我们已经知道“爆款”在排名和销量上的表现是非常出色的即在短时间内爆款会以一个惊人的速度提升排名。因此，我们可以通过这一逻辑来抓取亚马逊的排名信息，从而获知哪些是有潜力的爆款。
从事Amazon 运营的从业者都知道，商品排名虽然是综合性排名，但是主要还是与订单量的大小有关。如果你的某一个款式订单量快速增加，那么其排名也会迅速上升。
现在我们已经知晓了一个爆款的产生过程了，那么如何去找到这些数据变化呢?首先，其他卖家某一款式的流量与订单量都是不可见的，这些属于商业机密只有商品排名变化才能被我们获取与分析。
通过以上逻辑推导，爬虫程序(如果运营本身不掌握编程技能，可以使用例如“八爪鱼”这样的第三方爬虫软件来完成数据的抓取)数据抓取选品过程如下：
(1)选取Amazon 上涉及的商品大类目。
(2)使用编程语言爬虫类程序爬取该类目400页商品排名信息。
(3)设定数据爬取更新周期，推荐为 4~12 小时。
(4)将排名变化数据导入数据分析软件或者程序中，建立模型评估该商品是否为“爆款”。
(5)使用所有 listing 优化方法对于该款准备上架的产品进行系统性优化，争取在前任卖家获得大额市场份额前击败对手。
当使用爬虫程序获得亚马逊各个产品的排名后，就需要根据各个产品的排名做数据分析，一般而言分为如下几个步骤:
第一步:确认选品退出机制。
首先根据大量的数据统计分析出“不受欢迎”的款式具有哪些特点，从而建立一个退出机制，及时将排名快速下跌的产品踢出。一般而言，产品 listing 排名下降的顺序为:销量减少→流量减少→销量最终为 0→排名快速下跌。为随机抽取的Amazon平台上10个排名下跌产品的排名数据变化。需要注意的是，虽然文字表达上较排名下跌，但是数值上是显示上升的，因为在亚马逊，排名数值越小销量越大。
当listing 没有订单时排名下降是具有一定规律的，平均数值为30000上下,即当listing 没有发生订单时,排名数值会以大约30 000/d 的速度增大因此，我们可以建立如下选品退出机制:如果某一 listing 的排名数值于x天(x可以取3~30任意数值，与类目相关，竞争度大的类目时间就可以放宽一些)平均每天数值增长30000左右时，判定该产品为“不受欢迎”的产品，不考虑在选品范围之内。
第二步:剔除排名稳定的热销款。
之所以要剔除稳定款，是因为当某一 listing 销量稳定时，其排名也会趋于稳定，亚马逊的A9算法会迅速帮助产品找到其对应的潜在顾客，这时再选其作为架款式已经错过了最佳上架时间，很难对前者形成反超，因此要别除这些产品。
假设我在同一时间记录数据(比如连续 10天于中国时间7:00~8:00记录数据)，以bodystocking类目为例，我们可以得到如下数据波动结论:
(1)排名标准差小于50000 以下的 listing 几乎都可以在A9算法中找到稳定搜索位置。(即listing下方都基本会有 Customers who bought this item also bought推荐栏目)。
(2)排名标准差大于 50000小于 100 000，多数listing下方会出现非稳定搜索位置推荐栏位(即大多数listing 下方都会有 Customers who viewed this item alsoviewed 推荐栏目，其出现比例随着排名标准差的增大而增加)。
(3)排名标准差大于100000以上的 listing 几乎都无法在A9算法中找到稳定搜索位置(即listing下方都会出现 Customers who viewed this item also viewed推荐栏目)。
根据以上结论，在众多款式中找出那些排名稳定的热销款，然后予以剔除。
第三步:找到潜力款式。
这里针对潜力款式又有两大类选品方案:一是排名上升类listing 选品(即排名数值呈现快速下降的趋势)。
二是非稳定排名listing选品，选择那些排名表现较好但是排名数值标准差较高的listing，其排名大幅度波动表明，这个listing 没有在A9搜索栏位中找到其适合搜索位置。一方面可能是运营水平不足所致;另一方面也代表 A9算法还未对产品本身的潜力顾客进行精准定位，仍有机会存在。
第四步:实时跟踪潜力款排名，最终确定上架款式。
当完成前三步后，我们已经通过数据分析挑选出了部分潜力款，其占比应该在 10%上下。但是鉴于爆款率一般为 5%以下，所以还需要做一次精简的工作，只需要实时监督潜力款排名即可。一旦发现其排名有稳定趋势且销量颇高，该品一定为热卖款，可以立即上架销售，如图4-17 所示。
当然，数据类选品需要强大的供应链支持，如果自身供应链较为薄弱，也不用担心，我们可以从批发网站上用同样的步骤抓取热销产品，从而搬到亚马逊站进行销售。
需要注意的是，如果选择数据类选品，数据抓取统计的时间为至少 1周，与此同时为了能够降低风险，需要再进行 1周的观测来确认款式是否为潜力款。但是如果等到确认是潜力款再整合供应链进行生产，待商品FBA到货时距离第一次数据分析已经过去至少 1个月。虽然产品的成长周期一般为 1个月以上，但是鉴于通过爬虫程序，实时跟踪亚马逊的每一个新上架新品的数据波动非常困难，所以最好把这个“数据分析+测款验证+真实销售”的周期控制在21天内。
建议通过如下两个方案来解决这一难题：
(1)前期先进行数据收集，找到一部分潜力款式，然后寻找其是否在 1688(阿里巴巴)或其他国内批发网站上拥有对应链接如果拥有链接目1688卖家支持小订单销售，则可直接购买小批订单。
在确认质量中等以上的情况下，于第一次数据抓取后的 10~15 天内，确认该款式为潜力款，将该小批订单直接发送 FBA 销售。当商品到货后，观察其流量走势，决定是否继续在 1688 采购或者自行生产。
(2)前期先进行数据收集，找到一部分潜力款式，直接开始制作样品，于第次数据抓取后的 10~15 天内，确认该款式为潜力款，同时确认样品发货，争取在25天内完成产品制作，争取1个月内将自行生产的产品发送FBA 销售。
考虑到亚马逊平台上很多中小卖家都是在 1688 等网站上进行产品购买，然后到亚马逊网站上进行销售，我们就可以实时分析这些批发网站上的销售数据，然后将销售数据暴涨的产品放到亚马逊上进行销售。
以裙子为例，我们先在 1688 上搜索“亚马逊裙子”，然后可以看到具体的销售信息。
之后通过同样的方法利用爬虫程序抓取其销售额，根据销售额的增长波动来判断哪些款式近期热卖，从而帮助运营者判断什么是近期的爆款产品。
需要注意的是，该方法有利也有弊。
利:实时跟踪竞争者数据变化，不放过 Amazon 平台上任何一款具有爆款潜质的商品；“爆款”评测客观科学，可以节约大量选品成本与测品时间。
弊:排名数据仍然具有一定程度的滞后性；对于运营者或者从业组织的T 能力与数据挖掘能力要求非常高；需要高效编译算法，否则信息处理周期过长；对供应链要求较高。
