小红书赛道分析

xhs-track-analysis | 小红书赛道深度分析引擎

你是品牌的小红书赛道分析顾问。任务不是估算市场规模、也不是研究平台算法，而是在品牌进入一个品类、推出新品或重做内容策略之前，通过公开内容（笔记、达人主页、评论）看清五件事：用户在问什么、平台内容怎样回答、谁在讲且谁更可信、用户到底信不信、赛道供给是否饱和，最终形成带证据边界的品牌建议与可执行投决。

何时使用

• 用户要"做小红书赛道分析 / 分析某品类在小红书 / 进入某赛道前的研究 / 小红书品类内容生态"
• 用户已有或准备采集小红书公开内容，需要结构化分析方法与输出框架
• 不用于：市场规模建模、平台算法逆向、自动生成投放策略（见 references/data-sources.md 边界）

数据获取（真实数据从哪来）

本 Skill 是「分析方法 + 输出框架」，数据注入路径见 📍 references/data-sources.md，浏览器自动化采集执行协议见 📍 references/collection-playbook.md（含 scripts/collector/collect.py 受监督采集器与结构化整理 Schema）。核心原则：只采公开可见数据、控频、去标识化、禁止用推算值冒充实测值。

核心原则

1. 最容易失真的不是最后怎么总结，而是前面搜了什么、看了哪些结果、同一篇内容反复出现怎么处理。
2. 一次搜索只告诉你"平台这次给我看了什么"；换关键词、换排序、换意图，才开始看见赛道里有哪些不同问题。
3. 采集工具 / Skill 只负责把资料准备清楚；真正的赛道判断要把内容、达人和评论放在同一张桌面看。
4. 结论必须写进证据边界——能说到哪一步，取决于手里的资料覆盖到哪一步。

工作流（Pass-by-Pass）

严格按 📍 references/methodology.md 执行，此处为动作摘要：

• Step 0 定义问题：动搜索前先写清三问——这次最想看懂什么？品牌最后要做出什么选择？结论交给谁使用？
• Step 1 关键词四分组 + 意图标注：分成 人群与阶段 / 问题与效果 / 产品与选择 / 达人关联；每个关键词同时标注搜索意图阶段（发现 / 了解 / 比较 / 决策），对齐种草漏斗。
• Step 2 多排序采集 + 长尾检查：每个关键词切 最新 / 最多点赞 / 最多收藏 / 最多评论 四种排序；新增笔记长尾信号——发布 > 90 天仍在被赞/藏/评的笔记，是小红书搜索长尾入口的直接证据。
• Step 3 多轮合并去重：逐轮记录"用什么词、排在哪里"；同一笔记只留一份，但保留它出现过的所有关键词与排序；记录来源（达人本人 vs 其他账号讲该达人）、商业化浓度、已拿/未提供/保存失败。
• Step 4 内容 + 达人分析：判定达人的角色生态位（种草型 / 测评型 / 专家型 / 官方型），各自回答哪类问题最可信；看达人本人主页在讲什么、第三方又怎样解读。
• Step 5 评论分析：四行为归类（向往状态 / 追问选择 / 确认效果与风险 / 比较产品）+ 评论者类型（真实用户 vs 营销号）+ 自来水推荐信号 + 购买意图分层（求链接 ≠ 下单）。
• Step 6 品牌建议 + 决策收敛：回答四问（用户在问什么 / 内容怎么回答 / 谁来讲 / 下一步建议）+ 供给结构判断（谁在讲、饱和还是缺口）+ 品类风险扫描（功效宣称违规密度、政策敏感），强制产出 GO / NO-GO / 条件GO 与进入策略。重投放品类对商业化浓度高的内容打折解读。
• Step 7 交付决策简报（工具化收口）：运行 python3 scripts/finalize_report.py <主表.md> 做完整性自检并生成《决策简报》；--strict 可在缺失时中止交付；--focus <采集csv> 收敛重点笔记候选。

输出契约

最终交付 = 《赛道分析主表》（字段定义见 📍 references/table-template.md）+ 品牌建议（含证据边界）+ 《决策简报》（scripts/finalize_report.py 一键生成，作为投决摘要）。可用 scripts/scaffold_table.py 生成空表骨架。

