liangdabiao/amazon-sorftime-research-MCP-skill

해결 과제

이 프로젝트는 Amazon 셀러가 경쟁사 조사, 상품 선정, 리스팅 최적화를 수행할 수 있도록 포괄적인 AI 기반 분석 도구 모음을 제공합니다. 여러 전자상거래 데이터 서비스(Sorftime, Sif, Xiyou, SellerSprite)에서 데이터를 수집하는 과정을 자동화하고, 원시 데이터를 실행 가능한 비즈니스 의사결정 및 높은 전환율을 가진 상품 리스팅으로 변환합니다.

작동 방식

이 시스템은 Model Context Protocol (MCP)의 '스킬' 모음으로 구축되어, LLM(특히 Claude Code CLI 사용)이 복잡한 워크플로우를 실행할 수 있도록 합니다. 여러 타사 API를 통합하여 다음 기능을 수행합니다:

• 시장 및 상품 조사: 5차원 점수 모델(시장 규모, 성장 잠재력, 경쟁 정도, 진입 장벽, 수익)을 사용하여 제품 카테고리를 평가합니다.
• 경쟁사 분석: 개별 리스팅을 심층 분석하여 트래픽 소스, 키워드 배치, 가격 전략을 파악합니다.
• VOC(고객의 소리) 분석: 리뷰에 대한 심층 감성 분석을 수행하여 6가지 차원(예: 전자 기기 고장, 설계 결함)에 걸친 페인 포인트를 식별합니다.
• 리스팅 엔지니어링: 8단계 워크플로우(키워드 계층화부터 QA 설계까지)를 구현하여, 단순한 키워드 나열이 아닌 의미적 커버리지와 사용자 의도에 기반한 리스팅을 생성합니다.
• 보고서 작성: Markdown, HTML 대시보드, Excel 파일 형식으로 보고서를 자동 생성합니다.

대상 사용자

• Amazon 셀러: '블루오션' 기회를 찾고 제품 가시성을 최적화하려는 셀러.
• 전자상거래 분석가: 자동화된 데이터 기반의 경쟁사 및 시장 조사가 필요한 전문가.
• 제품 관리자: 식별된 고객 페인 포인트를 바탕으로 신제품을 설계하는 담당자.

주요 특징

• 멀티 서비스 통합: Sorftime, Sif, Xiyou, SellerSprite의 데이터를 단일 인터페이스로 통합합니다.
• LLM 기반 의사결정: 단순한 원시 데이터 제공을 넘어, LLM을 사용하여 분석, 통찰력 도출 및 제품 실행 가능성을 판단합니다.
• 의미론적 리스팅 빌더: 현대의 AI 기반 쇼핑 트렌드(Alexa 및 Rufus 등)에 맞춰 구조화된 증거 기반 접근 방식으로 리스팅을 최적화합니다.
• 포괄적인 도구 세트: 키워드 조사(8차원 분류), 리뷰 분석(위험 임계값), 트래픽 격차 발견을 위한 전문 도구가 포함되어 있습니다.