fix(pipeline): 区分店铺列表行占比与去重SKU占比，避免误导

- 列表导出增加 unique_sku_basis（每 SKU 计 1 次），与按行计的集中度并列写入 brief 与执行摘要。
- 第四章解读与扇图说明强调「列表可见度」非市占；8.5 大模型提示禁止将行占比写成 SKU 款数占比或自营占比。
- 分析页摘要兼容 first_share 并展示去重 SKU 口径。

Made-with: Cursor

backend/pipeline/competitor_report/jd_report.py

@@ -91,6 +91,7 @@ from pipeline.competitor_report.list_mix import (  # noqa: E402
     _brand_cr,
     _counter_mix_top_rows_with_remainder,
     _search_list_proxies,
+    _shop_concentration_by_unique_sku,
     _structure_brands,
     _structure_names_for_pie_counter,
     _structure_shops,
@@ -167,6 +168,11 @@ def build_competitor_markdown(
     shops_for_cr = _structure_names_for_pie_counter(shops_s)
     brands_for_cr = _structure_names_for_pie_counter(brands_s)
     cr1_shop, cr3_shop, top_shop_s, _ = _brand_cr(shops_for_cr)
+    shop_unique_sku_basis = (
+        _shop_concentration_by_unique_sku(search_export_rows)
+        if list_export
+        else None
+    )
     cr1_list_brand, cr3_list_brand, top_list_brand, _ = _brand_cr(brands_for_cr)
     # §4.3 类目分布：深入合并表（与 §5 竞品矩阵同一细类划分，非搜索列表行）
     cm_structure = _category_mix(merged_rows, top_k=12)
@@ -320,12 +326,21 @@ def build_competitor_markdown(
         if cr3_shop is not None:
             exec_bullets.append(
                 f"竞争结构（{src}，第四章）：**店铺** 第一大店铺份额 ≈ **{100 * cr1_shop:.1f}%**（「{top_shop_s}」），"
-                f"前三店铺合计份额 ≈ **{100 * cr3_shop:.1f}%**（按列表行计，同一 SKU 多行会重复计）。"
+                f"前三店铺合计份额 ≈ **{100 * cr3_shop:.1f}%**（**按列表行计**，同一 SKU 多行会重复计；**勿与「去重 SKU 款数占比」或市占混淆**）。"
             )
         else:
             exec_bullets.append(
-                f"竞争结构（{src}，第四章）：**店铺** 第一大店铺份额 ≈ **{100 * cr1_shop:.1f}%**（「{top_shop_s}」）。"
+                f"竞争结构（{src}，第四章）：**店铺** 第一大店铺份额 ≈ **{100 * cr1_shop:.1f}%**（「{top_shop_s}」；**按列表行计**）。"
             )
+        if shop_unique_sku_basis and shop_unique_sku_basis.get("n_unique_skus"):
+            u = shop_unique_sku_basis
+            fs = u.get("first_share")
+            lab = (u.get("top_label") or "").strip()
+            if fs is not None and lab:
+                exec_bullets.append(
+                    f"**对照（按去重 SKU）**：同批列表共 **{u['n_unique_skus']}** 个去重 SKU，第一大店铺「{lab}」"
+                    f"约占 **{100 * float(fs):.1f}%**（每 SKU 计 1 次；**不是**全渠道销量或市占）。"
+                )
     elif not list_export and cr1_deep is not None and top_brand_deep:
         if cr3_deep is not None:
             exec_bullets.append(
@@ -548,7 +563,7 @@ def build_competitor_markdown(
             _embed_chart(
                 run_dir,
                 "chart_shop_rows_pie.png",
-                "店铺列表曝光占比（扇形图；按整理后的店铺名计数，与结构化摘要中的店铺占比统计一致；"
+                "店铺列表曝光占比（扇形图；**按列表行计**的店铺名计数，与结构化摘要一致；若与「按去重 SKU」口径差异大，见下文规则解读；"
                 "长尾并入「（其余店铺）」；扇形内再合并为「其他」）",
             )
         )
@@ -559,6 +574,7 @@ def build_competitor_markdown(
                 top=top_shop_s or "",
                 shop_rows_n=shop_rows_n,
                 n_structure=n_structure,
+                unique_sku_basis=shop_unique_sku_basis,
             )
         )
         lines.append(
@@ -1019,6 +1035,11 @@ def build_competitor_brief(
     shops_for_cr = _structure_names_for_pie_counter(shops_s)
     brands_for_cr = _structure_names_for_pie_counter(brands_s)
     cr1_shop, cr3_shop, top_shop_s, top_shop_share = _brand_cr(shops_for_cr)
+    shop_unique_sku_basis = (
+        _shop_concentration_by_unique_sku(search_export_rows)
+        if list_export
+        else None
+    )
     cr1_list_brand, cr3_list_brand, top_list_brand, _ = _brand_cr(brands_for_cr)
     cm_structure = _category_mix(merged_rows, top_k=12)
     min_brand_rows = max(5, int(0.02 * n_structure)) if n_structure else 5
@@ -1238,6 +1259,7 @@ def build_competitor_brief(
                 "top_three_combined_share": cr3_shop,
                 "top_label": top_shop_s,
                 "top_share_pct": top_shop_share,
+                "unique_sku_basis": shop_unique_sku_basis,
             },
             "list_brand_field": list_brand_block,
             "detail_brand_among_merged": {
@@ -1294,7 +1316,7 @@ def build_competitor_brief(
             "与在线分析报告各章**计数规则**一致；关注词与场景以任务中的分析规则为准（子串命中统计，非深度主题模型）。",
             "价格来自页面展示字段抽取，含促销与规格差异；促销与标价对齐等为启发式摘录，仅供对照。",
             "评价语气为关键词粗判，非深度学习情感模型。",
-            "「集中度」中：最大一家占比、前三名合计占比为小数（如 0.12 表示约 12%），对应列表或深入样本中的相关行。",
+            "「集中度」中：默认按**列表行**计数（同一 SKU 多页曝光会重复计）；`shops_from_list.unique_sku_basis` 为按**去重 SKU** 的对照口径。二者均**不是**销量、库存或全渠道市场份额。",
         ],
     }
     return _sanitize_json_numbers(out)

