【商品分析系列】- 供应商分析

五一假期过后，开始琢磨一个更完整的应用系列。这次尝试从供应商视角切入，借助Kimi来观察商品商业环境中的一些真实变化。

看效果

话原理

从供应商网站能拿到哪些数据？商品信息、成交量、价格变动、供应商评分——这些是直接可见的。但说实话，评价部分价值有限：数据量太少，买家也不怎么愿意写评语。所以这次实践的底层逻辑很清晰：定期抓取供应商某一品类的商品数据，通过数据波动来感知供货市场的动态变化。

需要补充一点：本次实践没有涉及供应商原材料层面的再洞察，后续会逐步完善这一环。

来实践

操作路径其实不复杂，分几步走：

第一步，用Instant Data Scraper这类工具抓取1688上的商品数据。第二步，把CSV文件转成yaml格式。第三步，创建一个prompt文件，核心分析维度如下：

- 热销商品Top2：标题、价格、成交量
- 复购商品Top2：标题、价格、成交量、复购率
- 新品Top2：日期、标题、价格、成交量

- 参数1：参数值

- 供应商名、综合评价得分、各分项得分

1. 价格变动
- 涨价Top2：价格变动值、变动后价格、变动前价格、商品标题、价格、成交量
- 降价Top2：价格变动值、变动后价格、变动前价格、商品标题、价格、成交量

2. 参数特征变动
- 参数1：参数值

第四步，调用Kimi大模型来输出我们关注的洞察报告。代码实现如下：

from openai import OpenAI
import pandas as pd

client = OpenAI(
api_key="xxx",
base_url="https://api.moonshot.cn/v1",
)

def read_prompt(filename):
with open(filename, 'r') as file:
return file.read()

def generate_insights(prompt):
completion = client.chat.completions.create(
model="moonshot-v1-8k",
messages=[
{"role": "system", "content": "你是商品洞察分析师"},
{"role": "user", "content": prompt}
],
temperature=0.3,
)
return str(completion.choices[0].message)

if __name__ == "__main__":
filename_prompt = 'prompt.txt'
prompt = read_prompt(filename_prompt)
insights_report = generate_insights(prompt)
with open('insights_report.txt', 'w') as file:
file.write(insights_report)
print("洞察报告已生成并保存到 insights_report.txt 文件中。")

写在最后

这次demo实践揭示了一个关键问题：大模型在处理大批量结构化数据时，其实并不算特别顺手。像价格变动、成交量这类数值统计，直接调用Python做计算效率更高、更准确；而涉及文本理解、趋势解读、特征判断这类需要“理解力”的工作，才是大模型的真正用武之地。云卷云舒，实践出真知——工具选对了，效率才能翻倍。