Particl Retail Intelligence
Particl, Inc. · 程式設計 · 行銷
Particl 是一套零售情資平台，估算超過 2 萬家零售商的競品銷售、價格、庫存與商品組合，再把這些資料轉成上市、定價與促銷決策。
關於 Particl Retail Intelligence
About
什麼是 Particl Retail Intelligence
Particl 是為電商團隊打造的競品追蹤平台。它從數千家零售商的店面與結帳流程蒐集訊號，推算每件商品大概賣出多少，再整理成儀表板、報告與警示。品牌團隊用它回答三個內部數據答不出的問題：我的品類在賣什麼、賣什麼價、背後壓了多少庫存。
規模是它最主要的說法。Particl 宣稱追蹤超過 2 萬家零售商、6 億個以上的 SKU，監控營收約 5,000 億美元。這些銷售數字是用公開訊號推估出來的，不是零售商申報的帳。請把它們當方向看，遇到型錄曝光少的小品牌，誤差會明顯放大。換到大品類與資料完整的品牌，估算足以支撐規劃。
它做不到的事同樣要講清楚。這裡不投廣告、不管店面，也看不到你自己客戶的第一方資料。它是由外往內看市場的工具，擺在 BI 系統旁邊，而不是取代 BI。月費自 250 美元起，個人賣家基本上被價格擋在門外，這是品牌、代理商與品類團隊的工具。
開始使用
- 從 particl.com 預約展示或啟動 14 天試用。依需要的競品數量與歷史資料月數選方案。
- 在 Company Explorer 建立競品清單。Starter 追蹤 5 個品牌，Essential 與 Growth 各 10 個，Custom 最多 1,000 個。
- 打開 Product Explorer，查看這些品牌的 SKU 銷售估計、價格歷史與庫存訊號。用篩選器把畫面縮到某個品類、價格帶或商品類型。
- 把每週要看的檢視存起來，並開啟新品上市、補貨與價格變動的警示。
- 匯出 CSV，或排程寄送郵件報告給不登入的同事。Custom 方案另外提供大量匯出與 API 存取。
產品資訊
快速了解 Particl Retail Intelligence 的定價、支援平台與效能。
適合對象
這項工具最適合的使用者、任務與情境。
使用者
- DTC 品牌創辦人：在壓下生產訂單前，先看清競品哪些商品真的在動。預算至少要抓到 250 美元/月的 Starter，若要規劃整個季度，三個月歷史資料通常不夠用。
- 電商分析師與品類經理：SKU 銷售估計加歷史圖表，可以取代多數團隊原本在試算表裡猜數字的做法。估算值仍要拿自家通路的資料交叉檢查。
- 代理商與零售顧問：競品價格與商品組合來自同一個地方，客戶報告快很多。內含三個席次足以應付小型客戶團隊，加購席次每月 40 至 80 美元。
任務
- 決定下一個要推的品項：把品類依估計營收排序，找出有需求但供給稀薄的價格帶，再挑出值得開模生產的品項。
- 定價與守價：追蹤競品價格資料與折扣節奏，再回頭確認降價是真的拉動件數，還是白白讓掉毛利。
- 規劃商品組合：商品組合分析會標出你與競品重疊的地方，以及沒人做好的子品類，市場空白分析就在這裡發揮價值。
- 檢視競品的行銷動作：素材庫收集廣告、電子郵件與社群貼文，你可以先讀活動內容，再對照同期銷售有沒有起來。
情境
- 下一季之前的產品線檢視：拉出 12 個月歷史資料，依價格帶比較暢銷品，開會時帶著估計營收，而不是憑感覺。
- 想做又不敢做的調價：先觀察競品幾週內怎麼回應，再把調整套用到整個型錄。
- 每月給客戶或管理層的報告：把匯出排程好，省下手動撈資料的時間，把精力放在解讀。
主要功能
SKU 層級的銷售估計
