AI 竞品数据分析：公开数据 + AI 推理的竞争情报挖掘

AI 竞品数据分析：公开数据 + AI 推理的竞争情报挖掘

大家好，我是朱大喜！今天聊一个特别好玩的场景——用 AI 做竞品分析。不是那种靠爬虫去扒别人后台数据的灰色操作，而是光明正大地用公开信息 + AI 推理能力，拼出一份高质量竞争情报。合法合规，还能让老板眼前一亮。

一、竞品分析的传统困境

做过竞品分析的同学都知道，这活儿很尴尬。常规做法无非几种：

方法一：手动收集。每天打开竞品 APP 看更新了什么功能，刷竞品的公众号、微博、小红书看发了什么内容。效率低不说，还经常漏掉重要信息。

方法二：爬虫采集。写爬虫去竞品网站和应用商店爬数据。但这方法不仅技术门槛高，法律风险也大，一个不小心就收到律师函。

方法三：买商业报告。花几万买一份行业分析报告，数据往往是三个月前的，而且覆盖的竞品可能只有头部几家，中小竞品直接被忽略。

项目立项时，老板提了个要求："能不能做个自动化的竞品情报系统，每天自动更新？"我当时想的是——不用爬虫，只用公开数据，再加上 AI 的推理和分析能力，这个事还真能搞。

二、公开数据的采集与处理

既然是"公开数据 + AI"，那就得先搞清楚哪些数据是可以合法获取的。

最稳定的数据源是应用商店的公开评论。无论 App Store 还是各大安卓市场，用户对竞品 APP 的评价都是公开可查的。这些评论里包含了大量有价值的信息：用户喜欢什么功能、讨厌什么 Bug、跟谁比较过、付费意愿如何。

第二类数据是社交媒体上的公开内容。竞品官方账号发布的内容、用户对竞品的讨论、行业媒体的报道。这些用公开 API 或者 RSS 订阅就能获取。

第三类是招聘信息。竞品最近在招什么人——是狂招算法工程师说明在押注 AI，还是大规模招销售说明要冲业绩了，这些信号非常有意思。

第四类是企业工商信息。注册资本变更、经营范围变更、股东变化、融资消息。天眼查、企查查这些平台的数据都是公开的。

采集脚本的核心不是爬虫，而是 API 调用和 RSS 聚合。以应用商店评论为例：

import requests
import json
from datetime import datetime, timedelta

# ========== 竞品公开数据采集器 ==========
class CompetitorDataCollector:
"""从各公开渠道采集竞品数据"""

def __init__(self, api_config):
self.api_config = api_config

def fetch_app_store_reviews(self, competitor_name, app_id, days=7):
"""
采集某竞品在 App Store 的最近评论
注意：使用的是 App Store 公开 RSS Feed，无需爬虫
"""
# App Store 提供公开的 RSS 接口获取用户评论
# 不涉及任何逆向或破解行为
rss_url = f"https://itunes.apple.com/rss/customerreviews/id={app_id}/sortBy=mostRecent/json"

reviews = []
try:
response = requests.get(rss_url, timeout=30)
data = response.json()

cutoff_date = datetime.now() – timedelta(days=days)

for entry in data.get('feed', {}).get('entry', []):
# 跳过非评论条目（如应用信息）
if 'im:rating' not in entry:
continue

review_date = datetime.strptime(
entry.get('updated', {}).get('label', ''),
'%Y-%m-%dT%H:%M:%S-07:00'
)

# 只采集最近 N 天的评论
if review_date >= cutoff_date:
review_data = {
'competitor': competitor_name,
'rating': int(entry['im:rating']['label']),
'title': entry.get('title', {}).get('label', ''),
'content': entry.get('content', {}).get('label', ''),
'version': entry.get('im:version', {}).get('label', ''),
'review_date': review_date.strftime('%Y-%m-%d'),
'source': 'app_store'
}
reviews.append(review_data)

except Exception as e:
print(f"采集 {competitor_name} 评论时出错: {e}")

print(f"[{competitor_name}] 采集到 {len(reviews)} 条最近评论")
return reviews

def fetch_social_media_posts(self, competitor_name, platform, days=7):
"""
采集竞品在社交媒体上的公开动态
使用各平台的公开 API 或 RSS 订阅
"""
posts = []

