使用 Claude 进行竞品分析的方法

一、先给核心结论：Claude 在竞品分析中真正能做什么？

经过 11 个月、覆盖 14 个行业、超过 800 次分析任务的实际使用，我要给出一个反常识但真实的判断：把 Claude 当成“信息整理器”是对它最大的浪费，它的真正价值在于战略推理层的协助。

具体来说，它在竞品分析中能做好的三件事：

第一，识别隐含的模式与矛盾。 比如竞品的定价变化与其招聘岗位变动之间的关联，单一数据点看不出什么，但 Claude 能跨越信息孤岛找到连接。

第二，结构化地展开战略推演。 不是用模板套出的 SWOT，而是基于真实数据推导出的“如果 A，那么 B，可能导致 C”的逻辑链。

第三，在长文本环境下保持连贯的分析框架。 当你一次性输入 5 万字竞品资料时，Claude 不会丢失上下文，这一点在实际对比中明显优于同类工具。

但它不能做什么？不能主动获取实时数据，不能替代行业经验的判断，不能承担你该做的决策。 记住这三个“不能”，才能理解我接下来要讲的全部方法。

二、背景与真实场景：竞品分析困境的根源不在工具，在于思维框架的塌缩

为什么大多数竞品分析报告读起来像流水账？我追溯到三个结构性原因：

第一，信息获取成本太低，处理成本太高。 你可以在 10 分钟内打开 20 个竞品官网、翻完 5 份财报、刷完 30 条用户评价，但真正消化这些信息需要数小时甚至数天。当处理能力跟不上获取速度，人的本能反应就是“全堆上去”，于是报告变成了数据库，而非洞察集。

第二，分析框架被过度简化成模板。 SWOT、波特五力、4P 营销模型，这些模型本身没有问题，问题在于它们被当成填空表格来用。真正的战略分析不是把信息放进预设的格子，而是从信息中“长出”框架。

第三，验证环节的普遍缺失。 人工分析时，一旦发现一个看似合理的解释，人类倾向于停止搜索。这种现象在行为经济学中叫“证实性偏见”，在竞品分析中的后果尤其严重，你把一个巧合当成了战略信号。

以一个典型场景来说明：去年我在帮一家快消品牌做竞品价格带分析时，发现竞品 A 系列产品在华东区连续三个月降价 15%。传统分析会立刻归类为“价格战信号”。但我将竞品 A 同期的人事变动、供应商更换新闻、以及财报中的库存周转数据一并输入 Claude，要求它做交叉时序分析，结果发现，这轮降价更可能是渠道压货后的库存出清，而非主动进攻。判断差异背后意味着完全不同的应对策略。

这就是 Claude 进入分析流程的核心价值：它能在足够的信息密度下，抑制人类过早“盖棺定论”的冲动。

三、常见误区拆解：90% 的人用 Claude 做竞品分析的第一步就错了

在我指导过的几十个团队中，使用 Claude 做竞品分析时最常见的三个误区，几乎像定律一样重复出现：

误区一：把 Claude 当成搜索引擎。 这是最大的误解。Claude 的知识截止于训练数据，它不知道你今天刚发布的竞品版本更新了什么。如果你问“竞争对手 B 最近一轮融资是多少钱”，它可能会给出一个看起来很像真的但完全错误的数字。很多团队第一次用就踩这个坑，然后判定“AI 不准”，问题不在 AI，在使用方式。

正确的用法是：你先完成信息采集，Claude 负责加工分析。 区分“知识检索”和“推理加工”这两类任务，是所有后续操作的基础。

误区二：给的信息太少，期望却太高。 我见过一个产品经理给 Claude 贴了一段竞品官网文案，然后问“请分析他们的产品战略”。三个段落能得出什么战略结论？这个期待本身就不成立。Claude 的分析质量直接与输入信息的密度和多样性正相关，这是我反复测试后得出的铁律。

误区三：把第一版输出当最终结论。 Claude 的输出必须经过追问、交叉验证、甚至故意挑战才能达到可用状态。去年我在分析某 SaaS 竞品的定价策略时，Claude 的第一版分析看起来逻辑完美，但当我追问“这个结论建立在哪些假设之上？”时，它自己指出了三个未经证实的假设前提，其中一个是错的，因为我的行业知识告诉我竞品的产品成本结构完全不同。如果我不追问，那份分析就会成为一篇“看起来很对但核心前提已经歪掉”的错误报告。

四、专业判断逻辑：我是怎么设计一套“人机协作”竞品分析流程的

经过超过 50 次流程迭代，我沉淀出一套四阶段分析框架。这不是理论推导，而是从实际项目中反复验证出来的操作规范。

阶段一：信息结构化，建立“分析底仓”

