亚马逊世界商品图谱草案:AI 购物代理先读数据,再决定推荐谁
亚马逊世界商品图谱草案:AI 购物代理先读数据,再决定推荐谁

一位采购经理在对话框里输入:找三款适合小户型、噪音低于 45 分贝、预算不超过 4000 元的洗烘一体机,比较一下差异。十几秒后,AI 购物代理给出三款型号,还写了推荐理由。她差点直接下单,直到发现排在第一的那款已经停产,第二款是 8 公斤版本,而她问的是 10 公斤。

这是一个按常见购物场景写的示意,不对应具体用户,也不对应具体平台。但它点出了 AI 购物代理的一个底层问题:代理不是先看广告,而是先读商品数据;数据里缺了型号关系、变体、停产状态,它就会把错误的商品推到你面前。

过去十年,电商竞争围绕搜索排名、广告位和评价展开;接下来几年,另一个入口会变得同样重要:当消费者把需求交给 AI 代理,代理先读谁的目录、信谁的事实,决定了谁进入候选名单。11 月 13 日,路透社披露了亚马逊一份名为 World Product Graph(世界商品图谱)的内部文件。文件把意图写得很直接:把全网在售商品尽量收进一个可读的目录,包括亚马逊自己不卖的商品,让消费者和 AI 代理在亚马逊站内完成比较。消息出来后,亚马逊回应说这是一份过时草稿。本文不把草案当既成事实,而是借它拆一件对所有卖家都成立的事:AI 代理时代,商品数据不是后台资料,而是前台入口。

一、先分清:哪些是路透社看到的,哪些还没发生

先把事实边界划清楚。路透社 2026 年 11 月 13 日报道,它看到了一份亚马逊内部规划文件,文件以新闻稿的形式撰写,提出建设一个覆盖全网商品的“世界商品图谱”。文件把 2027 年 10 月 1 日写成对外发布的目标日期,但路透社明确说,这是文件里的“理想日期”,项目是否实施、能否按期,都无法确认。

文件设想的数据范围,包括亚马逊自己不销售的商品。数据来源有两条路:一是品牌和零售商主动、持续地向亚马逊提供商品数据;二是从其他零售商网站获取商品信息。路透社没有确认亚马逊具体怎么获取、是否每家都要先拿到许可。文件提到可口可乐和拜耳已经同意提供数据,还谈到可能和宝洁做试点;这三家都没有回应路透社的置评请求。项目挂在亚马逊的选品与目录系统部门,由该部门副总裁罗伯特·特凯拉(Robert Tekiela)负责推进。

亚马逊的回应很谨慎:这份文件是“草稿性、已过时的文件”,属于“头脑风暴”性质,“不一定反映公司当前计划”;同时,公司持续致力于提升商品目录的全面性、准确性和有用性。这个回应不是否认。它没有说“我们不做”,也没有说“我们在做”。读这段回应,既要看到“草案、过时”的限定,也要看到“目录建设”的连续性。

把已确认和未确认分开,大致是这样:

  • 已确认:路透社看到并报道了这份内部文件;文件描述了世界商品图谱的设想、目标日期、数据路径和部分品牌接触;亚马逊确认文件存在,但称其过时、属于头脑风暴;Shop Direct、Alexa for Shopping、Buy for Me 已经在运行;亚马逊 2026 年第三季度财务数据已公布。
  • 未确认:项目是否正式立项、预算多少、组织是否到位;2027 年 10 月 1 日能否上线;数据获取的具体方式与授权安排;可口可乐、拜耳、宝洁的合作最终范围;图谱会不会向第三方 AI 代理开放接口,以及以什么条件开放。

文件里有一句话,大意是:如果顾客必须离开亚马逊,去谷歌、品牌官网和测评网站才能搞清楚几件商品之间的关系,亚马逊就很难成为每一次购物的终点。这句话比“2027 年上线”更值得注意,因为它说的是动机,不是时间表。亚马逊真正想守的,是消费者做购买决策时的那一层商品知识。

