摘要：推广前先算清能不能打赢
很多新品不是死在产品本身，而是死在开打之前没有把仗算清楚。
运营觉得图片还可以，老板觉得价格有优势，广告同事觉得关键词能推，设计同事觉得 A+ 已经做得很满。
然后预算一开，问题才陆续暴露出来：
主图点击率不如对标竞品。
标题埋词不如竞品。
五点没有把核心场景讲透。
A+ 看起来好看，但没有回答买家真正担心的问题。
评论里的差评痛点，其实竞品早就用副图和文案提前化解了。
后台结构化参数缺字段，前台页面看不出来，系统却可能读不到。
红人视频、买家视频、From the Brand、What's in the box 这些细节，我们以为不重要，买家却可能在最后一步被竞品截走。
这就是我做 amazon-competitor-comparison 这个 Skill 的原因。
它不是为了再多生成一份漂亮报告。
它解决的是一个更朴素，也更值钱的问题：
在新品上架，或者老品准备重推之前，我们能不能先和目标竞品打一场 1v1 的深度产品 PK，确认自己真的打得过，再去大力推广？
《孙子兵法》里有一句话，很多卖家都听过：
胜兵先胜而后求战，败兵先战而后求胜。
放到亚马逊运营里，就是一句很直白的话：
不要把广告预算拿去验证一个还没有准备好的 Listing。
先把该改的地方改掉，再往前冲。
这篇文章，我不讲抽象的 AI 概念，只分享这个 Skill 背后的思路、结构和用法。
一、为什么不是“竞品分析”，而是“竞品单挑”
很多人做竞品分析，第一反应是拉一张大表。
10 个竞品，20 个字段，价格、评分、Review 数、BSR、品牌、上架时间、月销、月销售额。
这当然有价值。
但在真正准备推广一个 ASIN 的时候，卖家面对的不是一个抽象市场，而是一个具体对手。
买家在搜索结果页里看到的是你和它。
广告位里抢点击的是你和它。
自然排名里争位置的是你和它。
详情页里影响转化的是你和它。
同一批关键词下，买家会在几个看起来最像的产品之间来回比较。
所以，上新或重推前最关键的问题，不是“这个市场大不大”，而是：
我准备抢谁的流量？我凭什么抢得动？
这也是这个 Skill 的基本假设：
不是泛泛看行业，而是把“我方 ASIN”和 1 到 5 个对标竞品放到同一个战场里，逐项拆开比较。
标题和标题比。
五点和五点比。
主图和主图比。
副图和副图比。
A+ 和 A+ 比。
评论和评论比。
关键词和关键词比。
广告迹象和广告迹象比。
后台字段和后台字段比。
红人视频、品牌模块、装箱清单这些细节，也一起比。
最后不是给一句“还不错”，而是输出：
我方现在到底领先在哪里，短板在哪里，哪些必须马上改，哪些可以第二阶段改，哪些只是长期优化。
这就是“竞品单挑”和普通竞品分析最大的区别。
普通竞品分析经常停留在“知道”。
竞品单挑必须走到“决策”：
这个主图要不要重做？
这条五点要不要重写？
A+ 是否缺一个对比表？
差评痛点要不要在副图里提前回答？
价格和优惠券能不能支撑转化？
核心词上，我方是主动进攻，还是先避开竞品强势区？
没有这些动作，报告再厚也没有意义。
二、一个好的 Skill，不是提示词，而是可重复的作战 SOP
很多人对 AI Skill 的理解，还停留在“写一段更长的提示词”。
但真正能在运营里稳定使用的 Skill，不能只是提示词。
它更像一套可重复调用的工作 SOP。
一个人做竞品对比时，脑子里会有很多隐性经验：
先看主图，因为它决定点击。
再看标题前半段，因为移动端和搜索结果页可见信息有限。
再看五点，判断卖点有没有场景和证据。
再看 A+，判断是不是只是堆图，还是在建立信任。
再看评论，判断消费者真实在夸什么、骂什么。
再看关键词，判断竞品到底从哪里拿流量。
再看后台字段，判断这个 Listing 有没有被系统完整理解。
最后把所有问题排优先级，不然团队不知道先改什么。
这个 Skill 的价值，就是把这些隐性经验写进流程里。
它的目录大概由几类内容组成：
amazon-competitor-comparison/
SKILL.md
data-guide.md
mcp_data.sample.json
prompts/
01_title.md