Particl 估的是單品營收，不是品牌總額，而上市決策幾乎都發生在這個層級。你可以把品類依估計銷量排序、篩某個價格帶，看出哪些品項撐起競品的營收。估算值是模型推出來的，正確用法是在同一個品類裡互相比較，而不是把單一數字當成查核過的實績。
競品價格與折扣追蹤
價格歷史會顯示原價、折扣深度與活動維持多久。這正好回答一個靠直覺常答錯的問題：降價帶來的是量，還是只把本來就會賣掉的件數折掉毛利。資料每日更新，用來開每週定價會議已經夠即時。
商品組合與市場空白分析
商品組合分析會畫出你的型錄與競品型錄之間的重疊，讓你看出雙方都擠在哪、哪裡還留著缺口。市場空白分析接著依需求排序這些缺口。團隊用它砍掉表現差的 SKU，也用它在會議上替新子品類找證據，而不是靠一句「我覺得有機會」。
行銷素材庫
追蹤品牌的廣告、電子郵件與社群貼文會集中到同一個素材庫。你可以讀素材、記下促銷條件，再對照同一段時間的銷售資料。這正是「抄競品活動」與「知道活動有沒有效」之間的差別。代理商在提案季多半都待在這個畫面裡。
歷史資料、趨勢與警示
歷史資料從 Starter 的三個月、Essential 的六個月、Growth 的十二個月，一路到 Custom 的 48 個月。這樣的長度足以把季節性和真正的趨勢分開。新品、補貨與調價會觸發警示，競品一有動作，你當週就知道，不必等季度檢討。
給 Claude 與 ChatGPT 的 MCP 存取
Particl 提供 MCP 伺服器，把帳號接到 Claude、ChatGPT 或其他支援 MCP 的客戶端，就能用自然語言查競品資料。問某家零售商賣最好的是什麼，會直接得到附來源的答案，不用開儀表板。對已經在對話視窗裡工作的分析師來說，這是取得 MCP 零售資料最快的路，不必另開整合專案。
優缺點
優點
- 營收估算做到單品層級，對上市決策比品牌總額有用得多。
- 價格、商品組合與行銷資料放在同一個帳號，一個問題不必開三套工具。
- MCP 存取讓資料直接進到 Claude 或 ChatGPT，不用客製整合專案。
- 每日更新搭配警示，讓變動快的品類在每週檢視之間也保持可見。
- 14 天試用足以做一輪真評估，包含建立競品與產出第一份報告。
缺點
- 入門的 250 美元/月只有一個席次與三個月歷史，對小品牌偏貴，而真正好用的歷史長度要 1,000 美元/月。
- 銷售數字是模型估算。當成申報營收來用會做錯判斷，長尾品牌尤其明顯。
- 競品上限來得很快。Starter 的五個品牌只夠看一個窄品類，畫不出市場全貌。
- 沒有手機 App。要在店裡查價格，只能用瀏覽器。
常見問題
用來看清競品賣什麼、賣多少錢、賣多少量。品牌團隊與代理商拿它做新品研究、定價判斷、商品組合規劃與活動檢視。它是由外往內看的市場觀點，因此是補強你的銷售資料，不是取代。
相關內容
探索與 Particl Retail Intelligence 相關的工具、技能與文章。
Particl Retail Intelligence 替代方案
Base Code
Base44 (Wix) · 程式設計 · 生產力Base Code 是 Base44 推出的共享雲端開發環境。團隊在對話中描述對既有 GitHub 儲存庫的修改，看著預覽確認結果，再以 Pull Request 交回工程團隊。
Google EmbeddingGemma 2
Google DeepMind · 寫作 · 圖片 · 程式設計Google EmbeddingGemma 2 是 7.4 億參數的開源模型，能把文字、程式碼、圖片、音訊與影片畫面轉成同一個 768 維空間裡的向量，在手機與筆電上就能執行。
GitGlow
GitGlow · 程式設計 · 生產力GitGlow 是桌面版 Git 用戶端，把你自己的程式碼與 AI 代理程式的變更集中在同一份審查裡，讓你在交付前看清楚機器上究竟要送出什麼。