拆解红海里的蓝海——把女装细分赛道想象成一片海域 大码、新中式、机能女装就是几座不同的岛屿咱们用 Python 做一张可航行性排名图。红海女装细分蓝海赛道容量排序程序(Womens Wear Niche Market Capacity Ranking System)定位教学级市场细分与赛道潜力评估工具语言Python 3.10适用场景时尚产业与品牌创新课程、市场细分分析、品类规划决策一、实际应用场景描述女装市场被公认为红海——竞争激烈、同质化严重、利润空间被持续压缩。但在红海之下仍存在结构性机会即蓝海细分赛道。典型例子- 大码女装体型包容需求长期被主流品牌忽视- 新中式女装文化自信驱动下的审美回潮- 机能女装女性户外与都市机能风的交叉地带品牌在做品类规划时需要回答的问题是这三个细分赛道中哪个的蓝海潜力最大如何量化红海程度与蓝海空间这不是拍脑袋能解决的需要一个多维度打分与排序模型。二、引入痛点行业现实问题1. 蓝海缺乏可操作的量化定义- 常说这个赛道是蓝海但蓝海怎么测- 缺少将竞争强度需求未被满足度增长空间整合为单一可排序指标的框架2. 赛道对比维度不一致赛道 主流关注维度 问题大码女装 体型覆盖率 忽略了审美与风格细分新中式 文化热度 忽略了供应链成熟度机能女装 功能参数 忽略了女性用户接受度三者不可比决策缺乏统一标尺。3. 红海/蓝海判断停留于定性- 大码是蓝海——依据是什么- 无法回答大码和新中式哪个更值得投入三、核心逻辑讲解建模思路1. 核心假设教学简化- 每个细分赛道用四维指标体系刻画- 通过加权打分生成综合蓝海指数- 指数越高 → 蓝海潜力越大2. 四维指标体系维度 指标 含义需求强度demand_score 目标人群需求量搜索量/讨论量供给缺口supply_gap 1 − 现有品牌覆盖率竞争强度competition_level 赛道内品牌集中度越高越红海增长趋势growth_momentum 近 N 年搜索/销量复合增速3. 蓝海指数公式蓝海指数 w₁ × demand_score w₂ × supply_gap w₃ × (1 − competition_level) ← 竞争越低越好 w₄ × growth_momentum权重 w₁~w₄ 可根据课程讨论调整4. 排序逻辑按蓝海指数降序排列 → 第 1 名 最具蓝海潜力的赛道四、项目结构niche-ranking/│├── README.md├── USAGE.md├── main.py├── modules/│ ├── data_model.py # 赛道数据结构│ ├── scoring.py # 蓝海指数计算│ ├── ranking.py # 排序与对比│ └── reporter.py # 结果输出└── config/└── segments.yaml五、核心代码实现Python1️⃣ 数据结构data_model.py# data_model.py# 定义细分赛道的数据结构from dataclasses import dataclassfrom typing import Optionaldataclassclass MarketSegment:表示一个女装细分赛道name: str # 赛道名称demand_score: float # 需求强度0~1supply_coverage: float # 现有供给覆盖率0~1competition_level: float # 竞争强度0~11高度集中growth_momentum: float # 增长动能0~1notes: Optional[str] None # 补充说明def __post_init__(self):for field_name in [demand_score, supply_coverage,competition_level, growth_momentum]:value getattr(self, field_name)if not 0.0 value 1.0:raise ValueError(f{field_name} 必须在 0~1 之间)propertydef supply_gap(self) - float:供给缺口 1 − 覆盖率return 1.0 - self.supply_coverage2️⃣ 蓝海指数计算scoring.py# scoring.py# 计算各细分赛道的蓝海指数from modules.data_model import MarketSegmentdef calculate_blue_ocean_index(segment: MarketSegment,weights: dict) - float:蓝海指数 Σ(wi × xi)weights 结构- demand: 需求强度权重- supply_gap: 供给缺口权重- low_competition: 低竞争权重注意取反- growth: 增长动能权重score (weights[demand] * segment.demand_score weights[supply_gap] * segment.supply_gap weights[low_competition] * (1.0 - segment.competition_level) weights[growth] * segment.growth_momentum)return round(score, 4)3️⃣ 排序与对比ranking.py# ranking.py# 对多个赛道进行蓝海指数排名from typing import Listfrom modules.data_model import MarketSegmentdef rank_segments(segments: List[MarketSegment],weights: dict) - List[dict]:按蓝海指数降序排列返回排名列表from