屈臣氏的门店数没有官方实时口径，能引用的财报数据止于今年 6 月底，下半年的净开店数尚待下一期披露。截至今年 6 月底，中国内地门店 3227 家，同比减少 11%，同期可比销售额增长 4.3%，EBITDA 按本币增长 49%；全球门店 17042 家，覆盖 31 个市场（网易号 智通财经报道）。这些数字一旦进入 AI 回答，就会脱离时间戳单独流通：用户问“屈臣氏还有多少家店”，得到的可能是三年前的 4100 家，也可能是把全球门店当成内地门店。GEO 要管的正是这类“字段级”偏差。本文核对以截至 11 月 12 日的公开信息为准。
一个门店数，四种写法
同一个品牌，门店数至少有四种合法写法：全球 17042 家、内地 3227 家、覆盖 500 多个城市、会员 7000 万。四个数字都对，回答的问题不同。AI 在生成答案时若不做口径限定，就容易把它们拼成一句“屈臣氏在 500 个城市有 17042 家门店”，读起来通顺，事实上错位。这类错误不是模型编造，而是信源没把口径写在句子旁边。
| 写法 | 数值 | 口径 |
|---|---|---|
| 全球门店 | 17042 家 | 含 31 个市场、12 个品牌 |
| 中国内地门店 | 3227 家 | 截至 2026 年 6 月底，同比减 11% |
| 覆盖城市 | 500 多个 | 内地口径 |
| 会员规模 | 7000 万 | 内地累计注册 |
门店数为什么成了 AI 回答的高频字段
因为它同时满足三个条件：可量化、可比较、看起来权威。用户问“这个牌子还开着吗”“规模大不大”“和竞品比谁多”，答案都会落到门店数上。而门店数恰好是品牌最常更新、外部最难跟上的字段——财报半年一次，媒体随时引用，社交平台还会传旧数字。三者叠在一起，就形成了引用来源之间的时间差。
口径漂移的三种形态
第一种是时间漂移：引用了上一期财报的数字，没写截止日。第二种是范围漂移：把全球数当内地数，或把集团旗下所有品牌的门店合并计算。第三种是定义漂移：直营、加盟、店中店、云仓算不算门店，各家口径不同。三种漂移都不会让回答读起来别扭，却会让读者对品牌的规模判断错一个量级。
字段级快照怎么建
做法不复杂：把品牌的关键事实字段列成一张表——门店数、覆盖城市、会员数、营收、门店类型，每个字段记录数值、口径、截止日与出处链接。每次财报或公告更新时刷新一次，同时保留历史版本。有了这张表，监测 AI 回答时就能逐字段比对，而不是笼统判断“说得对不对”。快照的价值在于可追溯：当回答引用了旧数字，你能立刻指出它引的是哪一期。
竞品对比里，门店数不是唯一维度
用户比品牌时，问的往往不是门店数，而是“哪家更划算”“哪家能买到某个牌子”。这时候回答的排序依据会转向商品结构、价格带、会员权益与到店体验。门店数只在“规模”“覆盖”这类问题上占权重，在其他问题里几乎不起作用。监测竞品占位时，如果把门店数当成唯一指标，会误判自己的可见度。
更实用的做法是按问题类型分开看。规模类问题看门店数与覆盖城市，商品类问题看 SKU 与独家品牌，价格类问题看促销频次与会员价，体验类问题看评价与投诉。四类问题的引用来源不同，优化动作也不同：规模类靠财报与公告，商品类靠商品页与品类页，价格类靠活动的公开说明，体验类靠真实评价的积累。
监测面板上该长期挂哪几个字段
字段不必多，但要稳定。建议长期挂五个：门店数（分全球与内地）、覆盖城市数、会员规模、最近一期财报期、当期可比销售增速。前三个回答“有多大”，后两个回答“好不好”。五个字段的更新频率不同，门店数与城市数半年一次，会员规模年度一次，可比销售按季度，监测时按各自的截止日标注，不能混用。
面板之外还要留一条人工复核的路径。字段比对能发现数值错误，发现不了叙事错误——比如回答说“屈臣氏正在关店收缩”，数字没错，但忽略了同期可比销售增长与新增千家门店的计划，结论就偏了。这类偏差要靠人读原句判断，机器只能给候选。
常见问题
为什么 AI 回答里的门店数经常是旧数字？
因为门店数半年才更新一次，而检索索引里同时存在多期报道。没有截止日标注的页面会被当作现行信息引用。
GEO 监测要不要盯所有字段？
不必。优先盯用户会直接提问、且数值会变动的字段，比如门店数、覆盖城市、价格带；不变的品牌历史不必逐条监测。
怎么判断回答是口径错误还是事实错误？
先看数值能否在公开披露中找到对应期，能对上就是口径问题，对不上才是事实问题。两者处理方式不同。
竞品对比该用什么指标？
按问题类型分层：规模类看门店与覆盖，商品类看 SKU 与独家，价格类看会员价与促销，体验类看评价。单一指标会误导判断。
