一款运动鞋搜索量突然上涨50%，为什么AI还不能判断它会成为下一阶段爆款？

模拟场景：两天搜索量上涨50%，数据面板上到底发生了什么

先说明，这是一个用于解释方法的模拟场景，所有数字均为示例。某国际运动品牌的一款中端篮球鞋，线上售价699元，上市已经五个月，过去八周日均搜索量稳定在1.2万次左右。某个周二开始，搜索量连续两天达到1.8万次，涨幅50%。周三下午的商品例会上，有人提出：是不是应该马上追加3万双的生产订单？

这个问题看起来简单，其实把几件事混在了一起。搜索量上涨说明更多人在关注这款鞋，但关注不等于购买，更不等于未来三个月都会维持这个水平。在BB体育的商品趋势分析流程里，一次搜索上涨只是“触发复核”的信号，而不是“触发补货”的信号。同一周里还发生了三件事：品牌在周二晚上做了一场两小时的限时直播，直播间发放满600减80的优惠券；一位签约的当红后卫在社交平台发了一条上脚视频；这款鞋的新配色在周一开放了预约。任何一件事都可能单独解释这50%的上涨。

所以AI要做的第一件事，不是回答“会不会成为爆款”，而是把这50%拆开：多少来自促销，多少来自球员内容，多少来自新配色，剩下的部分才有可能是自然增长的真实需求。

Search：搜索总量之外，更要看搜索词结构有没有迁移

搜索总量是最容易拿到、也最容易误读的数据。AI在Search层做的第一步是搜索词结构拆分。在这个模拟场景里，把两天新增的约1.2万次搜索按词型分组，结果大致如下：

• 品牌词加款名，再加“直播”“优惠券”“多少钱”：约占新增量的68%；
• 款名加球员称呼或“同款”：约占17%；
• 款名加尺码词，例如“42.5码”“偏大还是偏小”：约占6%；
• 款名加配色词，例如“黑金”“白红”：约占9%。

这组结构很关键。以品牌词和优惠词为主的搜索，通常出现在用户被一次营销活动吸引、想确认价格的阶段；尺码词和配色词大量出现，意味着用户已经进入“准备买、正在选规格”的阶段。一款真正形成趋势的运动鞋，搜索词结构往往会在两到三周内逐步从品牌词向尺码、配色、“实战测评”“怎么搭”等长尾词迁移。本例中尺码与配色词合计只占15%，与过去八周13%的均值相差不大，说明新增搜索主要还停留在“看看价格”的层面。

Search层还要看两个细节。一是时段分布：新增量有超过一半集中在周二晚上8点到10点，与直播时间几乎重合。二是新访客比例：新增搜索用户中，过去90天没有搜索过篮球鞋品类的人占41%，这类人群的转化率通常明显低于长期关注该品类的老用户。

Social：讨论变热，是内容在自然扩散还是投放在集中发力

社交数据同样需要拆开。模拟场景中，这款鞋两天内的相关帖子和短视频从日均约800条增加到约2600条，看起来热度翻了三倍。但Social层的分析不看总条数，而看三个结构指标。

第一是发布者结构。2600条内容里，品牌官方账号、合作达人和直播切片账号发布的约占55%，普通用户自发的晒单、测评、上脚照约占45%。如果是一款正在变热的鞋，普通用户内容的占比通常会逐周上升，而不是停留在一半以下。

第二是互动质量。球员上脚视频的点赞很高，但评论区高频词是“帅”“求链接”“什么时候打折”，而关于脚感、包裹、耐磨的讨论只占评论的8%左右。前者是关注度，后者才更接近购买意向。

第三是扩散链路。AI会看内容是否从少数大账号往外扩散到中小账号和普通用户，是否出现“二次创作”，例如球场实测、与其他款式的对比。本例中两天后的转发大多仍回流到那条球员视频和直播切片，二次创作很少。这说明讨论热度是被几个源头“推”起来的，还没有形成自发的“拉”动。

Sales：收藏、加购、成交、复购，这条漏斗有没有跟上

真正决定补货的是Sales层。AI会把搜索之后的每一步转化放在一起看，而不是只看成交额。模拟数据如下：搜索量上涨50%的两天里，商品详情页访问上涨38%，收藏率从4.1%变为4.3%，加购率从6.2%变为6.0%，成交件数上涨9%，其中约七成订单使用了直播优惠券。

这组数字的含义很清楚：流量进来了，但进来的人并没有比平时更想买。成交的9%增长大部分可以用优惠券解释。再往下看，退货率从11%上升到14%，主要原因是“尺码不合适”，这恰好对应了前面提到的新访客比例偏高，他们对这款鞋的楦型并不熟悉。

复购和关联购买也是Sales层的重要信号。一款正在形成趋势的鞋，往往会带动同系列其他配色、同款袜子、鞋垫甚至篮球服的连带销售。本例中连带率没有明显变化。此外还要看价格敏感度：优惠结束后的第一天，成交件数回落到上涨前的102%，几乎回到原点。价格一回到原价需求就消失，是典型的促销驱动特征。

