
探索互联网+信用监管 大数据开启市场监管新模式
提及“大数据”监管的前景,浦东市场监管局相关负责人透露:“网络订餐行业只是我们探索‘互联网+信用监管’的第一步,今后,我们还将向各个行业、各个领域推行‘大数据’监管模式。我们的信息资源将逐步向全社会敞开大门,欢迎社会各方加入共治行列,与我们一起共筑市场安全防线。”
8月底,浦东市场监管局与网络订餐平台“饿了么”启动“互联网+信用监管”项目,率先探索政府数据走出“深闺”,与第三方平台实现数据多方共享。记者获悉,试点近一个月下来,仅在先行试点的陆家嘴地区,浦东市场监管局已向“饿了么”推送商户信息371家,数据量达到12万。“饿了么”也已将政府监管信息以20%的比重纳入其信用评价体系。浦东新区走出了通过“大数据”,参与食品安全监管过程的第一步。浦东市场监管局透露,本月底提前将该项目从陆家嘴地区覆盖至浦东全区。
“脸谱”反映食品安全状况
细心的用户张先生最近在使用“饿了么”订餐时发现,平台上的一些商户信息中都不约而同地挂上了“脸谱”符号,点开“脸谱”,商户的营业执照、餐饮服务许可证和食品安全监督公示信息跃然屏上。这些数据正是由浦东市场监管局与“饿了么”对接,并向全社会开放共享的。“脸谱”分为笑脸、平脸和哭脸三种,形象地反映了商户的食品安全状况,便于消费者选择优质、安全的餐饮服务。
说起数据开放共享的缘起,第三方网络订餐平台“饿了么”CEO 张旭豪颇为感慨:“我们曾接到过消费者反映,称有的商家上传的证照信息和实际经营状态是不一致的。”张旭豪表示,“饿了么”一直设法加强对入网商户的规范化管理,要求经营者必须上传证照扫描件。但是很多信息还是无法准确掌握,在资质审查时确实有困难。
浦东新区市场监管局副局长管捍东也表示,之所以选择“饿了么”试点“互联网+信用监管”项目,除了考虑到“饿了么”规模、影响都比较大,也是因为“仅凭第三方平台线上核查,或是单纯依靠政府部门线下监管,力量都是有限的”。
项目试水一个月效果如何?消费者孙女士直言,以往订餐时餐厅的信息并不透明,自己只能参考订单数量和用户点评来判断餐厅的还坏,“现在就直观多了,我肯定会优先选择资质齐全、带‘笑脸’的餐厅。”孙女士不知道的是,她做出的个体选择还将汇集成市场选择,成为食品安全监管的间接推动者。如果发现公示信息与实际情况不符,消费者也可以及时向平台和监管部门反映,促进行业规范和市场监管到位。
“黑暗料理”将被清退
据介绍,上海浦东新区先行在餐饮店数量多、监管难度大的浦东陆家嘴地区试点“互联网+信用监管”项目。消费者通过第三方平台进行网络订餐时,就能对接政府“大数据”,参与食品安全监管过程。陆家嘴地区汇集了近900家餐饮单位,接近浦东全区的十分之一:“饿了么”在陆家嘴地区“饿单”日均接单量占全区30%,目前,浦东市场监管局已向“饿了么”推送了陆家嘴地区商户371家,内容包括工商信息、许可证信息和监管信息,数据量达到12万。
与此同时,“饿了么”已将政府监管信息以20%的比重纳入其新制定的信用评价体系,以此对商户进行综合信用质量评分和排序,并将配套采取关闭网店、停止网上经营、通报政府部门等手段,加强对入驻商户的线上管理和联合惩戒,以提高第三方平台餐饮服务的整体诚信度。
“饿了么”方面表示,今后将杜绝无证照餐饮入网经营,新入网商户需先上传相关证照,经平台方线下现场核查、实名登记后,再与浦东市场监管局数据库线上比对。只有数据完全匹配,才能在线上开店经营。
“饿了么”会员王女士最近就遇到了这样一件事。她经常光顾的一家平台商户突然不见了踪影。后来她才知道,原来这是一家卫生状况很差、无证照的“黑暗料理”,现已被市场监管部门和第三方平台联手清退了。
据初步统计,“互联网+信用监管”项目试点一个月以来,陆家嘴地区“笑脸”商户订单量平均上涨约15%,而资质不全的无脸谱商户订单量有一定比例的下降。
“互联网+信用监管”只是第一步
浦东新区市场监管局相关负责人透露,一个月间,监管局共接到涉及“饿了么”的食品安全类投诉35起,均通过平台同步流向“饿了么”,进行解决。监管部门在线下处置实体商户的同时,“饿了么”也同步完成处置和回访,并对所涉商户作出线上信用评价记录、督促整改。
提及“大数据”监管的前景,浦东市场监管局相关负责人透露:“网络订餐行业只是我们探索‘互联网+信用监管’的第一步,今后,我们还将向各个行业、各个领域推行‘大数据’监管模式。我们的信息资源将逐步向全社会敞开大门,欢迎社会各方加入共治行列,与我们一起共筑市场安全防线。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09