继上一轮供应商视角分析之后，尝试借助 pandas 进行数据处理，整体效率确实有了明显提升。本次将围绕售卖端数据，基于大模型展开一轮深度分析，后续再根据实际效果持续优化迭代。
效果预览
原理剖析
通过 AWS 平台可获取商品详情、销量、价格、促销活动等多项参数。定期抓取特定品类下的商品数据，便能实时感知售卖端的变化趋势。简而言之，相当于为市场安装了一个“动态监控系统”。
需要特别说明的是，本次分析暂不涵盖二手商品，后续将单独进行专题研究。
实操步骤
具体操作分为四个阶段：
第一步：数据采集
利用 Instant Data Scraper 等工具，抓取供应商（1688）的商品信息。
第二步：格式转换
将 CSV 文件转换为 YAML 格式，便于后续程序调用与处理。
第三步：编写 Prompt 文件
核心逻辑结构如下：
- 单品洞察
- 热销商品 Top5：商品标题、价格、销量
- 新品 Top5：上架日期、商品标题、价格、销量
- 热销参数特征
- 热销参数及对应参数值 Top5
- 价格分布
- 价格区间、销量范围等汇总分析
- 趋势洞察
- 价格波动：涨价 Top5（变动幅度、变动后价格、变动前价格、商品标题、价格、销量）、降价 Top5（同理）
- 参数特征变动趋势：特征→特征值
- 促销及宣传建议
- 针对性促销策略与宣传要点
第四步：调用大模型
本次选用 Claude3 Opus，输入 Prompt 后直接获取分析结果。
写在最后
实践过程中发现，大模型在处理数值统计类任务时，效率仍不及传统方法——面对大量计算场景，传统统计工具更为可靠。这也再次印证了“因事择器、各尽其用”的道理。
今早醒来看到 GPT-4o 发布的消息，实在令人振奋。更智能、更实时，图文与语音能力全面升级。正好本周有 OpenAI Day 活动，值得持续关注，期待从中获得有价值的启发。
最后分享一点个人体验：晨跑该提上日程了，读小说能让人放松心情，有空就参与交易、多深入思考。一步一步来，总会越来越好。
```