backend/pipeline/competitor_report/list_mix.py

@@ -99,6 +99,42 @@ def _search_list_proxies(rows: list[dict[str, str]]) -> dict[str, Any]:
     }
 
 
+def _shop_concentration_by_unique_sku(
+    rows: list[dict[str, str]],
+) -> dict[str, Any] | None:
+    """
+    列表导出专用：按 **去重 SKU** 归属店铺后计集中度（每个 SKU 计 1 次；店铺名取该 SKU **首次出现** 的列表行）。
+
+    与 ``_structure_names_for_pie_counter(_structure_shops(...))`` 的「按列表行计」可形成对照：
+    同一 SKU 在多页重复曝光时，行占比会高于去重 SKU 占比。**不是**销量、库存或全渠道市场份额。
+    """
+    if not rows:
+        return None
+    sku_k = JD_SEARCH_CSV_HEADERS["sku_id"]
+    shop_k = JD_SEARCH_CSV_HEADERS["shop_name"]
+    sku_to_shop: dict[str, str] = {}
+    for r in rows:
+        sid = _cell(r, sku_k)
+        sh = _cell(r, shop_k, _LEGACY_SHOP_NAME_KEY)
+        if not sid or not sh:
+            continue
+        sid = sid.strip()
+        sh = sh.strip()
+        if not sid or not sh:
+            continue
+        if sid not in sku_to_shop:
+            sku_to_shop[sid] = sh
+    if not sku_to_shop:
+        return None
+    c1, c3, top, _ = _brand_cr(list(sku_to_shop.values()))
+    return {
+        "first_share": c1,
+        "top_three_combined_share": c3,
+        "top_label": top,
+        "n_unique_skus": len(sku_to_shop),
+    }
+
+
 def _structure_shops(rows: list[dict[str, str]], *, list_export: bool) -> list[str]:
     if list_export:
         return [
@@ -132,6 +168,7 @@ __all__ = [
     "_brand_cr",
     "_counter_mix_top_rows_with_remainder",
     "_search_list_proxies",
+    "_shop_concentration_by_unique_sku",
     "_structure_brands",
     "_structure_names_for_pie_counter",
     "_structure_shops",