02_bullets.md
03_description.md
04_main_image.md
05_side_images.md
06_aplus.md
07_reviews.md
08_final_insights.md
scripts/
parse_html.py
parse_excel.py
parse_spapi.py
generate_report.py
SKILL.md 负责定义主流程。
它告诉 Agent：输入是什么，先检查什么，哪些数据源必须存在，哪些脚本可以并行跑，MCP 数据怎么调用，失败后怎么重试，最终报告要按什么章节输出。
data-guide.md 负责告诉用户怎么准备数据。
比如每个 ASIN 的 Amazon 页面 HTML 放在哪里，主图和副图放在哪里，A+ 图放在哪里，SellerSprite Excel 怎么命名，SP-API JSON 怎么放。
prompts/ 目录不是一段大而全的提示词，而是把分析拆成 8 个模块。
标题是标题。
五点是五点。
描述是描述。
主图是主图。
副图是副图。
A+ 是 A+。
评论是评论。
综合洞察是综合洞察。
这样做的好处很明显：
第一，每个模块有自己的判断标准。
第二，中途可以纠偏，不必等到最后才发现方向错了。
第三，每个模块都能落盘保存，不容易因为一次长任务失败丢掉全部分析。
第四，最后的综合结论不是凭空写出来，而是前面七个模块逐层汇总出来。
这就像把一个资深运营的脑内流程拆成了可执行步骤。
三、这个 Skill 的数据逻辑：先拿证据，再下判断
我最不希望 AI 做的一件事，就是在没有证据的时候说得很像专家。
所以这个 Skill 的底层设计，不是让 AI 直接评价“这个产品好不好”，而是先把证据拿全。
它主要吃四类数据。
第一类，是 Amazon 前台 HTML。
这部分用来解析标题、品牌、价格、优惠券、促销、配送、库存、购买标签、Top reviews、From the Brand、What's in the box 等页面元素。
第二类，是图片。
包括主图、副图、A+ 图片。
这里不能只看文件名，也不能用规则猜。这个 Skill 的要求是直接调用多模态视觉能力，让模型真实看图，描述它看到的构图、颜色、文字、人物、道具、场景和信息层级。
第三类，是 SellerSprite Excel 和 MCP 数据。
Excel 可以提供商品数据和评论数据。MCP 调用可以补充 asin_detail、traffic_keyword、competitor_lookup、review、keyword_research 等信息。
这里有一个很重要的规则：
MCP 阶段不能用 mock 数据，必须真实调用。
因为关键词、月销、评论、广告迹象这些东西，一旦用模拟数据，后面的结论就会看起来完整，但其实没有决策价值。
第四类，是 SP-API 的 Catalog Items 原始 JSON。
这部分不只是给人看的，而是给系统看的。
前台页面像店面装修，SP-API 字段更像后台商品档案。标题、bullet、尺寸、材质、包装、变体、分类、属性填得完整不完整，会影响系统理解这个商品的方式。
所以这个 Skill 里专门有一章叫“后台 JSON 完整度”。
它不是为了技术炫技，而是提醒卖家：
Listing 优化不只是前台文案和图片，也包括后台结构化字段是否被系统读懂。
四、标题怎么比：不是越长越好，而是前 80 字符能不能打
标题分析最容易出现两个误区。
一个误区是只看长度。
觉得标题越长，埋词越多，就越好。
另一个误区是只看关键词。
把核心词塞进去，但前半段读起来没有产品定位，也没有转化卖点。
这个 Skill 的标题模块会看几件事：
标题总长度是多少。
标题前 80 字符写了什么。
核心流量词有没有覆盖。
Top 10 流量词里，有哪些词标题没覆盖。
标题骨架是不是清楚，比如“品牌 + 型号 + 核心功能 + 规格 + 人群/场景”。
前 80 字符对核心词和转化卖点的覆盖力如何。
整体信息密度如何，有没有废话。
为什么强调前 80 字符？
因为很多场景里，买家看到的不是完整标题。
搜索结果页、移动端、广告位、推荐位，都可能只展示标题前半段。
