AI 双雄联手：零基础3小时完成市场竞品数据分析自动化

本教程将手把手教你如何利用 Claude Code 和 Kimi K2 这对 AI 组合拳，自动化完成原本需要数天的人工市场竞品分析工作。只需3小时，你就能从零开始，采集17个竞品网站的数据，并生成一份可直接用于汇报的、带有交互图表的专业 HTML 报告。

一、 核心分析框架：“品类格子”战略分析法

在开始实操之前，我们首先需要理解一套非常落地的市场分析框架—— 品类格子 。它不是复杂的数学公式，而是一个将市场可视化、结构化的“作战地图”，专门用于回答产品战略问题。

1. 最终目标 (Why)

• 为公司找到市场机会点。
• 指导产品开发、定价和竞争策略。

2. 核心洞察 (What)

• 通过对比自家产品和整体市场的“品类格子”，看清我们在哪些品类、哪些价位段是 强势区 或 弱势区 。
• 发现尚未被充分竞争的 空白机会区 。

3. 实现路径 (How)

• 品类归一：不同品牌对同一产品的叫法五花八门，需要用 AI 将其统一成标准品类。
• 价位段划分：根据所有产品的价格分布，合理地划分出几个标准价位段。
• 数据采集：爬取自家和所有核心竞品网站的产品数据。
• 数据处理与可视化分析：绘制“品类格子”热力图、品牌定位散点图等，直观展示竞争格局。
• 策略建议：基于可视化洞察，给出可落地的业务建议。

二、 工具准备：搭建 AI 自动化工作台

成功的关键在于正确的工具组合。我们将使用 Claude Code 作为中央控制器，调用 Kimi K2 作为强大的大脑，并使用 Playwright MCP 作为执行数据采集的“手和眼”。

1. 安装 Claude Code

如果你还没有安装 Claude Code，请参考以下教程（此处为教程名称示例，请根据实际搜索）：

• 再见 Cursor，从0到1用上Claude Code后，惊呼这才是生产力工具｜保姆级教程

2. 获取并配置 Kimi K2 API

• 第一步：获取 API Key
  • 访问 Kimi 开放平台：https://platform.moonshot.cn/console/api-keys
  • 创建你的 API Key。
  • 新注册用户默认有 免费赠送15元额度 ，足够完成本次实战。

小提示： 创建好的 API Key 请妥善保存，这是连接所有工具的“通行证”。

• 第二步：在 Claude Code 中使用 Kimi K2

  这里有 两种方法 可以实现，任选其一即可。

  • 方法一（推荐）：使用一键安装脚本

    打开终端，粘贴并执行以下命令。系统会提示你输入上一步创建的 API Key，粘贴进去即可。

    bash -c "$(curl -fsSL https://raw.githubusercontent.com/LLM-Red-Team/kimi-cc/refs/heads/main/install.sh)"

  • 方法二：手动配置环境变量

    在终端中依次执行以下命令，将API Key替换为你的真实Key。

    # 告诉claude将所有通常指向 api.anthropic.com 的 API 调用重定向到 Moonshot AI 的兼容端点
    export ANTHROPIC_BASE_URL=https://api.moonshot.cn/anthropic
    export ANTHROPIC_AUTH_TOKEN=你的kimiAPIkey
    claude

  无论哪种方法，配置成功后，进入 Claude Code 界面即可开始使用 Kimi K2。

3. 安装 Playwright MCP

Playwright MCP 是让 AI 直接控制浏览器的工具，负责自动化地完成产品数据采集。

• 手动安装：

  在终端中执行以下命令：

  claude mcp add playwright -s user -- npx @playwright/mcp@latest

• 让AI帮你安装（更自由）：

  直接在 Claude Code 中输入指令：帮我安装 playwright MCP

小提示： 完成安装后，在 Claude Code 中输入指令 /mcp，确保能看到 Playwright 服务平台，才算安装成功。

三、 实战操作：Step 1 - 自动化数据采集

数据采集是所有分析的起点。在过去，针对不同独立站手动抓取数据可能需要数天，但现在，只需 一句话 就能让 AI 搞定。

1. 先让 AI 制定数据采集标准

在采集之前，先让 Claude Code 根据“品类格子”框架，生成一个定义好字段的 数据字段要求.csv 文件，告诉 AI 我们需要采集什么（如产品名、品类、价格等）。