backend/pipeline/competitor_report/report_md_helpers.py

@@ -167,6 +167,7 @@ def _lines_4_reading_shop(
     top: str,
     shop_rows_n: int,
     n_structure: int,
+    unique_sku_basis: dict[str, Any] | None = None,
 ) -> list[str]:
     if not shop_rows_n:
         return []
@@ -178,13 +179,26 @@ def _lines_4_reading_shop(
     ]
     if cr1 is not None and (top or "").strip():
         lines.append(
-            f"- 第一大店铺「{_md_cell(top.strip(), 40)}」约占 **{100 * cr1:.1f}%**；"
-            "该指标刻画的是**列表可见度**而非销量，适合用于判断货架被哪些店铺占据。"
+            f"- 第一大店铺「{_md_cell(top.strip(), 40)}」约占 **{100 * cr1:.1f}%**（**按列表行计**，同一 SKU 多行重复曝光会重复计）；"
+            "该指标刻画的是**列表可见度**而非销量或全渠道市占。"
         )
     if cr3 is not None:
         lines.append(
             f"- 前三店铺合计约 **{100 * cr3:.1f}%**；若集中度高，可考虑从店铺矩阵、旗舰店/专营店布局等角度拆解竞争。"
         )
+    if isinstance(unique_sku_basis, dict) and unique_sku_basis.get("n_unique_skus"):
+        u1 = unique_sku_basis.get("first_share")
+        u3 = unique_sku_basis.get("top_three_combined_share")
+        utop = (unique_sku_basis.get("top_label") or "").strip()
+        nuk = unique_sku_basis.get("n_unique_skus")
+        if isinstance(u1, (int, float)) and utop:
+            lines.append(
+                f"- **按去重 SKU 计**（列表内共 **{nuk}** 个 SKU，每个计 1 次；店铺取该 SKU 首次出现行）："
+                f"第一大店铺「{_md_cell(utop, 40)}」约占 **{100 * float(u1):.1f}%**。"
+                "若与上行「按行计」差异大，通常因同一 SKU 在多页重复出现；**勿将行占比误称为「SKU 款数占比」或「市场份额」**。"
+            )
+        if isinstance(u3, (int, float)):
+            lines.append(f"- 前三店铺合计（按去重 SKU）约 **{100 * float(u3):.1f}%**。")
     lines.append("")
     return lines
 

backend/pipeline/llm/generate_competitor_full.py

@@ -21,6 +21,7 @@ REPORT_SYSTEM = """你是业务与产品读者顾问。输入 JSON 含 `keyword`
 - **不要**输出完整报告目录或复述「研究范围与方法」长章；
 - **不要**撰写 Markdown 表格版「竞品对比矩阵」或罗列 SKU 明细——**正文已含矩阵**，此处只做分组级语义归纳；
 - **不要使用** CR1、CR3 等集中度缩写作主表述；集中度请用「第一大店铺/品牌份额」「前三家合计份额」；输入中的英文字段名勿照抄进正文，请写成中文业务用语。
+- **店铺集中度**：若 `competitor_brief.concentration.shops_from_list` 含 `unique_sku_basis`，须区分 **按列表行计** 与 **按去重 SKU 计**；**禁止**将「列表行曝光占比」写成「SKU 款数占比」「自营 SKU 占比」或「市场份额」。
 
 **请输出**（仅输出将置于 8.5 小节 下的正文，不要自造「### 8.5」标题行）：
 - **Markdown**，约 **800～1500 字**；

backend/pipeline/reporting/brief_pack.py

@@ -84,11 +84,24 @@ def markdown_summary_from_brief(brief: dict[str, Any]) -> str:
             [
                 "## 店铺集中度（列表）",
                 "",
-                f"- **第一大店铺份额**：{_pct(concentration_first_share(shops))}（第一店铺：{shops.get('top_label') or '—'}）",
-                f"- **前三店铺合计份额**：{_pct(concentration_top_three_share(shops))}",
+                f"- **第一大店铺份额（按列表行）**：{_pct(concentration_first_share(shops))}（第一店铺：{shops.get('top_label') or '—'}）",
+                f"- **前三店铺合计份额（按列表行）**：{_pct(concentration_top_three_share(shops))}",
                 "",
             ]
         )
+        usb = shops.get("unique_sku_basis")
+        if isinstance(usb, dict) and usb.get("n_unique_skus"):
+            u1 = usb.get("first_share")
+            u3 = usb.get("top_three_combined_share")
+            if u1 is not None:
+                lines.extend(
+                    [
+                        f"- **按去重 SKU 计**：共 **{_num(usb.get('n_unique_skus'))}** 个 SKU；"
+                        f"第一大店铺 **{_pct(u1)}**（「{usb.get('top_label') or '—'}」）",
+                        f"- **前三店铺合计（按去重 SKU）**：{_pct(u3)}",
+                        "",
+                    ]
+                )
     dbrand = conc.get("detail_brand_among_merged") or {}
     if concentration_first_share(dbrand) is not None or dbrand.get("top_label"):
         lines.extend(