如果前半段只是品牌、型号和一堆不关键的形容词，而竞品前半段已经把核心词、核心规格和核心人群讲清楚，那你的点击就会先输一轮。
这个模块最后不是简单说“标题要优化”，而是会给出类似这样的判断：
我方标题覆盖了哪些核心词。
缺了哪些竞品正在拿流量的词。
前 80 字符是否浪费。
最应该马上改的词序和结构是什么。
这对新品尤其重要。
新品没有评论积累，没有品牌心智，标题前半段就是第一张“语言主图”。
五、五点怎么比：不要只列卖点，要证明买家为什么该信你
五点描述的核心，不是把所有功能都写一遍。
它真正要完成三件事：
让买家知道这个产品解决什么场景。
让买家相信这个卖点是真的。
让买家快速判断它是否适合自己。
这个 Skill 的五点模块会拆：
每个 ASIN 有几条 bullet。
平均长度是多少。
结构是“场景 + 卖点”，还是“卖点 + 参数”，还是单纯堆功能。
每一条 bullet 的核心卖点是什么。
有没有对应的人群、场景、证据。
是否覆盖核心流量词。
可读性如何。
最大弱点具体在第几条。
它还会做一件很有价值的事：
从竞品五点里提炼 best practice。
比如某个竞品的第 2 条 bullet 不只是写“battery life”，而是写清楚“for long shifts, night patrol, warehouse security”。
这背后的写法不是“续航好”，而是“续航 + 使用时长 + 人群 + 场景”。
我方可以学的不是原句，而是结构。
再比如某个竞品的五点每条都用大写短语开头，后面跟参数和场景，扫读效率很高。
这就可以转化成我方的写作模板。
所以五点分析的重点，不是让 AI 夸谁写得好，而是回答：
竞品有哪些写法正在帮助它转化？我方能不能用自己的真实卖点改出更强版本？
六、主图怎么比：第一眼点击力，是最贵的一道门
很多 Listing 的优化顺序是反的。
先改 A+，再改五点，再改描述，最后才想到主图。
但买家如果没有点进来，后面的内容根本没有出场机会。
主图决定第一层点击。
所以这个 Skill 把主图单独作为一个多模态模块，要求模型直接看每个 ASIN 的主图，并给出：
产品角度。
背景类型。
有没有文字叠加。
有没有人物或道具。
视觉焦点在哪里。
在缩略图状态下是否有点击吸引力。
是否有潜在合规风险。
视觉冲击力、信息密度、卖点聚焦、点击吸引力分别打几分。
这里要特别强调一点：
主图不是越花越好。
亚马逊对商品图片有明确要求，主图尤其要注意背景、产品占比、文字、图形、道具等要求。不同类目还可能有更细规则，所以实际发布前一定要按后台和官方要求复核。
Skill 可以帮助我们识别明显风险，比如主图里出现叠加文字、夸张图形、人物、道具、水印等。
但它不能替代卖家对类目规则的最终确认。
主图模块最有价值的地方，是它会把竞品主图按综合得分排序，并给出我方动作建议：
保持。
微调。
重做。
这三个词比“主图还可以”有用得多。
如果我方主图排在前二，可能只需要微调光影、角度和留白。
如果排在中间，就要明确改哪几个细节。
如果排在末两位，就不要自我安慰，直接重拍或重做。
主图是点击率问题，也是预算效率问题。
广告花出去之前，先问一句：
这张图在搜索结果页里，真的能从目标竞品手里抢点击吗？
七、副图和 A+ 怎么比：不是做得漂亮，而是信息链有没有闭环
副图和 A+ 是转化中段。
买家点进来以后，第一屏看主图和价格，继续往下看时，就进入“我到底信不信你”的阶段。
副图负责快速解释产品。
A+ 负责建立更完整的信任。
这个 Skill 看副图时，不是笼统说“设计不错”，而是逐张分类：
场景图。
参数图。
卖点图。
对比图。
包装图。
尺寸图。
细节特写。
文字海报。
然后看组合是否完整。
有些产品副图看起来很多，但全是重复角度，没有参数，没有尺寸，没有对比，没有包装清单。
这就不是信息丰富，而是图片堆叠。
A+ 模块也是一样。
它不是数图片数量，而是看叙事模块：
首图大 banner。
品牌故事。
卖点列表。
场景图组。
对比表。
参数表。
包装清单。
售后承诺。
FAQ。
CTA。
一个好的 A+，不是从上到下都在喊“我们很好”。