modules.scoring import calculate_blue_ocean_indexscored []for seg in segments:index calculate_blue_ocean_index(seg, weights)scored.append({name: seg.name,blue_ocean_index: index,demand: seg.demand_score,supply_gap: seg.supply_gap,competition_inverse: 1.0 - seg.competition_level,growth: seg.growth_momentum,})return sorted(scored, keylambda x: x[blue_ocean_index], reverseTrue)def print_rankings(ranked: list, top_n: int None):格式化输出排名if top_n:ranked ranked[:top_n]print(f\n{排名:4} {赛道:14} {蓝海指数:10} {需求:6} {缺口:6} {低竞争:6} {增长:6})print(- * 68)for i, r in enumerate(ranked, 1):print(f {i:4} {r[name]:14} {r[blue_ocean_index]:10.4f} f{r[demand]:6.2f} {r[supply_gap]:6.2f} f{r[competition_inverse]:6.2f} {r[growth]:6.2f})def compare_top_two(ranked: list) - dict:对比第 1 名和第 2 名的差距if len(ranked) 2:return Nonetop ranked[0]second ranked[1]return {top_name: top[name],second_name: second[name],index_diff: round(top[blue_ocean_index] - second[blue_ocean_index], 4),gap_pct: round((top[blue_ocean_index] - second[blue_ocean_index])/ second[blue_ocean_index] * 100,2),}4️⃣ 结果输出reporter.py# reporter.py# 输出维度贡献拆解def print_dimension_contribution(ranked: list):展示每个维度对总分的贡献占比print(f\n 维度贡献分析第 1 名)top ranked[0]total sum([top[demand],top[supply_gap],top[competition_inverse],top[growth],])dims [(需求强度, top[demand]),(供给缺口, top[supply_gap]),(低竞争, top[competition_inverse]),(增长动能, top[growth]),]for name, value in dims:pct (value / total) * 100 if total 0 else 0print(f {name:10} {value:.2f} (贡献 {pct:.1f}%))def print_comparison_summary(comp: dict):if comp is None:returnprint(f\n 冠亚军差距 )print(f 第 1 名: {comp[top_name]})print(f 第 2 名: {comp[second_name]})print(f 指数差距: {comp[index_diff]:.4f})print(f 相对差距: {comp[gap_pct]:.1f}%)5️⃣ 主程序main.py# main.pyimport yamlfrom modules.data_model import MarketSegmentfrom modules.ranking import rank_segments, print_rankings, compare_top_twofrom modules.reporter import print_dimension_contribution, print_comparison_summarydef load_segments(path: str) - dict:with open(path, r, encodingutf-8) as f:return yaml.safe_load(f)if __name__ __main__:cfg load_segments(config/segments.yaml)# 构建赛道对象segments [MarketSegment(names[name],demand_scores[demand_score],supply_coverages[supply_coverage],competition_levels[competition_level],growth_momentums[growth_momentum],notess.get(notes),)for s in cfg[segments]]weights cfg[weights]print( * 60)print( 红海女装细分蓝海赛道容量排序)print( * 60)print(f\n权重配置需求{weights[demand]} 缺口{weights[supply_gap]} f低竞争{weights[low_competition]} 增长{weights[growth]})ranked