frontend/src/views/jd/JdAnalysisView.vue

@@ -11,6 +11,15 @@ function pctShare(x) {
   return `${(n * 100).toFixed(1)}%`
 }
 
+/** 集中度块：新键 first_share / top_three_combined_share，旧键 cr1 / cr3 */
+function concShare(block, key) {
+  if (!block || typeof block !== 'object') return null
+  const v0 = key === 'first' ? block.first_share : block.top_three_combined_share
+  if (v0 != null && v0 !== '') return v0
+  const legacy = key === 'first' ? block.cr1 : block.cr3
+  return legacy != null && legacy !== '' ? legacy : null
+}
+
 function briefHumanSummary(j) {
   const rows = []
   if (!j || typeof j !== 'object') return rows
@@ -31,46 +40,69 @@ function briefHumanSummary(j) {
   if (conc && typeof conc === 'object') {
     const shops = conc.shops_from_list
     if (shops && typeof shops === 'object') {
-      if (shops.top_label && shops.cr1 != null) {
+      const cr1 = concShare(shops, 'first')
+      const cr3 = concShare(shops, 'top3')
+      if (shops.top_label && cr1 != null) {
         rows.push({
           label: '第一大店铺（占列表行比例）',
-          value: `${pctShare(shops.cr1)} · ${shops.top_label}`,
+          value: `${pctShare(cr1)} · ${shops.top_label}`,
         })
       }
-      if (shops.cr3 != null) {
+      if (cr3 != null) {
         rows.push({
           label: '前三大店铺合计（占列表行比例）',
-          value: pctShare(shops.cr3),
+          value: pctShare(cr3),
         })
       }
+      const usb = shops.unique_sku_basis
+      if (usb && typeof usb === 'object' && usb.n_unique_skus != null) {
+        const u1 = concShare(usb, 'first')
+        const u3 = concShare(usb, 'top3')
+        if (usb.top_label && u1 != null) {
+          rows.push({
+            label: '第一大店铺（占去重 SKU 比例）',
+            value: `${pctShare(u1)} · ${usb.top_label} · 共 ${usb.n_unique_skus} 个 SKU`,
+          })
+        }
+        if (u3 != null) {
+          rows.push({
+            label: '前三大店铺合计（占去重 SKU）',
+            value: pctShare(u3),
+          })
+        }
+      }
     }
     const lb = conc.list_brand_field
     if (lb && typeof lb === 'object') {
-      if (lb.top_label && lb.cr1 != null) {
+      const l1 = concShare(lb, 'first')
+      const l3 = concShare(lb, 'top3')
+      if (lb.top_label && l1 != null) {
         rows.push({
           label: '第一大品牌（列表侧，按行）',
-          value: `${pctShare(lb.cr1)} · ${lb.top_label}`,
+          value: `${pctShare(l1)} · ${lb.top_label}`,
         })
       }
-      if (lb.cr3 != null) {
+      if (l3 != null) {
         rows.push({
           label: '前三大品牌合计（列表侧）',
-          value: pctShare(lb.cr3),
+          value: pctShare(l3),
         })
       }
     }
     const db = conc.detail_brand_among_merged
     if (db && typeof db === 'object') {
-      if (db.top_label && db.cr1 != null) {
+      const d1 = concShare(db, 'first')
+      const d3 = concShare(db, 'top3')
+      if (db.top_label && d1 != null) {
         rows.push({
           label: '第一大品牌（深入样本）',
-          value: `${pctShare(db.cr1)} · ${db.top_label}`,
+          value: `${pctShare(d1)} · ${db.top_label}`,
         })
       }
-      if (db.cr3 != null) {
+      if (d3 != null) {
         rows.push({
           label: '前三大品牌合计（深入样本）',
-          value: pctShare(db.cr3),
+          value: pctShare(d3),
         })
       }
     }