它应该有节奏：
先让买家确认“这是我需要的东西”。
再解释核心卖点。
再给场景和细节。
再用对比表降低选择成本。
再回答高频疑虑。
最后补充包装、售后和品牌信任。
这个 Skill 最终会提炼：
哪个竞品的 A+ 最值得学习。
哪些模块可以借鉴。
我方缺什么模块。
应该优先补哪一张图。
补这张图是 P0，还是 P1。
对运营团队来说，这比“把 A+ 优化一下”清楚很多。
因为设计师拿到的是具体任务：
补一张什么图。
解决什么疑虑。
参考哪个竞品的哪种模块。
优先级为什么这么排。
八、评论怎么比：差评不是负面材料，而是转化素材
评论分析最容易被误用。
很多人只看评分和 Review 数。
评分高，Review 多，就觉得强。
评分低，Review 少，就觉得弱。
但真正值得看的，是评论里的共识。
买家反复夸什么？
买家反复骂什么？
哪些痛点是全行业都被骂的？
哪些好评点是某个竞品独有的？
我方差评里有没有高危问题？
页面顶部展示的 Top reviews，会不会劝退新买家？
这个 Skill 的评论模块会优先使用 MCP review 数据，其次用 Excel 评论数据，再用 HTML Top reviews 兜底。
它会输出：
正向主题。
负向主题。
代表性评论。
评论首屏冲击力。
信任信号。
警告信号。
评论运营建议。
这里最有价值的是 shared negative themes。
如果多个竞品都被骂同一个问题，比如安装麻烦、续航虚标、尺寸不准、夜间效果差、说明书不清楚，那这不是普通差评。
这是机会。
如果我方产品真的解决了这个问题，就应该把它前置到主图、副图、五点、A+、视频里。
如果我方没有解决，那就别急着推广。
先改产品，或者至少改内容呈现，把预期讲清楚，避免买家误解后给差评。
评论不是拿来吓自己的。
评论是买家免费写出来的需求文档。
九、关键词和广告怎么比：公开数据能推断方向，但不能假装看见后台
这个 Skill 会用 traffic_keyword、keyword_research 等数据，做关键词差距和广告迹象分析。
它会看：
哪些词是竞品都有、我方没有。
哪些词是我方独有。
哪些词在多个 ASIN 上都有高流量占比。
哪个 ASIN 拿到了 Amazon's Choice 相关词。
哪些词上出现了 SP、SB、SV 等广告迹象。
广告流量占比可能更偏哪里。
匹配类型可能是什么。
但这里必须有边界。
公开关键词数据可以帮助我们推断竞品打法。
比如某个竞品在核心大词上长期有 SP 迹象，可能说明它在抢大词流量。
某个竞品在精准长尾词上有广告位，可能说明它在收割高意图词。
某个竞品在视频广告迹象上更强，可能说明它在用内容型素材拉转化。
但这些都不是竞品后台广告活动数据。
所以文章和报告里必须写清楚：
广告匹配类型、投放结构和预算强度，只能基于公开关键词数据做合理推断，不能当成真实广告后台。
这个边界很重要。
否则 AI 报告会给人一种错觉：好像我们已经看到了竞品的广告账户。
事实上没有。
我们看到的是公开数据留下的痕迹。
这些痕迹足够帮助我们制定方向，但不能替代自己的广告测试和后台验证。
十、后台 JSON 怎么比：系统读不懂，前台写得再好也会打折
很多卖家优化 Listing，只盯着前台页面。
标题写了。
五点写了。
图片做了。
A+ 上了。
但后台结构化字段经常被忽略。
SP-API Catalog Items 数据里可以看到 attributes、classifications、dimensions、summaries、identifiers、relationships、salesRanks 等信息。
这不是给买家直接看的内容，却和平台如何理解商品有关。
这个 Skill 会把我方和竞品的后台字段拉成矩阵。
哪些字段竞品都填了，我方没填。
哪些字段我方填了，但质量很差。
哪些字段会影响包装、尺寸、材质、适配场景、变体关系。
哪些字段不一定立刻影响转化，但会影响长期目录质量。
举个简单例子。
如果 5 个竞品里 4 个都完整填写了 warranty_description、item_dimensions、included_components，而我方缺失，那就不是“后台小问题”。
