- 原始记录
- 94,200
- 唯一 POI
- 71,480
- 品类标签
- 14 → 1
- 季度刷新
- 4 天
在五个都市区的完整边界内采集
经过有据可查的去重
标准化并公开映射关系
首期搭建耗时六周，现已压缩至此
问题
需要回答什么
一支研究团队需要比较某一零售品类在五个都市区之间的结构差异。其中两个市场有公开的行业数据，但彼此矛盾，而且各自的统计口径都没有完整说明。
他们要的不只是一个数字。他们需要同一套品类定义在每个市场被一模一样地执行，需要理清连锁归属以便测算集中度，还需要一个每季度都能重跑、而方法不会跑偏的基线。
麻烦出在品类混乱。跨来源、跨城市看下来，同一类生意出现在十四个不同的标签下，其中两个标签在某个市场里还被用来指另一类生意。
数据来源
输入了什么
地图平台商户列表
门店名称、类别、坐标、营业时间与经营状态的主要来源。
公开工商名录
用于覆盖率复核，同时提供注册经营名称。
企业登记信息
公开备案资料，用于判定哪些经营名称属于同一集团。
人口普查数据
各市场人口数，用于计算每万常住人口的渗透率。
都市区边界定义
统一的统计地理口径，确保「这个市场」在各地含义一致。
方法
具体怎么做的
采集按各都市区的完整边界分块推进，而不是靠城市名搜索——后者是多城市项目中最大的漏数来源。一旦覆盖跟着搜索框走，郊区门店就会被系统性漏掉。
去重使用一套写明的业务主键：名称归一化加地址，近似匹配用 50 米距离阈值。原始记录与唯一记录之比在各市场之间差异明显，这本身就暴露出某个来源过度收录了某个连锁品牌。
品类标准化把十四个来源标签收敛为一个定义明确的品类，每一条映射判定都记录在随数据一并交付的对照表里。两个有歧义的标签没有按规则处理，而是人工抽样查看门店后逐个判定。
连锁归属通过把经营名称与公开的企业备案资料做匹配来确定，前四十大集团再逐一人工复核。纯自动匹配的准确率约 88%——当产出是集中度指标时，这个水平不够用。
整条数据管道按市场与季度做了参数化，因此第二次运行只需要改配置，不需要重搭。
处理过程
数据管道
每个阶段都产出一件明确的中间成果，供下一阶段使用。因此任何结论都能回溯到产生它的那份输入。
- 01
原始采集
原始 JSON在五个都市区的完整边界内系统分块采集 94,200 条记录，郊区覆盖与中心城区保持一致。
- 02
去重
唯一 POI 表名称归一化加地址匹配，近似匹配阈值 50 米，收敛到 71,480 个唯一点位，并保留各来源主键。
- 03
品类标准化
映射表十四个来源标签映射到一个定义明确的品类，有歧义的情形由人工查看判定，完整映射一并公开。
- 04
连锁归属判定
品牌层级经营名称与公开的企业备案资料匹配，最大的几个集团再人工复核，使集中度指标站得住脚。
- 05
可比普查
普查数据集各市场的门店数、每万常住人口渗透率与连锁占比，交付为可按季度刷新的基线。
可视化
输出成果
数据
结果表
| 市场 | 原始记录 | 唯一 POI | 去重率 % | 每万常住人口 | 连锁占比 % |
|---|---|---|---|---|---|
| Metro A | 28,400 | 21,180 | 25.4 | 4.1 | 38.2 |
| Metro B | 19,900 | 15,640 | 21.4 | 5.6 | 22.7 |
| Metro C | 17,600 | 13,020 | 26.0 | 3.2 | 51.4 |
| Metro D | 16,100 | 12,860 | 20.1 | 6.8 | 17.9 |
| Metro E | 12,200 | 8,780 | 28.0 | 2.4 | 44.6 |
关键发现
核心对比
- Metro D渗透率最高6.8
- Metro B5.6
- Metro A绝对数量最多4.1
- Metro C3.2
- Metro E集中度最高2.4
结论
分析说明了什么
按绝对数量排，Metro A 大幅领先；按人均排，它只排第三，而团队原本认为无关紧要的两个市场，反倒是供给最密集的。
连锁占比在这些被行业评论视为大体相似的市场之间，从 17.9% 一直分布到 51.4%。这个跨度后来成了整份研究的核心发现，而不是一条脚注。
去重率介于 20.1% 到 28.0% 之间。有两个市场的公开数据几乎正好等于未去重的原始数量，这也解释了那些数字为什么互相矛盾。
季度重跑只花了四天，而不是六周——因为这条数据管道是参数化的，不需要重建。
交付物
最终交付了什么
- 覆盖五个市场的 71,480 条唯一 POI 数据集，带稳定标识符
- 涵盖全部十四个来源标签的类别映射表
- 与公开企业备案资料核对后的品牌与连锁层级
- 可比普查表，含各市场门店数、渗透率与集中度
- 覆盖率与校验报告，说明各市场实际达到的覆盖水平
- 已配置为按季度刷新的参数化数据管道，附变更日志