文件还承认了两个短板:现有 AI 购物助手的不少回答在事实上存在错误或不完整;用 AI 处理用户搜索的成本很高。补充更多、更结构化的商品数据,既是为了更准,也是为了用更便宜的模型完成同样的活。这个逻辑不难理解:如果代理每次回答都要在长尾商品里反复检索、猜测、拼接,推理成本就高,错误率也高;如果商品的身份、属性、关系都提前整理好,代理可以用更短的上下文、更确定的检索完成回答。

亚马逊对路透社表示,文件中的使用量数据已经明显过时;按公司自己的统计,Alexa for Shopping 的全球回答准确率约为 97%。这里要把两句话分开:97% 是亚马逊的自报,路透社的报道没有给出测试方法、样本量和置信区间;内部文件承认错误,也不等于 97% 是假。更合理的理解是,错误集中在长尾商品、复杂比较和变体关系上,而这几块恰好是商品图谱要补的。没有方法说明之前,97% 不能当成验收标准,只能当成公司对现状的表述。

所以,正确的读法是:不要把“2027 年 10 月上线”写成事实;也不要把“亚马逊说文件过时”理解成“这件事不会发生”。亚马逊没有承诺这份草案,但它已经在用 Shop Direct、Alexa for Shopping 和 Buy for Me 做同一方向的事。草稿能不能落地是一个问题,商品数据会不会成为 AI 代理的入口,是另一个问题。

二、亚马逊为什么现在做:入口、广告和自有助手的成本

先把财务背景摆出来。亚马逊 2026 年第三季度净销售额 2019.44 亿美元,同比增长 12%;其中线上商店 684.7 亿美元,同比增长 2%;第三方卖家服务 464.92 亿美元,同比增长 9%;广告服务 196.37 亿美元,同比增长 11%。这组数字来自亚马逊 10 月 29 日的季度业绩公告,口径是 2026 年第三季度、同比、美元。需要披露一个错期:2026 年多数主要市场的 Prime Day 提前到第二季度,亚马逊测算这给三季度营收同比增速带来约 4 个百分点的拖累;所以看零售和广告增速时,不能拿这条曲线直接外推全年。

广告 196 亿美元是什么概念?它不是一个附属业务,而是商品发现环节的变现。只要消费者还在亚马逊搜索、比较、点广告,广告库存就有价值;如果消费者把“买什么、比较哪几款”交给外部代理,代理直接去品牌站或别的零售商完成交易,亚马逊失去的不只是一笔订单,还有搜索页上的广告展示机会。路透社的报道也把这一点点明了:AI 代理可能绕过亚马逊的搜索和广告位。

亚马逊的自有助手也在承压。亚马逊称,截至 10 月 29 日公告前的 12 个月,超过 4 亿客户使用过 Alexa for Shopping;10 月 29 日又给这个助手加了 100 多项对话式能力,覆盖购物清单、订阅服务、会员权益、账户信息、账单和退款。这个数字的口径是“过去 12 个月使用过的客户”,不是月活,也不是新增用户;它说明覆盖面很大,但不能直接换算成购买转化。

覆盖面大,不等于答案可靠。路透社看到的文件承认,现有 AI 助手的不少回答在事实上错误或不完整,且用 AI 处理用户搜索的成本高。亚马逊则称,文件中的使用量数据已经明显过时,并按自己的统计给出约 97% 的回答准确率。两句话并不必然矛盾:97% 可以是整体抽样,错误可以集中在长尾商品和复杂比较上;但在没有测试方法之前,卖家不该把 97% 当成“我的商品信息已经够好”的理由。

Shop Direct 是已经存在的“供给侧”。它于 2025 年 2 月上线,2026 年 3 月覆盖约 40 万商家、1 亿件商品;到 10 月 29 日,亚马逊发言人说外部商品约 2.5 亿款,是 3 月的 2.5 倍。注意这里是“是 2.5 倍”,不是“增长 2.5 倍”:1 亿 × 2.5 = 2.5 亿;若说增长 2.5 倍,结果会是 3.5 亿,口径就错了。同期,亚马逊说数千万客户通过 Shop Direct 发现过站外商品,相关结果每月在搜索中出现数亿次。这些数字的口径是“外部商品链接数”和“搜索结果出现次数”,不是亚马逊自营 SKU 数,也不是成交额。