rank_segments(segments, weights)print_rankings(ranked)# 维度贡献拆解print_dimension_contribution(ranked)# 冠亚军对比comp compare_top_two(ranked)print_comparison_summary(comp)6️⃣ 配置文件config/segments.yaml# 女装细分赛道蓝海评估配置segments:- name: 大码女装demand_score: 0.72 # 体型包容需求强烈supply_coverage: 0.35 # 主流品牌覆盖不足competition_level: 0.30 # 竞争者少集中度低growth_momentum: 0.55 # 社交平台讨论增速中等notes: 体型多样化需求长期被忽视- name: 新中式女装demand_score: 0.85 # 文化自信驱动搜索热度高supply_coverage: 0.50 # 已有一定供给但良莠不齐competition_level: 0.55 # 竞争者增多同质化初现growth_momentum: 0.78 # 近 2 年增速快notes: 文化 IP 红利但设计门槛高- name: 机能女装demand_score: 0.60 # 女性户外/都市机能需求兴起supply_coverage: 0.25 # 专为女性设计的机能款极少competition_level: 0.20 # 几乎无直接竞品growth_momentum: 0.65 # 户外时尚交叉热度上升notes: 技术壁垒高供应链要求高# 蓝海指数权重总和为 1weights:demand: 0.30supply_gap: 0.25low_competition: 0.25growth: 0.20六、README.md# 红海女装细分蓝海赛道容量排序程序教学级市场细分分析工具通过四维指标体系量化评估女装细分赛道的蓝海潜力并排序。## 功能特点- 四维指标体系需求强度 / 供给缺口 / 竞争强度 / 增长动能- 加权蓝海指数支持自定义权重- 多赛道横向对比排名- 维度贡献拆解与冠亚军差距分析## 使用方法bashpip install pyyamlpython main.py## 适用对象- 时尚产业与品牌创新课程市场细分模块- 品类规划与品牌定位分析- 多指标决策模型教学案例七、USAGE.md使用说明# 使用说明## 核心参数说明### 赛道参数segments- demand_score需求强度0~1参考搜索指数/讨论量- supply_coverage现有供给覆盖率0~11完全覆盖- competition_level竞争强度0~11高度集中红海- growth_momentum增长动能0~1参考近年复合增速### 权重配置weights- 四个权重之和应为 1.0- 建议根据课程讨论调整- 偏供给端视角 → 提高 supply_gap 权重- 偏竞争视角 → 提高 low_competition 权重- 偏趋势视角 → 提高 growth 权重## 典型实验### 实验 1权重敏感性- 将 demand 权重从 0.30 调至 0.50- 观察排名是否发生变化### 实验 2新增赛道- 加入孕妇职业装银发时尚等新赛道- 扩展为 5~7 赛道对比### 实验 3极端情景- 将某赛道的 competition_level 调至 0.9- 验证模型是否能正确识别红海化## 输出解读- 蓝海指数越高 → 蓝海潜力越大- 维度贡献分析揭示为什么是它排第一- 冠亚军差距百分比反映排名稳定性八、核心知识点卡片┌──────────────────────────────────────┐│ 蓝海 ≠ 没有竞争 ││ 而是需求未被满足与竞争不充分的 ││ 交叉地带 │└──────────────────────────────────────┘┌──────────────────────────────────────┐│ 多指标加权打分法 ││ 将不可比维度映射到同一量表 ││ 是决策分析的基础工具 │└──────────────────────────────────────┘┌──────────────────────────────────────┐│ 权重敏感性分析 ││ 改变权重看排名是否翻转 ││ 是检验结论稳健性的核心方法 │└──────────────────────────────────────┘┌──────────────────────────────────────┐│ 供给缺口 1 − 覆盖率 ││ 比有多少竞品更能反映市场机会 │└──────────────────────────────────────┘九、总结中立立场本程序提供了一个结构化的赛道评估框架将蓝海潜力从一个模糊的定性判断转化为可计算、可比较、可辩论的量化指标- 核心洞察 1大码女装和机能女装的高蓝海指数主要来源于供给缺口和低竞争两个维度- 核心洞察 2新中式女装虽然需求热度高但竞争正在快速升温蓝海窗口可能收窄- 核心洞察 3排名对权重配置敏感——这恰恰是模型的教学价值所在而非缺陷需要强调的是- 本模型中的各维度评分需结合行业报告、平台数据、用户调研综合校准- 蓝海指数反映的是结构性潜力不等于短期商业成功概率- 权重分配应反映品牌自身的资源禀赋与战略偏好该程序适合用于- 时尚产业与品牌创新课程中的市场细分与品类规划模块- 品牌战略讨论的结构化决策工具- Python 数据分析与多指标决策建模的教学案例如需进一步扩展可加入- 敏感性热力图matplotlib 可视化权重—排名关系- 加入进入壁垒供应链成熟度等额外维度- 扩展为 Jupyter Notebook 交互式教学版利用AI解决实际问题如果你觉得这个工具好用欢迎关注长安牧笛