这个阶段的目标不是分析，而是把散落各处的信息组织成 Claude 能高效处理的结构。我通常整理三类材料同时输入：

第一类：事实性数据。 产品功能清单、定价表格、技术参数、版本迭代日志、App Store 更新记录、招聘岗位描述。这些是硬数据，不带主观判断。

第二类：表达性数据。 官网文案、创始人公开发言、品牌视觉描述、广告投放文案。这些反映竞品“想被怎么认知”。

第三类：反应性数据。 用户评价（正负都收）、媒体报道框架、社交媒体讨论热点、投诉平台高频词汇。这些反映竞品“实际被怎么认知”。

三类材料的组合拳效果远超单一类型。我用一张表格对比过效果差异：

这不是精确测量数据，而是我基于 30 次同类分析任务的主观评分统计，但趋势是明确的：信息类型越多元，Claude 越能发现单类信息中不可见的矛盾。

阶段二：分层提问，用好提示词的前提是“问对问题”

这一阶段我将结合具体提示词设计来讲。但在此之前，必须先理解一个核心概念：提问的层次决定分析的深度。 我通常将分析拆成四个递进层次：

第一层：现状描述层。 问题形式：“对比 A、B、C 三款产品在定价维度的差异”。这个层次产生的是事实性对比，价值有限。

第二层：模式识别层。 问题形式：“从以上定价差异中，识别出三种不同的定价策略逻辑”。这里开始出现分析价值。

第三层：因果推导层。 问题形式：“为什么 B 产品选择在此时调整定价？与其近半年的产品迭代方向有何关联？”达到这一层，报告开始有洞察。

第四层：战略含义层。 问题形式：“如果 B 的定价策略预示着其向企业市场转型，这对我们目前的 SMB 核心客群意味着什么？”这是竞品分析真正该抵达的深度。

绝大多数人停留在第一层和第二层。我设计提示词时，会明确要求 Claude 至少抵达第三层。具体提示词模板我会在第五部分完整给出，但你要先记住这个分层框架。

阶段三：对抗性验证，把 Claude 的推理“往死里问”

这是我整个方法论中最独特也最关键的部分。我从不直接采用 Claude 的第一版输出，而是进行三轮追问：

第一轮：假设追问。 “你这个结论建立在哪些未经证实的假设之上？逐一列出。”这一步能在 30 秒内暴露推理链的脆弱点。

第二轮：反向论证。 “如果我告诉你，你的第三个假设是错的，实际情况是 X，你的结论会怎么变？”这一步测试结论的稳健性。

第三轮：盲区自查。 “在现有信息中，你缺少哪些可能推翻你结论的关键数据？列出来。”这一步极其有价值，因为它直接告诉你下一步该去收集什么信息。

这套追问流程我已经内化成肌肉记忆，每次分析至少走完两轮。我发现大约 40% 的情况下，经过追问后的结论与第一版有实质性差异。

阶段四：人机合成，你的行业经验是最后一道滤网

Claude 的输出无论多么逻辑自洽，都必须经过你的行业经验的校准。我在消费电子和 SaaS 两个行业都做过分析，经常出现的情形是：Claude 的推理逻辑没有问题，但它不知道某个行业的特定成本结构、某种技术路线的天然局限、或者某个市场特殊的渠道博弈规则。这些只有你知道。

这就是为什么我坚持一个原则：Claude 负责生成假设，你负责验证假设。最终的判断和决策权永远在你手里。

五、具体案例：一份竞品战略分析报告的完整诞生过程

让我用一个完整的真实案例来贯穿以上方法论。为了保护商业信息，我对具体比例和名称做了脱敏处理，但分析逻辑和提示词完全真实。

背景： 我服务于一家教育科技 SaaS 公司，产品是面向培训机构的教务管理系统。市场上三个主要竞品：竞品 X（市场份额第一）、竞品 Y（增速最快）、竞品 Z（客单价最高）。CEO 给我一个任务：“搞清楚为什么 Y 今年增速突然反超 X，以及这对我们意味着什么。”

第一步：数据采集与整理

我花了 2 小时采集以下材料：

• X、Y、Z 三家近 6 个月的官网更新记录（通过 Wayback Machine 和 RSS）
• 三家的公开定价页面截图及历史价格（通过存档）
• App Store / 应用商店近 200 条用户评价（正面和负面分列）
• 三家近半年的招聘信息（拉勾、Boss 直聘的公开岗位描述）
• 三家的官方公众号文章标题及发布频率
• Y 公司创始人近 3 个月的外部演讲和采访文本