11 月 4 日(美国时间),亚马逊又上线 Shop Direct Merchant Workspace:符合条件的企业可以自己注册、验证网站、提交商品 feed,选择哪些 SKU 参与,并可以随时退出;接入方式包括 Feedonomics、Salsify、CEDCommerce、VersaFeed 等服务商,也可以走 Selling Partner API。商品有机会出现在 Amazon.com、购物 App、移动网页和 Alexa for Shopping;符合条件的商品还能用 Buy for Me,由亚马逊的 AI 到商家网站代下单。参与不收费,但不等于没有成本:feed 维护、数据治理、异常处理都是卖家的内部成本。

竞争对手也在逼近。据路透社等媒体转述,Meta 的购物代理 Muse 上线约六周,在美国和加拿大用户超过 1000 万;亚马逊在 9 月阻止了 Muse 访问其零售站点。亚马逊与 Perplexity 的诉讼仍在进行,期间法院禁令有反复。把这些动作连起来看,亚马逊做的不是单一产品,而是把“商品事实”留在自己的目录里:只要外部代理要回答“这几款有什么区别、哪款替代哪款”,它就更可能来读亚马逊的图谱。

这就是世界商品图谱的战略位置:Shop Direct 解决“商品在不在”,Buy for Me 解决“能不能买”,Alexa 解决“怎么问”,图谱解决“代理凭什么信”。四件事叠在一起,亚马逊想守的不是一个搜索框,而是商品知识层。广告收入只是结果之一;更根本的是,谁掌握了商品事实,谁就定义了代理的候选集。

三、商品图谱到底记什么:四层,不是一张表

很多卖家听到“图谱”,第一反应是把产品参数填全。参数当然重要,但图谱的核心不是字段数量,而是四层关系:实体、属性、关系、来源。缺任何一层,AI 代理都可能读错。

层记什么缺了会怎样卖家能做什么
实体与身份品牌、型号、GTIN/MPN、变体、套装、翻新/二手、地区版本同一产品被拆成多条记录,代理比较错对象建立主数据 ID,先归并再补字段
属性尺寸、材质、功率、容量、接口、认证、单位、适用场景参数缺失或单位不一致,代理无法筛选按品类定 20–30 个必填属性,统一单位与枚举值
关系变体、替代、兼容、套装、配件、相似产品代理不知道新旧替代、套装包含什么、配件适配谁建关系表,至少覆盖变体、替代、兼容、套装
来源与新鲜度来源 URL、记录时间、获取方式、置信度、最后核验、变更记录读到过期价格或库存,推荐失效且难以归因feed 定期同步,异常留痕,价格库存标时间

这张表解决的是“图谱到底该有哪些层”的问题,不是“字段越多越好”。四层里,实体和属性是大多数团队会做的,关系是最容易漏的,来源是最容易被当成技术细节的。后面三层恰恰决定 AI 代理敢不敢用你的数据。

实体层要解决“这是不是同一件商品”。同一款吸尘器有 1 件装、3 件装、带宠物刷套装;同一款传感器有 24V 和 48V 两个版本;同一款工业泵有 2023 款和 2025 款。如果它们在系统里各有各的名字、各有各的链接,代理会当成不同产品,比较时自然错位。更隐蔽的是地区版本:同一个型号,出口欧洲和北美可能有不同的插头、认证和包装数量,不能用一个 SKU 糊过去。

属性层要解决“能不能被筛选”。消费者问“噪音低于 45 分贝、容量 10 公斤、宽度不超过 60 厘米”,代理需要的是数值和单位,而不是一句“静音大容量”。工业买家问“能不能耐 120 摄氏度、接口是不是 G1/2、有没有 CE 认证”,代理需要的是可核对的字段和证书信息。属性不在多,而在关键字段齐全、单位统一、枚举值一致;同一个“颜色”,有的写“星空灰”,有的写“深灰”,代理就无法归并。

关系层要解决“它和别的东西是什么关系”。一款新产品替代了哪款旧产品;一个滤芯兼容哪些型号;一个套装包含主机、几个配件、什么赠品;一个配件是不是另一款机器的专属件。传统 listing 只有标题、五点、图片和价格,没有地方系统性地写这些关系;AI 代理回答“哪款更适合我”“这个能不能装在我那台上”时,恰恰需要这些关系。没有关系,代理只能按字面相似度推荐,容易把旧款、错配件、不同包装推给用户。