这可能意味着买家在前台找不到信息，系统在结构化理解时也少了一层证据。
所以综合报告里会把后台 JSON 完整度放进优化建议。
这也是我认为 Skill 比普通 prompt 更有价值的地方。
普通 prompt 很少主动提醒你看后台字段。
真正的运营 SOP 会提醒你：别只修前台，后台档案也要补齐。
十一、最后交付的不是报告，而是推广前的决策门禁
这个 Skill 最终会生成一份 HTML 报告。
报告有 24 个章节，包括头部 ASIN 卡片、标题、五点、描述、主图、副图、A+、品牌、变体、评论数、转化标签、购买标签、价格优惠、结构化参数、关键词差距、广告推断、红人视频、From the Brand、装箱清单、评论页面、后台 JSON、移动版人工核对提示和最终总结。
但我更关心的不是章节数量。
我更关心最后的三块：
优势。
短板。
优先级行动清单。
一份能指导推广的竞品对比报告，必须能回答 5 个问题：
- 我方现在凭什么能赢？
- 我方现在最危险的短板是什么？
- 哪些问题不改就不应该放大预算？
- 哪些问题一天内能改完？
- 哪些问题需要拍摄、重做 A+、改产品或重新定位？
所以综合洞察模块会把动作拆成：
P0：不改就不要大推。
P1：应该尽快改，影响转化或流量承接。
P2：中长期优化，不阻塞启动，但会影响上限。
这才是这个 Skill 真正的用途。
它不是让我们更会写报告。
它是让我们在推广前多一道门禁：
证据不够，不大推。短板明显，先修。优势成立，再冲。
十二、实际怎么用：给团队一套可执行流程
如果你要在团队里使用这个 Skill，我建议不要把它当成“临时分析工具”，而是放进新品和老品重推的固定流程。
第一步，选对对标竞品。
不要只选最弱的，也不要只选行业第一。
你要选的是你准备抢流量的那个竞品。
它可能是广告位里最常撞到的。
可能是自然排名前几名里定位最像的。
可能是价格带接近、卖点接近、买家最容易拿来比较的。
也可能是你准备重推老品时，最想追上的那一个。
第二步，准备数据源。
按照 data-guide 的结构，把每个 ASIN 的 HTML、主图副图、A+ 图片、SellerSprite Excel、SP-API JSON 放好。
数据源越完整，报告越有价值。
如果某个 ASIN 没有 HTML，它就无法完整做页面要素对比。
如果没有主图或 A+ 图，视觉分析就会缺失。
如果没有 SP-API JSON，后台字段矩阵就出不来。
如果没有 MCP 数据，关键词、广告、月销、评论模块就会明显变弱。
第三步，跑 Skill。
可以这样对 Agent 说：
帮我跑 amazon-competitor-comparison。
数据源文件夹是：D:/xxx/竞品对比数据源
我方 ASIN 是：B0XXXXXXX
竞品 ASIN 是：B0AAAAAAA, B0BBBBBBB, B0CCCCCCC
请先检查数据完整度，再按 Skill 流程生成报告。
第四步，不要跳过数据完整度检查。
很多错误不是发生在分析阶段，而是发生在数据准备阶段。
HTML 文件名不对。
图片没有按 ASIN 分文件夹。
A+ 图顺序乱了。
SP-API JSON 不是最新。
Excel 里没有对应 ASIN。
MCP 数据调用失败没有落盘。
这些问题如果不先暴露，后面的报告会看起来完整，但其实有缺口。
第五步，读报告时先看最后。
我建议先看最终总结和 P0 清单。
如果 P0 里出现主图重做、A+ 补对比表、标题前 80 字符重排、核心词缺失、评论高危痛点未回应，就先不要急着看细节。
先把这些问题分配出去。
第六步，再回到模块里找证据。
P0 说主图要重做，就回到主图章节，看我方排第几、输在哪里、应该参考谁。
P0 说五点要重写，就回到五点章节，看具体第几条弱、缺什么场景和证据。
P0 说 A+ 缺对比表，就回到 A+ 章节，看竞品哪一个模块最值得学。
P0 说评论痛点要回应，就回到评论章节，看高频差评是什么。
第七步，把报告变成排期。
不要让报告停在“已读”。
可以继续让 Agent 把 P0/P1/P2 转成执行表：
请把这份竞品对比报告里的 priority_actions，
