我大部分时间都花在二手车上——110万条房源，73个地区，日常无非是价格下跌和重新上架的循环。所以当房产数据开始出现在我用来看车的同一批仪表盘里时，我并没指望它能吸引我的注意力。结果它确实吸引了我，而原因完全出乎计划之外。
下面是这份记录，大致按我实际注意到这些情况的顺序排列。
第一天：那个不动的数字
面对任何新数据源，我第一件事都是先看总量，因为在这个行业里，总量是最不会骗人的东西。房产数据停在601,702条房源。还行。接着我按地区拆分，结果这个数字看起来就不再像是一次全球铺开，反而更像一个单一国家的项目外加一点四舍五入的误差：光是日本一个国家就占了588,644条，也就是整个数据源的97.8%。
作为对比，我们的汽车数据覆盖73个地区，没有任何一个地区的占比超过6%（占比最高的法国是67,569条，占110万条中的约6.1%）。而房产数据的集中度是这个数字的十六倍。我一度反复怀疑这是不是地区标签器出了bug，直到我想起真正的原因：日本本土的房地产门户网站收录了大量的"空き家"（akiya）——政府多年来一直想处理掉的那些被遗弃或近乎遗弃的乡村房屋，价格低到让一辆二手Corolla看起来都像是奢侈消费。这些门户网站数据详尽、结构化程度高、体量巨大。而其他地方的门户网站目前还做不到这一点。
第二天：寻找剩下的2.2%
我想知道"其他地方"到底是什么样子，于是把非日本地区的数据拎出来排了一下。
埃及险胜德国，这一点让我挺意外——我原以为像德国这样规模大、数据记录完善的市场，在随机样本里理应领先开罗才对。斯里兰卡也稳稳保持着四位数。然后出现了断崖式下跌：危地马拉、尼加拉瓜、巴拿马和萨尔瓦多这四个中美洲国家，分别停在80、80、80和78。
第三天：三个完全相同的数字绝不是巧合
真正让我停下来的正是这个断崖。三个国家落在完全相同的数字上，这不是市场信号，而是一枚指纹。当危地马拉、尼加拉瓜和巴拿马都精确显示80条房源时，这绝不是三个经济体在库存规模上恰好趋同——而是同一个上游数据源设了80条的硬性分页上限，并以同样的方式喂给了这三个国家。萨尔瓦多的78恰恰印证了这一点：数字接近到足以说明是同一个数据源，又略有差异，足以证明这不是我们自己管道里的复制粘贴错误。某处一定存在一个区域性的房地产聚合平台，把每个国家的免费结果页数上限设定在大约80条房源，除非我们绕开它——直连原始数据源而非聚合平台，或者翻过它设的那道墙继续翻页——否则这四个国家在数据上都会显得同样渺小，无论它们的真实市场规模如何。
这正是老老实实构建一个新数据集时最不光彩的部分：你拿到的最初数字，反映的不是市场本身，而是你当前数据源的样子。我宁愿在第一周就发现这一点，也不想发一篇"中美洲最小的房地产市场"这样的文章，结果其实是建立在某个抓取工具的分页上限之上。
第四天：真正让我意外的地方
不是日本的高集中度——这一点我事先其实有几分预料，因为我们汽车业务这边的房产相关信号,原本就有很大一部分来自日本的数据源。真正让我意外的，是这个数据质量问题在没有任何特殊工具的情况下，居然如此清晰可辨。你根本不需要统计学背景就能发现三个连续的80。你只需要按顺序把数字看一遍——这其实就是这份工作的大部分内容。
这也让我重新审视了一件我因为太熟悉而不再留意的事:我们的汽车数据覆盖73个地区,分布真正分散,没有任何一个地区超过6.1%,由1,375个独立数据源汇聚而成——这种分布绝不是抓取数据集的天然状态,而是八年时间里刻意绕开正是第三天在房产数据源里冒出来的那种聚合平台之墙的结果。那73个地区里的每一个,起初看起来都像危地马拉。
目前的状态
房地产还算不上一款产品——它是我们在汽车业务照常运转的同时持续观察的一个信号,是通往更广泛房地产覆盖这条更长路线图上的一行文字。但花一周时间看着它逐渐填充,倒是很好地提醒了我实际的操作顺序应该是什么样:先让数据源上线,再对整数保持警惕,找到那道墙,然后动手建一条绕过去的路。日本终将不再占这份数据源的97.8%——就像最终登上我们汽车统计榜首的是法国,而不是阿联酋或日本一样——办法就是不断增加数据源,直到没有任何一个能意外地主导总量。