所有材料整合为一个纯文本文件，按竞品分块，标注来源和时间。

第二步：分层输入与提示词设计

我把材料一次性输入 Claude，然后按分层框架依次提问。以下是我实际使用的提示词，你可以直接复用：

第一轮提示词（现状描述+模式识别层）：

我接下来会给你三家竞品 X、Y、Z 的信息材料。请完成以下分析：
1. 用表格对比三家在功能模块、定价结构、目标客群定位三个维度的差异。
2. 基于用户评价数据，分别提取三家的用户最满意的前 3 点和最不满的前 3 点，并判断这些反馈指向的是产品问题还是服务问题。
3. 对比三家近 6 个月的招聘岗位变化，判断各自的核心投入方向。

Claude 输出的表格结构清晰，问题归类也准确。但这只是基础。

第二轮提示词（因果推导层）：

针对上一轮的分析，请进一步探究：
1. 竞品 Y 的用户满意度在“售后响应”维度显著高于 X 和 Z，这与 Y 的招聘方向（大量招聘客户成功经理）之间是否存在因果关系？如果有，请推导这种关联的时间线。
2. Y 的定价比 X 低约 20%，但从用户评价看，Y 的用户并未将“便宜”作为主要满意点，反而是“功能贴合实际场景”出现频率最高。这说明了 Y 的什么策略逻辑？
3. 基于以上，判断 Y 这一年增速反超 X 的最关键变量是什么？请给出推理链，并注明每一步的证据来源。

这一轮输出的推理链质量很高。Claude 指出 Y 的增速反超可能不是“靠价格战”，而是“通过密集的客户成功团队实现高留存，通过垂直场景的功能深度实现差异化”，这是一个有洞察力的判断。

第三轮提示词（对抗性验证）：

现在请你扮演一个挑剔的分析评审官，对你的上一轮结论进行挑战：
1. 列出你的核心结论依赖的 3-5 个关键假设。
2. 对于每个假设，评估如果它不成立，结论会如何变化。
3. 坦白说，仅凭我给你这些材料，你缺少哪些足以推翻或者强化你结论的信息？

这一步揭示了两个关键盲区：Claude 指出它缺少 Y 公司的实际客户续费率数据，也无法验证 Y 的客户成功团队的实际服务深度，这些只能靠推断。Claude 还诚实标注了一个假设：“假设 Y 的招聘岗位与实际人员到位之间没有严重延迟”。

第四轮：人机合成

我将 Claude 的分析结果与我自己掌握的行业信息进行交叉验证。我恰好知道 Y 在华南地区的渠道政策有一个重要变化（从直营转代理），这是公开材料里没写但行业圈子里公开的秘密。我把这个信息补充进去，让 Claude 重新评估结论，结果发现，Y 的增速超车很可能是“产品差异化+渠道扩张”的双轮驱动，而不仅仅是产品单点的胜利。这个判断直接影响了我给 CEO 的建议：如果你想阻击 Y，只搞产品对标不够，必须在渠道覆盖上给出回应。

最终产出： 一份包含战略判断、依据链、置信度评分、以及补充调研建议的分析报告。从开始到完成，总计约 4 小时。如果纯人工做同样深度的分析，我估算需要 3 个工作日。

六、不同情况下的行动建议与取舍

方法论不止一种。根据组织的不同阶段和分析目的，我给出三种模式的选择建议：

模式一：快速扫描模式（适用于日常监测、月度竞品动态更新）

如果你的目标是快速了解竞品“有没有新动作”，而不是深层战略分析，那么可以走简化流程。具体做法：

• 采集竞品官网、应用商店更新日志、媒体报道标题
• 用一句提示词即可：“以下是竞品 A 近一个月的公开动态，请用 500 字总结其最关键的产品和市场动作，并用 1 个表格对比上月的变化”
• 不需要对抗性验证，但需要人工扫一眼确认没有明显幻觉
• 耗时控制在 45 分钟以内

取舍： 牺牲分析深度换取频率。适合团队里负责持续监测的分析师日常使用。

模式二：深度战略模式（适用于季度战略复盘、重大竞争节点分析）

这就是我前面详细展示的四阶段完整流程。适用于对分析质量有高要求的场景。

• 必须完成信息结构化→分层提问→对抗性验证→人机合成的完整循环
• 至少经历两轮追问
• 最终报告需要标注置信度等级和补充调研建议
• 耗时 3-6 小时

取舍： 投入时间更长，但产出是可以直接支撑战略决策的。

模式三：创意激发模式（适用于产品团队头脑风暴、寻找差异化方向）

这是一个非典型但极其有效的用法。用途不是做完整的竞品分析，而是挖掘创新的切入点。具体做法：

• 输入竞品的产品功能和用户反馈
• 用开放式提示词：“基于用户对竞品的吐槽，头脑风暴 10 个竞品没有解决但确实存在的用户需求。不做可行性判断，只管发散。”
• Claude 的联想能力很强，经常能提出出乎意料的方向
• 然后人工筛选 3-5 个进行可行性评估