整理成一个 14 天优化排期。
字段包括：优先级、任务、负责人角色、所需素材、预计耗时、验收标准。
这一步很关键。
因为真正决定结果的，不是报告质量，而是团队能不能把报告里的动作做完。
十三、这个 Skill 适合哪些场景
我认为它最适合四类场景。
第一，新品上线前。
这是最应该用的场景。
新品没有历史数据，最怕一上来就拿广告预算硬冲。
先和目标竞品做一次 1v1，可以提前发现主图、标题、A+、评论预期、关键词覆盖上的问题。
第二，老品准备重推前。
很多老品不是不能推，而是 Listing 老化了。
竞品图片升级了，A+ 重做了，评论里沉淀出新需求了，关键词打法也变了。
这时不要直接加预算。
先拿老品和当前强竞品打一场单挑，看看差距是不是已经变大。
第三，准备换主图或重做 A+ 前。
设计团队最需要的不是一句“更高级一点”，而是清楚的参考和目标。
这个 Skill 可以把竞品副图和 A+ 里的优秀模块拆出来，变成具体拍摄和设计任务。
第四，广告表现突然变差时。
如果 CTR 掉了，先看主图和标题。
如果 CVR 掉了，先看副图、A+、评论、价格和优惠。
如果关键词转化变差，先看竞品是不是在同一批词上强化了广告和内容素材。
广告问题不一定只在广告后台。
很多时候，广告只是把 Listing 的短板放大了。
十四、不要误读：Skill 不能替代卖家的判断
这个 Skill 很强，但它不是自动保证胜利的机器。
有几个边界必须说清楚。
第一，移动版仍然要人工核对。
这个 Skill 主要基于桌面版 HTML 和本地图片做分析。移动端的副图顺序、移动 A+、不同设备展示差异，仍然需要卖家用手机实际检查。
第二，广告分析是公开数据推断。
它可以看 SP、SB、SV 等广告迹象，可以基于关键词类型推断打法方向，但不能当成竞品真实广告后台。
第三，视觉分析依赖图片质量。
如果你给的图不完整、顺序乱、分辨率低，模型看图再认真也会受影响。
第四，评论分析依赖数据源。
评论抓取不全时，只能基于已有评论判断，不能假装看到了全部消费者反馈。
第五，工具不能替代产品真实能力。
如果竞品差评集中在某个硬件问题，而我方产品并没有解决，那文案写得再好，也只是延迟问题爆发。
第六，合规要最终人工确认。
主图、文案、类目字段、宣称、认证、敏感词、医疗或安全相关表达，都需要按类目规则和后台提示复核。
Skill 可以帮你发现风险，不能替你承担合规责任。
这些边界不是削弱工具价值。
恰恰相反，边界越清楚，工具越能在正确位置发挥作用。
十五、我希望卖家真正带走的，不是这个工具，而是一种推广前习惯
这个 Skill 的核心思想，可以浓缩成一句话：
把“能不能打过竞品”从感觉题，变成证据题。
以前我们经常凭经验判断：
这个产品不错。
图片还行。
价格有优势。
竞品也没多强。
先推起来看看。
但亚马逊推广的成本越来越高，试错越来越贵。
“先推起来看看”本质上是在用预算买教训。
更好的做法是：
先选定对标竞品。
先做 1v1 深度 PK。
先把标题、五点、主图、副图、A+、评论、关键词、广告迹象、后台字段全部过一遍。
先把短板改掉。
先小流量验证。
最后再放大预算。
这不是保守。
这是更高胜率的进攻。
胜兵先胜而后求战。
放在今天的跨境电商里，就是：
先让 Listing 有资格赢，再让广告去放大这个胜率。
资料来源与说明
本文关于 amazon-competitor-comparison 的流程、字段和模块，来自用户提供的本地 Skill 压缩包：C:/Users/peter/.cursor/skills/amazon-competitor-comparison.zip。
亚马逊图片要求、主图合规判断，应以卖家后台和官方帮助文档为准：
Amazon Seller Central 商品图片要求
SP-API Catalog Items 的用途和字段，应以官方开发者文档为准：
Selling Partner API Catalog Items API v2022-04-01
文中关于广告匹配类型、竞品投放方向、品牌影响力和转化表现的判断，属于基于公开数据和页面证据的业务推断，不等同于竞品后台真实数据。