来源层要解决“我凭什么信,以及这是什么时候的事”。价格是独立站的还是平台的,库存是实时 API 还是昨天导出的表,认证是证书原件还是客服口述,最后核验是哪一天。AI 代理和搜索引擎不一样,它会把多个来源拼在一起回答;如果两个来源价格冲突、库存过期,代理要么给出错误答案,要么干脆不推荐。来源 URL、记录时间、获取方式、置信度和变更记录,不是审计的装饰,而是代理能否安全使用数据的前提。

技术上,最低成本的起点是 schema.org 的 Product/Offer 标记:用 additionalProperty 写属性,用 isVariantOf 写变体关系,用 isSimilarTo 写相似产品;独立站用 JSON-LD 输出,平台侧用 feed 字段映射。但标记不是图谱。标记是“页面怎么说”,图谱是“系统怎么管”:同一产品在 ERP、PIM、独立站、平台、feed 里要能对上同一个 ID,属性要有字典和单位,关系要有维护流程,来源要有时间和置信度。只加几行 JSON-LD、后台数据不治理,代理读到的仍然是互相矛盾的版本。

四、对卖家的三个变化

第一个变化:从“抢关键词”到“供事实”。过去优化标题、埋词、抢广告位;AI 代理不只看关键词,它会把属性、变体、价格、库存、评价、来源放在一起比较。你的标题写得再漂亮,如果噪音、容量、兼容型号缺失,代理就无法把你放进候选。关键词决定“能不能被搜到”,事实决定“能不能被比较、被推荐”。

第二个变化:从“单平台 listing”到“跨渠道同一身份”。同一款产品在亚马逊、独立站、B2B 平台、Google Shopping 上的型号、包装数量、颜色命名不一致,代理会当成不同产品;更糟的是,它可能拿你的 1 件装去和对手的 3 件装比单价,得出你是更贵的结论。身份不统一,流量越大,错得越远。

第三个变化:从“流量思维”到“答案份额”。以前卖家关心排名和第几屏;以后还要关心“代理回答这个问题时引用了谁”。引用不是广告位,不能直接买;它来自可读、可核、更新的商品事实。你可以把“答案份额”理解成一个新的指标:在目标品类的 50 个典型问题里,代理提到你、引用你、推荐你的比例。它不是替代排名,而是排名之外的另一层竞争。

这三个变化不意味着 SEO 和广告不重要。它们仍然是入口,但事实层是地板:地板不稳,流量来了也接不住。一个商品页可以靠广告把用户带到面前,但如果代理读到的规格是错的、变体是混的、库存是过期的,用户再点进来也只会退货或跳出。

五、90 天改造清单:从 50 个 SKU 开始

不要一上来就全量治理。先把贡献收入或搜索量最高的 50 个 SKU 做透,跑通一条从数据到代理的链路,再复制。下面五步按 90 天排,假设有一个能调动商品、运营和 IT 的小组;如果只有一个人,把周期拉长,但顺序不要变。

第一步,第 1–2 周:盘点与选样。拉出 top 50 SKU 在 ERP、PIM、独立站、平台、feed 里的记录,标出每个字段的来源和负责人;选 1–2 个品类做样板,不要跨太多品类。输出一张“数据源地图”:谁产生、谁维护、谁审核、多久更新。很多团队一上来就买工具,结果连“这个字段从哪来”都说不清;先画地图,再决定工具。

第二步,第 3–4 周:身份归并。给每个独立产品一个主 ID;能拿到 GTIN 就用 GTIN,拿不到就用“品牌+型号+关键规格”生成内部 ID,并保留平台 SKU 映射。把颜色、尺寸、电压、包装数量归并成变体,不要当独立产品;把停产、替代、套装关系单独建表。主 ID 不是给 IT 看的,它是跨渠道、跨系统、跨语言的共同锚点;没有它,后面的属性、关系、来源都挂在不同的树上。