取舍： 产出不是“分析报告”，而是“灵感清单”。需要配合后续的人工评估，但很适合打破团队的思维惯性。

三种模式不是非此即彼。我自己的实践中，快速扫描模式每月执行一次，深度战略模式每季度执行一次，创意激发模式在产品规划会之前按需使用。三种模式组合起来，构成了完整的竞品情报体系。

七、提示词工程的深层逻辑：为什么大多数“模板”不好用？

网上流传的很多“竞品分析提示词模板”有一个通病：它们试图用一段话解决所有问题。但实际上，复杂分析任务不适合用一次对话完成。

我拆解了 200 多条自己用过的提示词，总结出三个设计原则：

原则一：分离任务，不要打包。 不要让 Claude 在一次回答中同时进行“数据整理、模式识别、战略推演”三个层次的任务。分开提问，每一轮在前一轮的基础上推进，质量明显更高。这不是感觉，而是可验证的，我在同一批数据上测试过“一次提问”和“分层提问”，分层输出的洞察深度评分平均高出 1.8 分（10 分制）。

原则二：给出分析框架，但留出框架被打破的空间。 举个例子，不要说“请用 SWOT 模型分析”，而要说“请用 SWOT 作为起点进行分析，但如果发现某些结论无法被 SWOT 框架容纳，请跳出框架直接描述，并解释为什么跳出”。这一点极其重要，最深刻的洞察往往在框架的边界之外。

原则三：要求标注推理链和置信度。 我会在提示词末尾固定加上一段：“对你得出的每个结论，请用 1-2 句话说明推理依据来源于哪部分材料，并对结论的可靠程度给出‘高、中、低’三个等级的主观评估。”这迫使 Claude“展示工作过程”，也让我更容易识别哪些结论需要重点验证。

八、工具组合与局限性管理

Claude 不是孤岛。在我的实际工作流中，它通常和其他工具配合使用：

信息采集层： 我用浏览器扩展抓取页面文本、用 RSS 订阅追踪竞品动态、用 Wayback Machine 回溯历史版本变更。Claude 不能访问实时网络，所有材料必须手动采集输入，这是目前最大的效率瓶颈。

数据处理层： 当需要处理量化对比（比如价格变化曲线、功能更新频率统计）时，我通常先用 Excel 或 Python 做基础的数据清洗，把结果以文本形式输入给 Claude 做归因分析。

验证层： 对于 Claude 输出中的关键数据点和市场判断，我会用两种方式交叉验证：第一是找行业人脉快速确认，第二是用 Perplexity 等具备联网能力的 AI 工具做事实核查。不依赖单一信源，这是商业分析的基本纪律。

输出层： Claude 负责生成分析文本和逻辑框架，最终报告的排版美化、可视化图表制作仍需要人工或使用专门工具完成。

这里必须诚实说明一个局限性：Claude 对中文语料的商业分析能力不如英文。 我在同样的分析框架下对比过中英文输入的效果差异，英文材料下的分析细腻度和准确度明显更好。如果你的竞品主要信息源是中文，建议在关键分析环节尝试将材料翻译成英文输入，或者对输出质量保持合理预期。

九、最终总结：Claude 让竞品分析回到它本该是的样子

做了十几年产品管理和战略分析，我越来越觉得竞品分析这个工作被异化了。它变成了一种“必须完成的流程”，每个月出报告、开评审会、存档、然后被遗忘。它本不该是这样的。

竞品分析的本质，是帮助团队理解竞争环境、发现机会窗口、作出更明智的决策。当它沦为信息堆砌和模板填空时，这项工作的灵魂已经消失了。

Claude 进入这个领域后，我感受到的变化不是“效率提升”那么简单。真正有价值的是：它把人从信息整理的泥潭中解放出来，让分析者重新回到“思考”的位置。 你不再需要花 80% 的时间整理表格，而是用那些时间去追问、去验证、去形成真正的判断。

这也意味着一个反直觉的结论：会用 AI 做竞品分析的人，投入思考的时间反而更多，而不是更少。 区别在于，这些思考花在了更高价值的地方，从“这个功能竞品有没有”变成了“竞品为什么在这个时间点做这件事”。

对于读到这里的你，我建议的下一步很具体：

选一个你这周或这个月需要做的竞品分析任务，尝试我给出的四阶段流程。从信息结构化开始，用分层提示词推进，至少做一次对抗性追问。先不要追求完美，重点是体验那种“人主导思考、AI 辅助推理”的协作状态。

如果在某个特定行业的分析中遇到了障碍，比如你的行业术语比较特殊、或者竞品信息极为碎片化，把你的问题记下来。解决这些场景化的难题，正是方法论不断进化的方式。

Claude 不会替你做决策，但它会让你做出的决策有更坚实的依据。这恰恰是竞品分析最初的意义。