if platform == 'wechat':
# 通过搜狗微信搜索等公开渠道获取文章列表
# 注意：仅采集标题和摘要，不采集全文
search_url = "https://weixin.sogou.com/weixin"
params = {
'type': 2,
'query': competitor_name,
'ie': 'utf8'
}
# 实际使用时需处理反爬策略，建议走官方合作渠道
pass

elif platform == 'weibo':
# 微博开放平台公开 API
api_url = "https://api.weibo.com/2/statuses/user_timeline.json"
# 需要申请微博开发者 AppKey
pass

return posts

def fetch_recruitment_info(self, competitor_name):
"""
从招聘网站公开信息分析竞品人才动态
采集在招岗位的名称和数量，推断业务方向
"""
# 使用拉勾/BOSS直聘等平台的公开搜索结果
# 注意：仅统计分析，不采集具体薪资等敏感信息
job_keywords = {
'AI/算法': ['算法工程师', '机器学习', '深度学习', 'NLP', 'CV'],
'大数据': ['大数据开发', '数据仓库', 'Hadoop', 'Spark', 'Flink'],
'前端/移动': ['iOS', 'Android', '前端', 'Flutter', 'React'],
'后端': ['Java', 'Go', 'Python', '后端开发'],
'销售/市场': ['销售', 'BD', '渠道', '市场', '运营']
}

# 实际实现时用招聘平台公开 API 或 RSS
# 返回各方向在招岗位数量
recruitment_stats = {}
for direction, kws in job_keywords.items():
recruitment_stats[direction] = 0 # 实际实现时统计真实数量

return recruitment_stats

def run_all(self, competitors):
"""
全量采集所有竞品的公开数据
"""
all_data = {
'collect_time': datetime.now().isoformat(),
'competitors': {}
}

for comp in competitors:
print(f"\\n开始采集竞品 [{comp['name']}] 的数据…")

comp_data = {}

# 采集应用商店评论
if comp.get('app_store_id'):
comp_data['reviews'] = self.fetch_app_store_reviews(
comp['name'], comp['app_store_id']
)

# 采集社交媒体动态
if comp.get('social_platforms'):
comp_data['social_posts'] = []
for platform in comp['social_platforms']:
posts = self.fetch_social_media_posts(
comp['name'], platform
)
comp_data['social_posts'].extend(posts)

# 采集招聘信息
comp_data['recruitment'] = self.fetch_recruitment_info(comp['name'])

all_data['competitors'][comp['name']] = comp_data

return all_data

三、AI 驱动的竞品情报分析

数据采回来了，但如果只是堆在那里，和原始数据没区别。真正的价值在于让 AI 从这些碎片化信息中提炼洞察。

我们设计了五个分析维度的 Prompt，分别对应不同的分析任务：

用户口碑分析：把近期的用户评论喂给 LLM，让它归纳用户最满意和最不满意的功能点。比人工一条条看效率高太多了。

功能迭代追踪：对比不同版本的用户评论变化，推断竞品最近上线了什么新功能，效果如何。比如如果最近一周大量用户提到了某个新功能且评分上升，说明这个功能很成功。

市场策略推断：分析竞品在社交媒体上的发文主题、频率、互动量，推断其市场推广重心在哪个方向。

import openai

# ========== AI 竞品情报分析引擎 ==========
class CompetitorIntelligenceAnalyzer:
"""用 AI 分析公开数据，提炼竞争情报"""

def __init__(self, api_key):
self.client = openai.OpenAI(api_key=api_key)

def analyze_user_sentiment(self, reviews):
"""
分析用户口碑：从评论中提炼核心洞察
"""
# 将评论内容拼接为分析素材
reviews_text = "\\n".join([
f"[评分:{r['rating']}星] {r['title']}: {r['content'][:200]}"
for r in reviews[:50] # 取最近50条，避免Token超限
])

prompt = f"""你是一个专业的竞品分析助手。请根据以下应用商店用户评论，进行用户口碑分析。

## 分析要求：
1. **核心优势**：用户最满意的 3 个功能或体验点（附代表性评论）
2. **主要痛点**：用户最不满意的 3 个问题（附代表性评论）
3. **改进建议**：如果是你，会优先解决哪个问题？为什么？
4. **竞品提及**：用户是否提到了其他竞品？提到时是在对比什么？
5. **版本反馈**：最近的版本更新是否引发了集中好评或差评？