2. 单站点试水测试

为了验证流程，先让 AI 采集一个网站的数据作为测试。输入以下指令：

请你调用 playwright mcp工具，@playwright 启动一个浏览器,对网站 https://www.mous.co/ 
  进行访问，采集这个品牌的数据，需要的数据字段要求看：数据字段要求.csv  
  不需要把所有产品都抓下来，但要求包含所有品类category_original，然后每个品类抓 top热门产品，总共至少20 
  个产品；把采集到的数据保存到 csv 文件中。注意不是让你写一个 playwright 脚本，而是调用 playwright 
  mcp工具来完成需求。前面你已经安装好了，如果没找到这个工具就先启动服务。

小提示： 你可以亲眼见证 AI 自主规划步骤：访问网站、定位元素、抓取数据、保存文件……整个过程非常流畅。

3. 批量采集 17 个竞品网站

一个网站的成功给了我们信心。接下来，直接向 Claude Code 下达批量采集指令。

开启“狂飙模式”

为了防止AI在执行过程中反复询问权限，请使用以下命令启动Claude Code：

claude --dangerously-skip-permissions

这个命令能一次性授予AI所有权限，实现真正的 “无人值守” 自动化操作。

一句话下达指令

将17个竞品网站的URL列表交给AI，并重复“单站点试水”的指令。AI会一个接一个地自动采集所有网站的数据。

小提示： 根据实测，运行约2小时后，消耗28.2k token，17个不同独立站的数据就能全部采集完成。

常见问题与解答

• 问： 数据采集过程中，AI 突然卡住或报错了怎么办？

  答： 首先，检查网络是否稳定，以及目标网站是否可以正常访问。其次，检查 Playwright MCP 是否仍在运行（输入 /mcp 查看）。如果问题依旧，可以尝试重启终端并重新执行命令。这属于小概率事件，通常重启即可解决。

• 问： 采集到的数据不全或格式不对怎么办？

  答： 可以具体地给AI下达修复指令，例如：“请重新采集ABC品牌的‘Charger’品类，因为之前的数据中缺失了部分热门产品。” AI 会根据你的反馈进行局部修正。

四、 实战操作：Step 2-4 - 分析与报告自动生成

数据采集完成后，接下来的分析、建模和报告生成可以一次性全部交给AI。我们需要提供一份清晰的“需求文档”（SOP）给AI。

1. 给 AI 下达分析任务

将以下长Prompt输入给 Claude Code。这个Prompt非常具体，包含了所有期望的分析维度：

这是我要做的Claude Code+数据分析场景：市场竞品分析。
   业务背景是：
   公司中，做什么产品，往往受产品结构限制，而产品结构是公司的「战略」，例如我们常见的畅销品、利润品等
   更具体的，产品结构可以通过「品类格子」来量化：按不同品类、不同价格段划分的多象限矩阵
   
   此时，再基于多竞品的数据，能形成整个市场的「品类格子」
   通过把自己公司和市场的对比，就能看出来可以看出公司当前哪些价位段、哪些品类上比较强势，哪些还比较弱，进而得出产品策略
   
   Claude Code方案：
   +playwright mcp 爬虫，把自家网站和竞品网站的产品信息爬下来，形成 csv
   基于 csv 做品类格子矩阵：
   1. 因为不同公司的品类定义不同，可以利用 AI 做品类划分
   2. 对价位段做标准划分
   可视化：做市场品类格子象限图，标出自家公司的产品
   最终得出结论，给出业务建议
   
   方案中的 1 爬虫已经完成了 ，数据放在了文件夹`各品牌产品数据`
   现在需要你完成 2.品类格子矩阵分析和 3.可视化、4. 结论建议
   注意不能直接用 AI 做分析，而是要决定好分析方法后写 python 脚本来完成分析，最后把可视化和结论建议做成 html
   这个过程的文件都要保存到文件夹`数据分析-kimi`中
   