第三步,第 5–6 周:属性字典。每个品类定 20–30 个必填属性,统一单位(毫米/厘米、瓦/千瓦、升/加仑),统一枚举值(颜色、材质、接口类型)。拿不到的值标“未知”,不要猜;认证、能效、适用年龄这类合规字段,必须由商家提供并复核。属性字典要写成文档,不要只存在某个人的脑子里;同一个字段,运营、客服、技术看到的定义必须一致。

第四步,第 7–8 周:关系与 feed。至少建四类关系:变体、替代、兼容、套装。独立站输出 JSON-LD;平台和 Shop Direct 用 feed 映射,把主 ID、变体、属性、价格、库存、来源时间写进去;设定更新频率,价格和库存日更,属性月审,认证变更即时更新。feed 不是“传一次就完”的文件,而是一条持续运行的数据管道;要有失败重试、异常告警和版本记录。

第五步,第 9–12 周:验证与验收。用 50 个真实购物问题测代理:问它“哪款适合小户型”“这款兼容哪些型号”“新旧款差在哪”“套装包含什么”。记录回答是否正确、是否引用你、是否把变体搞混;把错误分成“数据缺失”“关系错误”“来源过期”“代理理解错误”四类,逐条修。不要只看“提交了多少条”,要看“代理能不能用对”。

验收指标定义建议目标怎么测
身份归并率top 50 SKU 中能归并到同一主 ID 的比例样板品类 100%人工对照 ERP、平台、独立站三处记录
必填属性完整率必填属性有值或明确标“未知”的比例≥95%(“未知”也算有值)抽样 30 条,逐字段核对
变体与关系准确率变体、替代、兼容、套装关系正确的比例≥98%抽 50 组关系人工核对
价格库存新鲜度价格、库存最后更新时间在约定窗口内的比例≥95%(日更品类)看时间戳,并与来源站点对照
AI 问答抽检准确率50 个典型问题中回答事实正确的比例先建基线,再逐月提升双人盲评,记录错误类型

这张表解决的是“怎么证明改造有效”的问题。五项里,最容易被忽略的是“来源时间”和“关系准确率”。很多团队只统计“提交了多少条”,但提交数量不等于可用数量;一条没有来源时间、关系错误的价格,可能比没有数据更糟,因为代理会自信地推荐错。建议目标是样板品类的内部验收线,不是行业标准,实际按品类和业务容忍度调整。

我们在多规格商品的数据整理里踩过三个坑,写出来供对照。第一个坑,把营销标题当产品名:独立站标题为了点击,常写成“2026 新款……”,ERP 用内部料号,平台用型号;三套名字没有映射,图谱里同一产品变成三条记录。后来我们先做主 ID 和映射表,再谈文案。第二个坑,把变体当独立产品:1 件装、3 件装、带赠品套装被拆成三个链接,价格没有按单位归一;AI 代理比较时得出“3 件装更贵”,实际上按每件单价算可能更便宜。变体矩阵和单位价格是必须补的。第三个坑,feed 提交一次就不管:价格和库存停在提交那天,代理读到缺货或旧价,推荐自然轮不到;后来把更新频率、失败重试、异常告警写进日常运维,才算真正上线。

交付物至少包括:主数据与映射表、品类属性字典、变体/替代/兼容/套装关系表、feed 字段映射、JSON-LD 模板、更新与异常处理流程、验收报告。缺了关系表和来源时间,这套东西只能算“参数表”,还不算“图谱”。如果内部没有 PIM,可以先用现有 ERP 加一张关系表跑起来,但主 ID、属性字典、关系表这三样不能省。

六、B2B 和 B2C 要分开做

B2C 的商品图谱相对标准:GTIN、颜色、尺寸、容量、价格、库存、配送、评价。消费者问的是“哪个更适合我”“哪个更便宜”“多久能到”。这些字段在平台后台和独立站里大多已经有位置,难的是跨渠道一致、变体归并和来源时间。

B2B 完全不是这套。工业品的采购决策是“能不能用、交期能不能兑现、认证齐不齐、能不能定制、最小起订量多少、贸易条款怎么算”。很多工业品没有 GTIN,型号是厂家自定义的,规格写在 PDF 图纸里,价格按数量阶梯报。你只填消费级属性,AI 代理无法判断它能不能替代客户现用的型号。