## 评论数据：
{reviews_text}

请用结构化格式输出分析结果。
"""

response = self.client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "system", "content": "你是专业的竞品分析专家，善于从用户反馈中提炼关键洞察。"},
{"role": "user", "content": prompt}
],
temperature=0.3,
max_tokens=1000
)

return response.choices[0].message.content

def analyze_strategy_signals(self, social_posts, recruitment_data):
"""
从社交媒体和招聘信息推断竞品战略方向
"""
prompt = f"""你是一个商业情报分析专家。请根据以下竞品动态，推断其近期的战略方向和行动信号。

## 社交动态摘要：
{social_posts[:1000] if social_posts else '无近期社交动态'}

## 招聘信息：
{json.dumps(recruitment_data, ensure_ascii=False)}

## 分析要求：
1. **战略方向推断**：从招聘和发声推断竞品正在押注什么方向
2. **行动信号**：透露了什么即将上线的功能或业务调整？
3. **竞争威胁评估**：哪些动作对我们构成直接竞争威胁？
4. **机会窗口**：竞品忽略或薄弱的领域有哪些？

请直接输出分析结论，避免笼统描述。
"""

response = self.client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "system", "content": "你是商业情报分析专家，善于从碎片信息中拼出完整图景。"},
{"role": "user", "content": prompt}
],
temperature=0.5,
max_tokens=800
)

return response.choices[0].message.content

def generate_daily_brief(self, competitor_name, analyses):
"""
为单个竞品生成每日情报简报
汇总多个分析维度，输出结构化的简报
"""
prompt = f"""请根据以下分析结果，为竞品 [{competitor_name}] 生成今日情报简报。

## 分析结果：
{json.dumps(analyses, ensure_ascii=False, indent=2)}

## 简报格式：
### [{competitor_name}] 今日情报速览
– **整体态势**：一句话概括（上升/稳定/下降趋势）
– **关键动态**：今天最重要的 1-3 个变化
– 变化点
– 影响评估
– 建议应对
– **风险预警**：需要警惕的信号（如果有）
– **机会识别**：可以利用的点（如果有）

请控制在 300 字以内，每条信息都要有具体依据。
"""

response = self.client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "system", "content": "你是一个简洁有力的情报简报撰写专家。"},
{"role": "user", "content": prompt}
],
temperature=0.3,
max_tokens=600
)

return response.choices[0].message.content

四、情报输出与落地

分析结果出来后，我们通过两个渠道输出：

每日竞品情报简报：每天早上 9 点推送到管理层群，包含所有竞品在过去 24 小时的动态摘要。每条信息都标注了信息来源，保证可追溯。

竞品情报看板：在 BI 系统上建了一个看板，展示竞品评分趋势、功能迭代时间线、市场份额变化等可视化数据。

值得注意的是，这个系统的核心价值在于"持续性"。偶尔做一次竞品分析，价值有限。但如果你能持续追踪一个竞品半年，它的战略转向、组织变动、产品节奏全都会清晰呈现。AI 让这种持续追踪变得自动化、可维护。

举个例子：我们发现某竞品在过去一个月大量招聘 NLP 和对话系统方向的工程师，同时 APP 更新日志中出现了"智能助手"相关描述。AI 快速帮我们把这两个信号关联起来，推断出竞品正在内测 AI 助手功能。我们团队提前两周感知到了这个动向，为自家产品的 AI 功能上线争取了宝贵的时间窗口。

五、总结

竞品分析这件事，过去考的是信息收集的能力，现在考的是信息加工和关联推理的能力。AI 在后半段的价值，远超在前半段的价值。

做这个项目最大的心得是：公开数据的价值被严重低估了。应用商店评论、社交媒体动态、招聘信息、工商公示——这些数据单独看都是碎片，但通过 AI 把它们关联起来，就能拼出非常有价值的竞争全景图。

而且全程使用的都是公开数据和公开 API，不涉及任何法律风险。这也是我特别想强调的一点：做竞品分析一定要走正道，靠爬虫、破解、买内部数据这些灰色手段，短期可能拿到更多信息，但风险完全不值得。

如果你也在做竞品分析相关的工作，欢迎在评论区聊聊你的方法！