   最终数据分析报告 html 要求：
   1. 数据说明与数据分析方法简述
   2. 市场总览、品牌竞争分析
   3. 品类分析 → 品类竞争格局
   4. 价位段分布 → 品牌平均价格对比雷达图
   5. 「品类格子」分析
   - 品牌市场定位分析：覆盖品类数-平均价 散点图，气泡大小代表产品数
   - 市场竞争度：手机配件品类-价位段 分布热力图
   - 各品牌在不同品类的产品数 分布热力图
   3-5 每个小节都要有数据分析小结论
   6. 分析结论与建议
   汇总前面的小结论，形成整体建议：
   - 市场进入机会
   - 产品组合优化
   - 定价策略
   - 竞争策略
   以及其他你认为有价值的分析与结论。

2. 修复与完善

AI生成的第一版报告可能不完美，比如图表分散在不同的HTML文件中。这时，只需下达明确的修复指令即可。

最终报告market_analysis_report.html中看不到图表，我看各种图表分散在不同 
   html，需要把它们都嵌入到最终报告里，确保最终报告什么都包含。

经过1-2轮简单的微调，一份高质量、专业化的市场分析报告就能出炉了。

常见问题与解答

• 问： AI 生成的报告不符合我的业务逻辑怎么办？

  答： 报告中的结论是基于AI对数据的理解。如果不符合预期，你可以直接“教育”它，例如：“报告中的建议部分，我关注的是‘低端市场’的进攻机会，而不是‘高端市场’的防守。请重新分析并修正结论。” AI 会根据你的反馈重新调整。

• 问： 生成的图表不够美观怎么办？

  答： 可以提出视觉要求，例如：“请将热力图的色系改成蓝色到红色的渐变，让红海市场更醒目。” AI 会修改相关代码，重新生成图表。

五、 成果复盘：一份“专业级”的市场洞察报告

最终，AI 会交付一份结构清晰、数据详实、结论可落地的完整报告，甚至包含整个项目的文件架构。

1. 报告核心价值

• 结构完整： 从市场总览、品牌竞争、品类分析，到核心的“品类格子”分析，逻辑层次非常清晰。
• 可视化专业： 包含品牌定位气泡图、竞争热力图、价格雷达图等交互式图表，直观揭示市场格局。
• 结论有深度： 基于数据分析，给出关于市场进入机会、产品组合优化、定价策略等具体建议。

2. 项目文件总览

AI 不仅会生成报告，还会生成一个项目文件夹，结构清晰，便于你随时查阅和修改。

以下是一个典型的项目文件架构示例：

数据分析-kimi/
├── ? 数据文件层
│   ├── processed_product_data.csv      # 清洗后的标准产品数据（416个产品）
│   ├── category_matrix.csv             # 品类-价位段矩阵数据
│   └── analysis_results.json           # 分析结果汇总JSON
├── ? 可视化层
│   ├── brand_positioning.html          # 品牌市场定位散点图
│   ├── category_competition_heatmap.html # 品牌-品类竞争热力图
│   ├── price_radar_chart.html          # 品牌价位段分布雷达图
│   ├── category_price_heatmap.html     # 品类-价位段竞争热力图
│   ├── price_distribution.html         # 价格分布箱线图
│   └── brand_comparison.html           # 品牌综合对比图
├── ? 报告层
│   ├── market_analysis_report.html     # 标准版分析报告
│   ├── enhanced_market_analysis_report.html # 增强版完整报告
│   ├── integrated_market_analysis_report.html # 集成版报告
│   └── embedded_market_analysis_report.html   # 嵌入式报告
├── ? 核心脚本层
│   ├── category_matrix_analysis.py     # 数据清洗+矩阵构建主脚本
│   ├── generate_visualizations.py      # 可视化图表生成
│   └── generate_report.py              # HTML报告生成
└── ? 项目文档
    └── README.md                       # 项目说明文档

六、 总结与核心要点

这次实战清晰地展示了 Claude Code + Kimi K2 组合如何重塑数据分析工作流。

• 工作流革新：从“做一步、看一步、卡一步”到 “把需求想明白，把结果等出来” ，人效提升 2 到 3 倍。
• 协作模式变化：从“人指挥，AI执行”到 “人给目标，AI自主规划” 。你现在可以把一个高阶、复杂的目标直接抛给它，它能自主地规划路径、调用工具、解决问题。

掌握这种全新的人机协作模式，将是我们在AI时代真正的核心竞争力。