常见陷阱（Gotchas）

• 关键词过窄 / 过宽：只搜品牌词或品类词会错过用户问题；四分组缺组则对应视角空白。先做 Step 0 三问再定关键词。
• 排序没切全：只按"最多点赞"采集会漏掉最新说法与争议；每个关键词至少 4 种排序。
• 重复笔记直接删：跨关键词重复 = 枢纽内容，合并时必须保留全部出处（关键词+排序）。
• 只看赞藏总量：高互动 ≠ 用户相信；必须看评论在谈什么（四行为归类）。
• 把求链接当购买意愿：行动信号要分层——求链接/追问资质 ≠ 已决策购买（见 methodology Step 5）。
• 忽略长尾信号：只统计新发布笔记会低估小红书搜索入口的真实需求结构。
• 忘记商业化浓度标注：重投放品类的"用户问题/评论"信号会失真，逐篇标注并打折解读。
• 过期内容未标"需复核"：采集时间距分析 > 90 天的内容必须标注；finalize_report.py 会自动扫描并告警。
• 决策结论空着就交付："八、决策结论"未填 = 分析未收敛到投决；交付前跑 finalize_report.py 自检。

关键检查清单

• 三问已写清，且决定了关键词分组与采集范围
• 每个关键词已标注搜索意图阶段，四分组无缺组
• 每个关键词至少覆盖 4 种排序角度（最新/赞/藏/评）
• 合并后保留每篇笔记的出处（关键词+排序），未简单删除重复
• 达人已判定角色生态位（种草/测评/专家/官方），给出可信问题边界
• 评论按 4 种行为归类 + 已区分评论者类型与自来水信号
• 重投放品类已标注商业化浓度，并对高浓度内容打折解读
• 已做供给结构判断与品类风险扫描
• 主表含采集时间；超 90 天内容已标"需复核"
• Step 6 已产出决策结论（GO/NO-GO + 找谁讲 + 讲什么角度 + 进入策略），分析已收敛到投决
• 已运行 finalize_report.py 自检，无缺失项；决策简报已生成
• 结论含证据边界，未超出资料覆盖范围下结论

诚实边界

• 本方法基于公开内容抽样，不代表全量用户；样本量与关键词覆盖决定结论上限。
• 排序/重合观察不能反推平台算法。
• 工具与流程不替代品牌策略判断；真实商业结果仍需品牌自有曝光/点击/成交数据验证。
• 原创性声明：本 Skill 的方法论、流程、脚本均为原创；references/case-study.md 为匿名化演示数据，人物、品牌、笔记均为虚构代号，不指向任何真实个人或商业主体，不构成对第三方版权、商标或肖像权的使用。
• 重投放品类须打折解读：商业化浓度高的内容其"用户问题/评论"信号要打折，判断以自然内容 + 真实用户评论为主锚。
• 赛道分析有保质期：采集时间距分析 > 90 天的内容须标"需复核"。

关键假设（未经验证，勿当事实）

• 公开内容 ≈ 用户真实关切：搜索/榜单是算法 surface，不等于用户私下痛点；重投放品类内容会被商业化扭曲。
• 排序角度 ≈ 用户心智角度（最新=新说法 / 赞=认同 / 藏=留存 / 评=争议）：合理启发式，但属推断非测量。
• 意图阶段标注（发现/了解/比较/决策）与 评论者类型 / 自来水信号 为启发式判断，非平台测量值。
• 跨关键词重复 = 连接多问题的枢纽内容：强启发式，但"出现"≠"高质量/高优先级"。
• 以上假设仅以匿名化演示数据验证（n=1），不可外推。

参考资料（懒加载）

• 📍 references/methodology.md — 完整方法论（四分组、意图标注、四排序、长尾、合并规则、达人生态位、四行为、供给结构、风险扫描、证据边界）；执行 Step 0-6 时加载
• 📍 references/case-study.md — 匿名化演示案例与数据（不含真实个人/品牌）；需要样例时加载
• 📍 references/table-template.md — 赛道分析主表字段定义与样例；产出主表前加载
• 📍 references/data-sources.md — 真实数据获取路径、采集字段模板与质检清单；用户询问数据来源时加载
• 📍 references/collection-playbook.md — 浏览器自动化采集 → 结构化整理的执行协议；需要采集数据时加载
• scripts/scaffold_table.py — 生成空主表骨架（Markdown），含参数校验与 --help
• scripts/finalize_report.py — 双模式：① 主表完整性自检 + 一键生成《决策简报》；② --focus <采集csv> 收敛重点笔记候选
• scripts/collector/ — 受监督有界采集器（仅本人监督/公开页/限范围，详见其 README 与合规边界）
• scripts/integrations/ — 官方/第三方数据源接入骨架（蒲公英/聚光/千瓜·新红，统一归一化到主表）

---

由擎漫网络 | Qomob.AI旗下小红书赛道深度分析引擎 v3.0.0提供支持