Analyze ----------
    def analyze_keyword_gap(self, asin: str, target_keywords: List[str]) -> pd.DataFrame:
        """关键词缺口分析：对比竞品和自己的关键词覆盖"""
        ranking = self.client.get_keyword_ranking(asin, target_keywords)
        rows = []
        for kw, rank in ranking.get("rankings", {}).items():
            rows.append({
                "keyword": kw,
                "competitor_rank": rank,
                "search_volume": ranking.get("volumes", {}).get(kw, 0)
            })
        return pd.DataFrame(rows)

    def analyze_critical_reviews(self, asin: str, top_n: int = 50) -> Dict:
        """差评关键词频率分析"""
        reviews = self.client.get_reviews(asin, filter_type="critical")
        review_texts = [r["content"] for r in reviews.get("reviews", [])[:top_n]]
        # 简单词频统计（生产环境建议用 NLP）
        from collections import Counter
        import re
        words = []
        for text in review_texts:
            words.extend(re.findall(r'[a-z]{3,}', text.lower()))
        return dict(Counter(words).most_common(20))

    # ---------- Step 4: Differentiate ----------
    def find_differentiation(
        self, my_asin: str, competitor_asins: List[str], keywords: List[str]
    ) -> Dict:
        """差异化机会点：关键词缺口 + 差评痛点"""
        gaps = {}
        for comp_asin in competitor_asins:
            gap_df = self.analyze_keyword_gap(comp_asin, keywords)
            gaps[comp_asin] = gap_df.to_dict("records")

        pain_points = {}
        for comp_asin in competitor_asins:
            pain_points[comp_asin] = self.analyze_critical_reviews(comp_asin)

        return {
            "keyword_gaps": gaps,
            "competitor_pain_points": pain_points
        }

    # ---------- Step 5: Monitor ----------
    def monitor_changes(
        self, asins: List[str], output_path: str = "monitor_log.csv"
    ):
        """持续监控：定时拉取价格和BSR，记录变动"""
        import schedule

        def job():
            df = self.build_baseline(asins)
            df["check_time"] = datetime.now().isoformat()
            try:
                existing = pd.read_csv(output_path)
                pd.concat([existing, df]).to_csv(output_path, index=False)
            except FileNotFoundError:
                df.to_csv(output_path, index=False)
            print(f"[{datetime.now()}] 监控记录已更新，共 {len(asins)} 个ASIN")

        schedule.every().day.at("09:00").do(job)
        print(f"监控已启动，每日 09:00 执行，数据写入 {output_path}")
        while True:
            schedule.run_pending()
            time.sleep(60)

4.4 完整调用示例

if __name__ == "__main__":
    # 初始化
    client = PangolinfoClient(api_key="your_api_key_here")
    research = CompetitorResearch(client)

    # 你的核心关键词
    core_keywords = [
        "silicone spatula set",
        "heat resistant spatula",
        "cooking spatula set"
    ]

    # Step 1: 识别竞品
    print(">>> Step 1: 识别竞品")
    competitors = research.identify_competitors(core_keywords)
    print(f"发现 {len(competitors)} 个竞品ASIN")

    # Step 2: 建立基线
    print(">>> Step 2: 建立基线")
    baseline_df = research.build_baseline(competitors)
    baseline_df.to_csv("competitor_baseline.csv", index=False)
    print(baseline_df[["asin", "price", "bsr", "rating", "review_count"]].head())

    # Step 3: 深度分析（以TOP3竞品为例）
    top3 = baseline_df.nsmallest(3, "bsr")["asin"].tolist()
    print(">>> Step 3: 关键词缺口分析")
    for asin in top3:
        gap = research.analyze_keyword_gap(asin, core_keywords)
        print(f"\nASIN {asin} 关键词排名:")
        print(gap)

    # Step 4: 差异化
    print(">>> Step 4: 差异化机会点")
    my_asin = "B0XXXXXXXX"  # 你的ASIN
    diff = research.find_differentiation(my_asin, top3, core_keywords)

    # Step 5: 启动监控
    print(">>> Step 5: 启动持续监控")
    research.monitor_changes(competitors, output_path="daily_monitor.csv")

五、MCP 方式：不写代码的替代方案

如果你不想写代码，或者你的运营团队需要自己操作，用 Amazon Data MCP 更合适。

# MCP 配置示例（claude_desktop_config.json）
{
  "mcpServers": {
    "amazon-data": {
      "url": "https://mcp.pangolinfo.com/amazon-data-mcp",
      "transport": "http"
    }
  }
}