为什么购物车方法在bol上已经不再适用，这对Rylee又意味着什么？
Lars Hurkmans联合创始人2026年7月1日阅读时间 8 分钟多年来，购物车方法一直是bol销量估算的标准做法，也是Rylee呈现数据的基础。2024年11月，bol采取了反机器人流量的措施，封堵了这种方法。从那以后，Rylee的历史周数据消失了，取而代之的是一套据其自己承认精度更低的模型，展示方式也从具体数字变成了区间。我们来还原这一过程。
为什么销量估算背后的方法很重要？
销量估算背后的方法，决定了估算的准确度、历史数据能回溯多久，以及整体随时间推移的稳定性。如果你在为bol使用一款产品调研工具，你会基于这些估算数字做决策：这款产品每月能卖多少？销量是否足以支撑盈利？这些数字，就是你决定是否采购一款产品、采购多少，以及预期能赚多少钱的基础。但这些估算数字，终究是从某个地方推算出来的。
bol上的购物车方法是如何运作的？
多年来，购物车方法一直是bol上估算销量最常用的技术。原理很简单：工具把一款产品加入bol的购物车，读取当前可用库存，等待一段时间，再重新测量一次。库存的差值就被计为销量。一款产品如果周一库存为200件，周二为185件，就估计卖出了15件。
这种方法之所以流行，是因为它与平台上实际发生的事情直接挂钩。市场上几乎所有的产品调研工具，都在使用它的某种变体。
但这种方法存在结构性的局限。它测量的是库存变化，而不是真实的销量。如果卖家手动调整自己的库存，看起来就会像是发生了一笔销售。bol展示的库存数字最多到500件，因此库存更高的产品就落在了统计范围之外。而最大的瓶颈在于可扩展性：每款产品的库存，每天都需要测量好几次。这就迫使这类工具在“追踪更多产品、但测量频率更低”和“追踪更少产品、但精度更高”之间做出取舍。这也是为什么产品追踪工具通常只能追踪由用户自己选定的一小部分产品。
我们此前已经在MarktMentor与产品追踪工具的对比一文中详细描述过这些技术局限。
这些局限其实早已为人所知，但购物车方法依然是市场上的标准做法，原因很简单：它确实管用。直到2024年11月。
2024年11月发生了什么变化？
2024年11月，bol对平台上的机器人流量采取了应对措施。bol对大量的自动化请求感到困扰，希望加以限制，结果是购物车方法大规模失效。
购物车方法本质上是一种爬取行为：通过自动化方式读取网站上的信息。为了大规模测量库存信息，这类工具需要通过自动化请求不断查询bol平台。
对于采用其他方法的工具来说，这没有带来任何变化。但对依赖购物车方法的工具来说，这直接带来了后果：如果你用来采集销量估算的技术手段突然失效，那打击的是你产品的核心。
而对Rylee来说，这种依赖恰恰不是无关紧要的细节，而是他们的核心卖点。
Rylee此前是如何宣传购物车方法的？
Rylee是使用购物车方法最知名的工具之一，而且他们对此毫不避讳。在他们关于MarktMentor的对比页面上（该页面已通过Wayback Machine存档，2025年7月），他们明确把购物车方法作为核心优势来宣传。
他们写道，自己的数据基于“经过验证、反映真实销量的购物车方法”。而包括MarktMentor在内的其他方法，则被他们贴上“实验性”的标签，称其“存在较大的误差范围”。这传达的信息很明确：购物车方法是值得信赖的标准，而任何偏离这一方法的做法，都是次一等的。
这种定位一点也不含蓄，它是Rylee对比论述的核心，也是他们给出的理由，说明为什么卖家应该选择Rylee，而不是采用其他方法的替代方案。
这也让接下来发生的事情，显得格外值得关注。
此后Rylee发生了哪些变化？
2024年11月之后，Rylee经历了一系列可以观察到的变化。我们基于Rylee自己在社区帖子和自有平台上发布的信息，梳理了这些公开可见的进展。
2024年11月：bol封堵了购物车方法。bol针对自动化请求采取措施，Rylee赖以运作多年的方法遭到大规模冲击。
2024年12月：历史周数据消失。Rylee不再以周为单位提供每个产品的历史销量估算。此前卖家用来跟踪长期销售表现的数据，不再以同样的方式展示。
2025年8月：宣布推出新模型。Rylee的所有者在一个社区平台上宣布，他们开发了一套新的机器学习模型，用于计算产品数据库中的销量数据。他表示，该模型已经针对超过300万件产品进行了运算，但仍存在一些异常值，他希望在全面上线前先处理好这些问题。
2026年1月：确认精度下降。在另一篇社区帖子中，Rylee的所有者表示，新模型“精度不如购物车方法”，但80%的产品计算结果与实际情况的误差在20%以内，“与MarktMentor相当”。他还提到，正在推出重大更新以改进这套模型。