Promotion、Athlete、Event、New Product：把外部因素逐个扣掉之后还剩多少

AI在这一步做的是归因拆解。它不会假设所有增长都是“市场喜欢这款鞋”，而是把几个已知外部因素逐一扣除。

Promotion：参照同品牌过去六场类似规模直播的平均效果，一场直播通常会让直播当晚和次日的搜索量上涨25%到35%。扣除这一部分，还剩约15到25个百分点的上涨。

Athlete：球员上脚视频的影响，参照同类型签约球员内容的历史表现，通常贡献8到12个百分点的搜索增量，并在五到七天内衰减一半。关于这类热点的衰减规律，可以参考我们另一篇关于球星热点与三个月需求的分析。

New Product：新配色开放预约会分流一部分搜索到同款名下，这部分搜索对老配色的购买并不一定有贡献，约占3到5个百分点。

Event：同期没有重要赛事，这一项可以记为零；但AI会标注未来六周内的赛事日历，因为那可能是下一次需求变化的触发点。

扣完之后，剩下的“无法解释的自然增长”大约在0到8个百分点之间。这个区间很宽，也说明现有数据还不足以证明存在一个新的趋势。

Trend：Search Spike和Real Demand Trend到底差在哪里

把前面几层的判断归纳起来，就是Search Spike和Real Demand Trend的区别。下表是BB体育商品趋势研究组在复盘同类案例时常用的一张信号对比表：

本例在八项信号里有七项落在左列，只有“搜索词结构”勉强有一点向右移动的迹象。这时候如果直接下3万双的追单，风险明显大于收益。

Forecast：AI输出的不是一句结论，而是分情景的需求区间

在Forecast层，Demand Model不会只给出一个数字。它会基于上面的归因结果给出三种情景：

1. 基准情景（概率约65%）：两周内搜索量回落到日均1.25万至1.35万次，周销量较上涨前提高3%到6%，现有库存可以覆盖未来八周需求，不需要追加生产；
2. 温和上升情景（概率约25%）：新配色上市和一次赛事节点叠加，周销量提高10%到18%，需要对热门尺码做一次小批量追单；
3. 趋势形成情景（概率约10%）：搜索词持续向尺码、配色迁移，原价成交持续增长，周销量提高30%以上，才需要讨论大规模追加生产。

这三种情景对应的库存动作完全不同。Forecast Model给出的概率只是起点，还需要商品、渠道和供应链的同事一起复核：比如渠道是否已经在压货，工厂的最小起订量和生产周期是多少，热门尺码的现有库存还能撑几周。模型负责把信号算清楚，人负责判断业务约束。在BB体育的实际流程里，任何超过一定金额的追单建议都必须经过人工复核后才会进入执行。

哪些判断可能出错，接下来14天用什么指标验证

这套分析也会出错。常见的误判有三种：一是低估了“慢热型”需求，有些鞋在第一波热度里转化很差，但几周后因为实战口碑发酵才开始放量；二是历史直播效果的参照样本不够相似，比如这次的直播主播换了人，效果本来就更强；三是线下门店的数据滞后，线上看起来没有增长，线下可能已经在出货。

所以AI会把结论写成一份验证计划，而不是定论。未来14天重点跟踪以下几项：

• 尺码词和配色词占全部搜索的比例是否超过20%；
• 普通用户内容占比是否超过60%，并出现球场实测类的二次创作；
• 原价状态下的日成交件数是否比上涨前高出10%以上；
• 成交城市数是否从集中在两个一线城市扩散到十个以上城市；
• 门店动销数据是否与线上方向一致。

只要其中三项在14天内达到阈值，模型就会把情景概率向“温和上升”或“趋势形成”调整，并提示重新评估补货。

回到商品和补货：先守住热门尺码，再等趋势自己证明

回到最初那个问题：要不要马上追加3万双？在这个模拟场景里，更稳妥的做法是分三步走。第一，不追加整批生产，但对42到44码这几个历史上最容易断码的尺码，从区域仓之间做一次调拨，保证线上不因断码流失真实需求。第二，与工厂确认一个可以在三周内交付的小批量追单方案，作为“温和上升情景”的备用选项。第三，把14天验证指标接入每日看板，达到阈值再触发下一步。

这样做的逻辑是，把决策从“赌它会不会爆”变成“用小成本买时间，等数据证明”。如果需求真的在形成，三周后的追单仍然来得及；如果只是一次直播带来的短期关注，也不会留下几万双需要打折清理的库存。关于补货与调拨的具体取舍，可以继续阅读体育供应链AI栏目中的相关文章。

体育商品趋势预测最核心的一条原则就在这里：关注度可以很快被制造出来，真实购买需求却需要多个信号互相印证。AI能做的，是让这种印证更快、更系统，也更早地提醒人们哪里可能判断错了。