每天上百万条新上架 SKU，跨店同款、同店重复与多规格复用难厘清；治理靠经验，效果难量化。
逐层拆解重复铺货，让商品治理从“拍脑袋”变成“看数据”
“以前要数据分析师和 BI 工程师两个人一起梳理，现在我一个人就能看清重复铺货的来源。先治理哪个品类、哪种店铺组合，都有数据依据，不用再拍脑袋。”
电商零售「商品治理负责人 Sarah」。过去：1 名数据分析师 + 1 名 BI 工程师。平台每天上百万条新上架 SKU，跨店同款 / 同店重复 / 多规格复用三大源头盘不清；治理靠经验拍脑袋，效果无法量化，业务方买账难。
腾讯灯塔 用「商品内容指纹」做 5 层去重（A→E：从总 SKU 到 SPU 主体），自动定位 3 大重复来源并按贡献度排优先级——优先砍哪一类、哪个品类、哪种店铺组合，一目了然；治理动作从"拍脑袋"变成"看数据"。
商品内容指纹串起 A→E 五层去重，定位 3 大重复来源；按贡献度明确品类与店铺组合的治理优先级。
五层去重定位来源，治理优先级一目了然
从经验治理到按贡献度排优先级
把角色的真实工作流展开来看，变化不只是更快得到数字，而是分析开始发生在业务决策现场。
2 人 → 1 人所需人力
原有多人协作的数据工作，由 1 人推进
"拍脑袋" → "看数据"治理建议
按重复来源贡献度明确治理优先级
从经验治理到按贡献度排优先级核心变化
五层去重定位来源，治理优先级一目了然
商品治理 · 重复铺货分析
以商品内容指纹串起 A→E 五层去重，拆解同店重复、跨店同款与多规格复用，按贡献度明确治理优先级。
一套可以继续追问、继续生长的分析方法
腾讯灯塔把数据接入、业务分析和结果复用串在一起，让一次分析沉淀为长期工作资产。
建立内容指纹
用商品内容指纹识别同款商品，沿总 SKU 到 SPU 主体做五层去重。
定位重复来源
拆解跨店同款、同店重复与多规格复用，厘清重复铺货的来源。
明确治理优先级
按贡献度查看品类与店铺组合，帮助业务决定优先治理哪一类问题。