2026年3月：从具体估算变为区间。Rylee的Chrome扩展和产品数据库不再展示具体的销量数字，而是改为展示区间。以前显示具体数字的地方，卖家现在看到的是一个区间，实际销量据称就落在这个区间内。在他们的对比页面上，Rylee写道，他们之所以有意选择区间展示，是因为一个模型“永远无法百分之百掌握真相”。
这条时间线说明了什么？
把这些进展放在一起看，一个规律就浮现出来了。
Rylee多年来一直宣称是市场上最可靠的那种方法，如今已经不复存在。取而代之的模型，被Rylee自己形容为精度更低。在这期间，销量数据的展示方式经历了多次变化。而从具体估算转向区间展示的时间点，恰恰就落在购物车方法失效之后的同一段时期。
还有一点值得注意。Rylee现在用来描述自己新方法的那些术语，机器学习、监督学习、回归模型，正是他们此前用来把MarktMentor的方法贴上“实验性”标签时所使用的同一批术语。当年被他们描绘成不够可靠的那种做法，如今却成了Rylee自己正在走的方向。区别在于，MarktMentor已经使用并持续打磨这种方法多年，而Rylee则是从2024年底才刚刚开始。
这件事本身并非不合理，任何工具在环境变化时都需要调整。但这与他们此前在自己的对比页面上，如此坚决地否定同一种方法，形成了鲜明的反差。
这对你作为卖家具体意味着什么？
这不是一个抽象的技术话题。销量估算背后的方法，直接影响你作为卖家所做出的决策。
具体估算与区间估算
有了一个具体的估算值，比如每月87件销量，你就能进行实际计算。假设采购价12欧元、销售价29欧元、bol佣金15%，那么每件商品你大约能留下8欧元。按87件计算，那就是每月696欧元的毛利，还没扣除广告和运费。你可以据此判断，这款产品是否值得采购。
而如果换成50到150件的区间，同样的计算就会呈现出不同的结果。按50件算，你能留下400欧元；按150件算，则是1200欧元。下限和上限对同一个选品决策，得出了完全相反的结论。按50件算，扣除广告成本后很可能根本不划算；按150件算，它却是你最好的产品之一。这种不确定性，让你很难就采购、库存和广告预算做出具体的决策。
跨时间的可比性
你能识别出季节性模式，是因为你把同一套数据在多个年份之间进行了对比；你能看到增长趋势，是因为一款产品的销量持续高于一年前的水平。而这一切，只有在数据采集方式保持一致时才成立。
如果方法在中途发生了变化，数字上的差异就无法告诉你，这究竟是市场在变化，还是测量方法变了。一款产品，如果2024年显示每月销量80件，而现在显示的区间是40到120件，并不一定意味着它卖得更差了，也可能是因为旧数字和现在的数字采用了不同的计算方法。作为卖家，你无法区分这两种情况，但它确实会影响你的决策。
关于如何在选品决策中权衡历史数据，我们在历史数据与选品中做了进一步说明。
MarktMentor是如何处理这个问题的？
MarktMentor很早就放弃了购物车方法。这不是因为我们做不到，而是因为这套模型在可扩展性和准确性上存在的结构性局限，是无法在其框架内解决的。我们当时就此写过一篇文章，从购物车方法转向算法。
我们开发了一套自有的数据采集方法，不依赖bol展示的库存信息独立运作。这套方法让我们能够追踪数百万件产品，而不必像购物车方法那样，在覆盖范围和精度之间做出取舍。
bol在2024年11月采取的措施，对我们的数据没有产生任何影响。我们没有出现任何中断、方法调整，或展示方式上的变化。今天的数据，和多年前的数据，是基于同样的方式构建的。
MarktMentor展示每个产品的具体销量估算，并配有趋势指标。数据库中收录了超过500万件相关产品，且每天都在增长，拥有连续多年不间断的历史数据。这种一致性并非偶然，而是多年前就已做出的方法选择的结果，正是因为我们当时就预见到了购物车方法的脆弱性。
如果你想逐项查看两者的差异，完整的MarktMentor与Rylee对比中有专门的详细说明。
选择产品调研工具时可以关注哪些方面？
在评估一款产品调研工具时，有两点与本文的主题密切相关。
具体估算还是区间估算。 具体的估算数字，能为你在采购、定价和广告预算方面提供做出具体计算的基础。区间估算只能提供一个大致方向，而当区间较宽时，其下限和上限可能会对同一个选品决策得出完全相反的结论。
方法的连续性。 历史数据固然有价值，但前提是这些数据基于一套一致的方法。如果方法是最近才更换的，那么与过去的对比就不再那么可靠。值得问一问，一款工具目前使用的方法已经沿用了多久，期间是否出现过中断或调整。
如果你想了解完整的评估标准，我们在如何选择产品调研工具中做了专门的详细说明。