竞品分析绝非简单的功能罗列，而是结构化思维的重要实践。本文揭秘资深产品经理常用的四维拆解法——从市场定位的战略高度到模型技术的底层逻辑，从产品功能的深度对比到用户体验的细节把控，教你如何产出真正能指导决策的竞品分析报告。

“帮我分析一下竞品”——拿到需求后，我会先拆这四个维度

上一篇我聊了为什么要做竞品评测。但光知道”要做”还不够，拿到需求后你得知道从哪里下手。

我见过很多人做竞品分析，打开竞品App一顿截图，然后列一堆功能点，最后写个”整体体验良好”就交差了。这种分析看起来很全，但没法用——因为它没有维度，没有结构，更没有结论。

我做竞品评测时，会固定拆四个维度：市场定位、模型技术、产品功能、用户体验。不管评测对象是什么，这四个维度基本都能覆盖。下面我一个个拆开讲。

1）市场定位：先搞清楚”它是什么”，再去看”它做得怎么样”

很多人上来就看功能，这是不对的。功能是”how”，定位才是”what”和”why”。

市场定位回答的是三个问题：

1.1 产品定位：它把自己摆在什么位置？

同样是AI助手，ChatGPT的定位是”通用智能助手”，Perplexity的定位是”AI搜索引擎”，Character.AI的定位是”AI角色扮演平台”。

定位不同，后面的功能设计、技术选型、商业模式都会完全不同。

我看定位时会关注几个点：官网首页怎么介绍自己？Slogan是什么？核心价值主张是什么？它强调的是效率、准确、有趣、还是便宜？

1.2 目标人群：它在服务谁？

这个问题很关键，因为它决定了你们是不是真正的竞品。

举个例子，Jasper和Notion AI都有AI写作功能，但Jasper服务的是市场营销团队，Notion AI服务的是用Notion做知识管理的人群。它们的用户画像不同，痛点不同，付费意愿也不同。

我会看：它的定价策略是什么？免费版和付费版差异在哪？它在哪些渠道推广？用户评价里提到最多的使用场景是什么？

1.3 市场规模：这个细分赛道有多大？

这个信息对战略决策很重要。一个天花板很低的市场，就算你做到第一也没多大意义。

我会看：这个领域有没有公开的市场研究报告？头部玩家的融资情况怎么样？用户增长趋势如何？

2）模型技术：AI产品的核心壁垒，必须搞清楚

这是AI产品区别于传统软件的关键维度。传统产品你看功能就行，AI产品你还得看它的技术底座。

2.1 基础模型：它用的是什么模型？

这个问题直接决定产品的能力天花板。

我会关注：它是自研大模型，还是用开源模型微调，还是直接调用第三方API？具体用的是哪个模型？模型参数量大概是多少？

举个例子，国内有些AI产品早期直接套壳GPT-4的API，后来因为成本和合规问题切换到国产模型。这种技术选型的变化会直接影响产品表现。

2.2 模型性能：在关键指标上表现如何？

不同场景关注的指标不一样：

• 对话类产品：响应速度、上下文理解能力、幻觉率
• 搜索类产品：信息准确性、时效性、来源可靠性
• 生成类产品：内容质量、多样性、风格控制能力

我做评测时会针对具体场景设计测试用例，而不是只看官方跑分。官方跑分都是挑最好的情况测，实际使用是另一回事。

2.3 独特技术：有没有什么技术创新？

有些产品会在通用大模型基础上做一些独特的技术优化，这可能是它的护城河。

比如：有没有用RAG（检索增强生成）来提升准确性？有没有用多Agent架构来处理复杂任务？有没有针对特定领域做微调？

这部分需要一定技术背景才能评估，但即使你不是技术出身，至少要搞清楚竞品的技术选型，因为这决定了它的能力边界和成本结构。

3）产品功能：大多数人最熟悉的维度，但容易做得太浅

功能分析是竞品评测的主体部分，但很多人做得太浅——只是罗列”有什么功能”，没有分析”功能做得怎么样”。

3.1 核心功能：它的主打功能是什么？怎么实现的？

我会先识别出竞品的2-3个核心功能，然后深入体验和分析。

比如评测Deep Research类产品，核心功能就是”深度研究”。那我会关注：它的搜索范围是什么？一次研究会搜索多少个来源？研究过程用户能不能介入？最后输出的报告格式是什么？

3.2 功能矩阵：把多个竞品放在一起对比

我会构建一个功能矩阵表：横轴是各个竞品，纵轴是功能点，然后逐一标注有无、打分。

这样做的好处是：一眼就能看出谁的功能最全、谁在某个功能上有独特优势、谁有明显短板。

3.3 技术能力：功能背后的AI能力怎么样？

同样的功能，不同产品的实现质量可能天差地别。

比如都有”AI总结”功能，有的产品总结得精准有条理，有的产品总结完你还得自己重新整理。这就是AI能力的差异。

我会针对关键功能设计测试用例，用同样的输入去测不同产品，然后对比输出质量。

4）用户体验：AI产品也是产品，体验不能丢

很多人觉得AI产品主要看模型能力，体验是次要的。我不这么认为。

用户不会因为你模型强就忍受难用的界面。相反，很多时候体验好的产品能吃掉体验差的产品的市场份额，即使后者模型更强。

4.1 交互流程：完成一个典型任务需要几步？

我会设计几个典型用户任务，然后走一遍完整流程。

比如：”用Deep Research功能研究一个行业报告”这个任务，从发起请求到拿到结果，需要几步操作？中间有没有需要等待的环节？等待时用户能看到什么？

流程越短、等待体验越好、中间的困惑点越少，用户体验就越好。

4.2 界面设计：信息呈现是否清晰？

AI产品有个特殊挑战：AI生成的内容往往很长，怎么呈现这些内容是个设计难题。

我会关注：结果的排版是否清晰？有没有目录/大纲方便跳转？引用来源是否明确标注？能不能方便地导出或分享？

4.3 内容质量：AI输出的内容能不能直接用？

这是用户体验的核心。功能再多，如果输出的内容不能用，一切都白搭。

我评测内容质量会看几个点：信息准确性（有没有事实错误？）、完整性（有没有遗漏关键信息？）、可读性（语言是否通顺？结构是否清晰？）、实用性（能不能直接用，还是需要大量修改？）

5）我的一句话总结：四个维度，每个都有不同的决策价值

• 市场定位：帮你判断它是不是真正的竞品，以及你应该怎么差异化
• 模型技术：帮你理解它的能力天花板和成本结构
• 产品功能：帮你找到功能差距和优化方向
• 用户体验：帮你发现体验层面的机会点

四个维度不是每次都要全做。根据评测目的不同，可以有侧重。比如老板让你快速看一下竞品，可能重点看定位和核心功能就够了；如果是要指导产品迭代，那四个维度都要做深。