B2B 卖家要建的是“产品+能力”图谱:产品层写型号、材质、公差、接口、认证、适用标准;能力层写 MOQ、交期、定制范围、包装、港口、贸易条款;关系层写替代型号、兼容设备、配套件。采购员问“这款能不能替代 X”时,代理才有东西可读。跨境合规也要单独处理:认证、标签、责任人、能效、年龄段这些信息,不能由 AI 推断;必须由商家提供文件、人工复核,并在页面上写清适用市场和限制。图谱可以让信息更可读,但不能替商家承担合规责任。

七、边界、成本与常见问题

先把边界说清楚:世界商品图谱目前是路透社看到的一份内部草案,亚马逊称其过时;项目是否立项、预算多少、2027 年 10 月 1 日能否上线,都没有确认。本文不构成对亚马逊计划的预测,也不构成法律意见;涉及数据获取、跨境的合规判断,要按适用法规和企业制度另行确认。

第二,数据获取要授权。做自己的商品数据,优先用官方 feed、开放 API、商家后台导出;不要绕过站点规则去读别人的目录;参与 Shop Direct 这类项目,要看清商家协议、退出机制和数据使用范围。图谱的价值来自可核,不是来自拿得多。来源 URL、记录时间、获取方式和最后核验,既是给代理看的,也是给自己查错用的。

第三,成本分档。最低一档是表格治理:主 ID、属性字典、关系表,先用 Excel 或现有系统跑起来;中间一档是 PIM/中间件:把 ERP、独立站、平台、feed 串起来,做校验和同步;最高一档是定制商品中台:多语言、多币种、多单位、审批流、来源审计。大多数中小卖家不需要一开始就上最重的那档,但主 ID、属性字典、关系表这三样不能省。持续成本主要在人工维护和异常处理,不是一次性开发费;立项时要把运行账算进去。

第四,不要为了“图谱”牺牲可读性。属性要标准化,但产品卖点、使用场景、安装说明仍然要写给人看;AI 代理读结构化数据,消费者读内容和评价,两者不冲突。也不要把关键词堆进属性字段:属性是事实,不是广告位;一旦代理发现字段和实际不符,丢的不是一次曝光,而是长期的可用性。

问:世界商品图谱确定上线吗?
没有确认。路透社看到的是内部文件,亚马逊称其过时;2027 年 10 月 1 日是文件里的目标日期,不是承诺。可以关注,但不要把它当成已经排期的产品。

问:我不做独立站,只在亚马逊卖,需要管吗?
需要。平台 listing 本身就是商品数据;把型号、变体、属性、关系填清楚,对站内搜索和 AI 助手都有用。独立站只是多一个可控的来源,不是前提。

问:加了 schema.org 标记,AI 就会推荐我吗?
不能这么理解。标记提高可读性,不买排名;能不能被推荐还取决于属性完整度、价格库存、评价、履约和代理的检索策略。标记是必要条件之一,不是充分条件。

问:从多少 SKU 开始?
先做 top 50,选 1–2 个品类,跑通身份、属性、关系、来源四层,再复制。全量治理听起来彻底,实际上最容易停在“整理了一半”的状态。

问:这会取代 SEO 吗?
不会。SEO 争的是搜索结果位置,商品事实争的是代理候选和引用;两者是叠加关系,不是替代。搜索仍然带来流量,事实决定流量能不能被正确比较和推荐。

回到开头那位采购经理。她需要的不是更多推荐,而是代理能分清哪款停产、哪款是 8 公斤、哪款才是 10 公斤。世界商品图谱会不会在 2027 年 10 月 1 日上线,没人能确定;但 AI 代理先读数据再推荐,这个方向已经发生在 Shop Direct、Alexa、Muse 和 Perplexity 的竞争里。对卖家来说,最稳的动作不是猜亚马逊的发布会,而是把自家产品的身份、属性、关系和来源整理成机器能读、人能核的样子。图谱是平台的,商品事实是你的。

