所有亚马逊 Niche Finder 底层做的是同一件事：列出类目节点，让你用几个数字去筛。工具之间的差别，只在于开放多少个筛选条件，以及替你做了多少决定。
直接调用 API 会把这些隐藏的决定拿掉。没有「机会分」可以信，只有你自己设的门槛。这样更费事，但也是唯一能知道「这个细分市场为什么会出现在名单里」的办法。
这篇讲三件事：筛什么、怎么读返回的那一行、筛选条件看不到什么。把单个类目量化到位是另一项工作，见市场容量的数字是怎么来的；这篇是前面那一轮广撒网，用来决定哪些类目值得做那项工作。
数据里的 niche 是什么
选市场列表接口按月份返回类目节点，一行一个节点。每行有大约一百个汇总字段，大多数人会筛的可以分成四组：
| 问题 | 可以用来筛的字段 |
|---|---|
| 有没有需求？ | minAvgUnits、maxAvgUnits、minTopAvgUnits、minAvgRevenue |
| 是不是被垄断了？ | maxBrandCrn、maxSellerCrn、maxGoodsCrn、maxAmazonSelfProportion |
| 新 Listing 进得去吗？ | minNewProportion、minNewCount、maxAvgRatings、newProduct（「新品」的定义） |
| 赚不赚钱？ | minAvgPrice、minAvgProfit、maxWeight、maxVolume |
每个 min 都有对应的 max，所以任何字段都可以当下限、上限或区间用。maxBrandCrn、minAvgProfit 这类比例字段按 0–100 计：文档里的示例值是 45 和 20，不是 0.45 和 0.2。
nodeIdPath 把搜索限定在类目树的某一部分。文档里的请求用的是 172282:281407，文档里的返回行属于 172282:281407:17854127011:10967801，所以这个路径看起来是按前缀匹配的，一次请求可以返回不同层级的节点。各站点的路径用产品类目接口查；不同站点的节点 ID 不一样。
一个同时问四个问题的请求
curl --request POST \
--url https://ecommercedataapi.com/v1/amazon/market/research \
--header "Content-Type: application/json" \
--header "X-API-Key: ${ECOMMERCE_DATA_API_KEY}" \
--data '{
"marketplace": "US",
"month": "202507",
"nodeIdPath": "172282:281407",
"minAvgUnits": 300,
"maxAvgUnits": 5000,
"maxBrandCrn": 40,
"maxAmazonSelfProportion": 10,
"minNewProportion": 10,
"maxAvgRatings": 3000,
"minAvgProfit": 25,
"page": 1,
"size": 50,
"order": { "field": "avgUnits", "desc": true }
}'这些数字是示意筛选的形状，不是让你照抄的门槛。「需求够不够」取决于你的资金，「评论门槛低不低」取决于你攒评论的速度。跑请求之前先把自己的数字写下来，免得结果反过来说服你。
两点实操：size 默认 50、最大 200，一个大类目几页就能扫完；month 传 yyyyMM，不传则用最近 30 天。
读一行结果
文档里的返回是 Power Strips（插线板）这一行。最值得先看的字段：
| 字段 | 值 | 说明 |
|---|---|---|
totalProducts | 2815 | 该节点下的商品数 |
topProducts | 100 | 均值所基于的样本数 |
avgUnits / avgRevenue | 14874 / 229732 | 单个商品的月销量和月销售额，基于样本 |
avgPrice | 17.83 | 平均价格 |
avgRatings | 10756 | 平均评分数：评论门槛 |
brands / sellers | 45 / 45 | 品牌数 / 卖家数 |
ebcProportion / fbaProportion | 91 / 96 | 有 A+ 内容的百分比 / FBA 发货的百分比 |
amazonSelfProportion | 3 | Amazon 自营占的百分比 |
sellerNation / sellerProportion | CN / 86 | 最多的卖家所属地及其占比 |
这一行可以自己验证自己。avgUnits 乘以样本数：14,874 × 100 = 1,487,400，在四舍五入误差内等于 totalUnits（1,487,414）；avgRevenue 乘以 100 得 22,973,200，等于 totalRevenue（22,973,201.92）。这里所有的「avg」字段都是基于 100 个样本商品的平均，不是该节点 2,815 个商品的平均。 它描述的是类目的头部。
同一行还能读出两件事。
筛选条件会互相打架。 这一行需求很强，但 avgRatings 有 10,756，通不过上面 maxAvgRatings: 3000 这一条。这是筛选在起作用，不是出错：销量高和评论门槛低很少同时出现，每多加一个条件，权衡就更紧一点。一次放松一个条件，记下多出来了哪些细分市场。
avgPrice 和「每件收入」不是同一个量。 totalRevenue 除以 totalUnits 得 15.45，而 avgPrice 是 17.83。前者按每个商品的销量加权，更接近大多数买家实际付的价格；后者是接口自己给的平均值，不一定和前者一致。
Niche Finder 看不到的东西
头部不等于整个类目。 样本是 2,815 个里的前 100 个。一个细分市场可能头部很健康、下面是空的，也可能反过来。相信任何平均值之前，先把样本数和 totalProducts 对一下。
父节点和子节点描述的商品会重叠。 在同一个路径下的请求可能同时返回一个节点和它的子节点，这些行描述的可能是同一批商品，所以不要把几行加起来当市场容量。
一个月只是一张快照。 7 月筛出来的细分市场，到 1 月可能完全不是那个样子。任何有季节性的品类，投入之前先看旺季选品里讲的时间形状。
利润是平均商品的数字，不是你的。 avgProfit 的 60.3 不知道你的到岸成本。把它当作剔除赚不了钱类目的手段，而不是毛利预测。销量数字也是估算，见API 销量数据能说明什么、不能说明什么。
从名单到决定
名单要短。十个经过你自己条件筛出来的细分市场，比两百个你根本没看过的有价值。
第一轮也可以让 AI Agent 来跑：同一个接口可以通过远程 MCP 服务调用，把选品交给 AI Agent展示了这样的对话是什么样。
常见问题
这和 Niche Finder 工具是一回事吗？ 数据是同一类。区别是筛选条件和门槛掌握在你自己手里，而且可以定时跑，而不是靠手点。
哪个筛选条件最重要？ 单独哪一个都不是。只有需求没有评论门槛，找到的是饱和的类目；只有评论门槛没有需求，找到的是空的类目。价值在于组合两三个条件，并且知道每个条件藏起了什么。
多久重筛一次？ 正在找的时候，数据月份一变就重筛；下采购单之前也要重筛。超过一个季度的名单已经是历史。
美国以外的站点能用吗？
可以，marketplace 和其他接口一样支持 13 个站点。类目节点 ID 和价格都是本地的，所以别把一个站点的门槛带到另一个站点，同一套分析不能原样迁移。