附:口径与来源

  • 路透社,2026-11-13,关于亚马逊内部文件 World Product Graph 的独家报道。文件以新闻稿形式撰写,设想覆盖包括亚马逊不销售商品在内的全网商品;目标日期 2027-10-01 为文件中的“理想日期”,项目是否实施、能否按期未确认;数据路径包括品牌/零售商提供和从其他零售商网站获取,具体方式与是否逐家授权未确认;可口可乐、拜耳已同意提供数据,宝洁曾进行 CEO 级会谈,三家均未回应置评请求;项目由 Selection & Catalog Systems 部门副总裁 Robert Tekiela 推进;亚马逊回应称文件为草稿性、过时、头脑风暴材料,不一定反映当前计划,同时表示致力于提升目录的全面性、准确性和有用性。文中“如果顾客必须离开亚马逊……”为对该文件内容的中文转述,不是亚马逊官方引语。
  • Amazon.com, Inc. 2026 年第三季度业绩公告,2026-10-29:净销售额 2019.44 亿美元,同比 +12%(剔除汇率 +13%);线上商店 684.7 亿美元,同比 +2%;第三方卖家服务 464.92 亿美元,同比 +9%;广告服务 196.37 亿美元,同比 +11%。亚马逊测算,2026 年 Prime Day 在多数主要市场提前至第二季度,对三季度营收同比增速形成约 4 个百分点拖累。上述为 Q3 单季、同比、美元口径;Prime Day 影响为公司测算,非独立审计。广告增速的同比基数也较高,跨期比较需注意。
  • 亚马逊 Shop Direct 相关披露,2026-10-29 与 2026-11-04:2025 年 2 月上线;2026 年 3 月约 40 万商家、1 亿件商品;2026 年 10 月 29 日亚马逊发言人称外部商品约 2.5 亿款,为 3 月的 2.5 倍(1 亿 × 2.5 = 2.5 亿,是倍数不是增幅);数千万客户通过该计划发现站外商品,相关结果每月在搜索中出现数亿次。11 月 4 日上线 Merchant Workspace,支持商家自助注册、验证网站、提交 feed、按 SKU 选择参与和退出;接入服务商包括 Feedonomics、Salsify、CEDCommerce、VersaFeed,也可走 Selling Partner API;覆盖 Amazon.com、购物 App、移动网页和 Alexa for Shopping;符合条件的商品可用 Buy for Me。上述规模数字为亚马逊发言人口径,经路透社及网经社等媒体转述;“外部商品链接数”不等于自营 SKU 数,也不等于成交额。
  • Amazon Alexa for Shopping,2026-10-29 公告及 2026-11-06 短信购物公告:截至 10 月 29 日公告前的 12 个月,超过 4 亿客户使用过 Alexa for Shopping;10 月 29 日扩展 100 多项对话式购物与账户能力。4 亿为“过去 12 个月使用过的客户”口径,不是月活、不是新增,也不是购买转化;该数字经 Unite.AI 等媒体转述,亚马逊未在财报中单独披露。短信购物功能于 11 月 6 日向少量受邀美国用户开放,计划未来数周扩大,属于早期阶段。
  • Meta Muse:据路透社及多家媒体转述,2026 年 9 月上线后约六周,在美国和加拿大用户超过 1000 万;亚马逊同月阻止 Muse 访问其零售站点。1000 万为媒体转述的累计用户口径,不是月活;Meta 未在财报中单独披露该产品数据。摩根大通曾认为 Muse 有潜力成为大型消费级 AI 应用,该判断为机构观点,不是事实预测。
  • Perplexity 诉讼:亚马逊与 Perplexity 的诉讼仍在进行;2026 年 3 月法院曾裁定禁止 Perplexity 的购物代理 Comet 访问亚马逊平台,2026 年 8 月美国上诉法院推翻该禁令,相关法律纠纷仍在审理。上述为阶段性程序状态,不是最终判决;不构成法律意见。
  • 本文中的 90 天步骤、五项验收指标和“建议目标”为交付方法示例,不是行业标准,也不构成效果承诺;实际阈值按品类、客户环境和业务容忍度约定,以客户环境实测为准。文中开头购物场景为示意,不对应具体用户或平台;项目经验部分为脱敏后的方法总结,不含真实客户数据。