17 KiB
视立美客户档案管理系统构思
这不仅是一个客户档案管理系统，更是赋能一线销售的“外脑”。通过将晦涩的医疗数据结构化，交由AI进行深度计算与策略生成，可以极大地实现一线销售的认知卸载——让他们将核心精力从“解读报告、死记硬背产品参数”转移到“与家长建立情感链接、建立信任（APTC中的Trust环节）”上。
一、 系统定位：AI驱动的全生命周期视光管理与营销中枢
系统应定位为“营、销、医、管”一体化的智能平台。 它不仅服务于数据留存，更要具备极强的“业务本质”导向——即通过结构化数据捕捉痛点，利用APTC模型突破家长心理防线，最终以APA方案实现交付与效果追踪。
二、 核心模块设计建议
结合视立美的业务闭环，系统需要构建一个高度协同的底层工作流，建议划分为以下四大核心模块：
1. 数据解析与结构化底座 (Data Ingestion & Structuring Module)
这是整个系统的基石，印证了您“先准备一个便于机器的结构”的构想。
- 医疗OCR与多模态解析引擎： 将上传的病历、电脑验光单、生物测量报告单（如眼底图、角膜曲率）进行高精度OCR识别。
- 结构化JSON生成： 将非结构化文字转化为机器友好的键值对。例如，提取xxx小朋友的核心指标：
{"age": 7, "AL_OD": 22.97, "AL_OS": 23.12, "hyperopia_reserve": 0, "diagnosis": "early_myopia"}。 - 人机交互视图（UI/UX）： 前端为销售展示通俗易懂的“雷达图”或“红绿灯预警”（如眼轴偏长标红），后端则保留结构化数据供大模型随时调用。
2. APTC 智能销售策略引擎 (APTC Sales Copilot Module)
这个模块是销售跟单的“剧本生成器”，负责将结构化数据转化为高客单价转化策略。
- A (Authority) 破冰与权威建构： 面对“7岁眼轴就达到23.12mm”的数据，AI自动生成反常识的降维话术：“妈妈，您知道吗？孩子现在的视力1.0是假象，他的远视储备已经提前透支，眼轴长度已经达到了大孩子的标准，这是一个随时会爆发的定时炸弹。”
- P (Pain) 痛点量化与共鸣： 利用系统自动生成的“近视风险预测曲线”（工具钩子），直观展示如果不干预，孩子12岁时可能的度数，彻底激活家长的损失厌恶心理。
- T (Trust) 知识库与案例匹配： 系统根据当前患者特征（7岁、低度近视、低度散光），自动从结构化知识库中调取类似的成功干预案例（Before/After数据对比），供销售展示，完成证据闭环。
- C (Conversion) 逼单与价值主张： 结合下一次“复光”时间（如8月25日），生成紧迫感话术与专属优惠方案，锁定复诊或体验名额。
3. APA 个性化方案智算模块 (APA Solution Generation Module)
销售漏斗打通后，需要落地到具体的产品与服务。系统根据医疗数据特征，自动匹配视立美产品矩阵，生成定制化报告。
- A (主动护眼)： 针对王墨琛的情况（低度近视、散光极小），AI首推视立美蜂眼分段轴控镜D系列（非球面微透镜星环，延缓眼轴增长），或入门级的全焦轴控镜M5/M7。
- P (被动健眼)： 自动搭配MEM健眼仪的训练排期方案，放松睫状肌，因为病历显示其存在假性近视成分。
- A (辅助养眼)： 生成叶黄素眼贴（舒缓疲劳）与自然森氧多功能台灯（改善读写微环境）的附加组合包。
4. 全链路履约与复盘模块 (Lifecycle Tracking & Review Module)
医疗与高客单价服务的核心在于“复购”与“口碑”，这依赖于持续的效果跟踪。
- 动态视力档案追踪： 记录每一次复查的眼轴、度数变化，与初始数据进行比对。
- 智能预警与随访SOP： 如果发现某次复查眼轴增长过快，系统自动触发预警，并给销售推送干预升级的话术（如建议联合其他防控手段）。
- 全流程AI复盘分析： 针对成单或流失的案例，AI自动抓取沟通记录与方案差异，分析“断点”在哪里（是P阶段痛点没打透，还是C阶段没给足刺激？），持续优化总体的转化率。
场景演示
针对25~40岁女性（母亲）这一核心决策群体，她们的核心心理特征通常包含：对孩子未来的高期待、对现状（如过度使用电子产品）的焦虑与内疚、以及对医疗专业度的高要求。
场景一：初次接诊与破冰（感知与策略生成工作流）
参与智能体： 多模态解析Agent、用户画像Agent、APTC销售策略Agent
场景动作：
- 数据秒级入库： 妈妈递交病历，销售拍照上传。
多模态解析Agent瞬间提取结构化数据（如xxx：7岁，眼轴23.12mm，远视储备透支）。 - 伴随式倾听与画像： 销售佩戴工牌（或系统端开启录音），系统将对话实时转文本。
用户画像Agent开始清洗噪音，并根据妈妈的用词（如“愁死了”、“天天玩手机”、“以后怎么考军校”）打上动态标签（如 [焦虑型]、[干预意愿强]、[权威依赖]）。 - 话术实时生成（认知卸载）： 销售的Pad或手表上，不需要看复杂的报告，
APTC销售策略Agent只推送一两句核心话术。
话术示例（针对25-40岁妈妈）：
- A（权威建立）& P（痛点共鸣）： “妈妈，我完全理解您的着急。您看，xx才7岁，眼轴已经23.12毫米了，这相当于十一二岁孩子的眼轴。这不是简单的假性近视，是眼球已经在变长了。我们如果不马上‘踩刹车’，到了小学高年级，度数会涨得非常快。”（剥离母亲的自责，用专业数据将隐性风险显性化）
流转分支：
- 成单： 提取APA方案（如蜂眼轴控镜+MEM健眼仪），触发“场景四（成功案例）”。
- 未成单： 记录抗拒点（如“想回去和孩儿他爸商量”、“觉得太贵”），进入“场景二（跟单池）”。
场景二：智能跟单与分级呈现（意图驱动与双视角工作流）
参与智能体： 时序调度Agent、文案生成Agent、商业逻辑分析Agent
场景动作： 系统根据上一次沟通设定的Follow-up时间或特定的触发事件（如开学前夕、复查日期临近），自动唤醒任务。为了兼顾一线的执行效率和管理层的全局把控，系统提供“双视角输出”。
视角 1：一线销售端（极简指令，极致卸载） 销售在微信管理端或工作台看到的，不是长篇大论，而是经过提炼的“下一步行动指令（Next Best Action）”。
- 提示： 🔔 “xxx妈妈跟进：明天开学，切入‘读写环境’痛点。”
- 一句话发送（提供一键复制或微调发送）： “xx妈妈，明天孩子就正式开学了，课业一重，眼睛压力最大。上次给您看的那款自然森氧台灯，这几天有开学季名额，我给您留了一个，您看要不要先给孩子书桌备上？”
视角 2：销售总监端（深度透视，逻辑显性化）
总监在后台看到的，是商业逻辑分析Agent提供的完整漏斗诊断报告。
- 画像速写： 32岁职场女性，高焦虑，价格敏感度中等，卡点在于对“蜂眼轴控镜”技术的认知不足（停留在T阶段）。
- 漏斗诊断： 该客户在 T（信任）环节转化率极速下降，建议销售在下次沟通时，不要推销产品，而是抛出同龄、同度数孩子的成功矫正前后对比图，完成证据闭环。
场景三：复诊跟进与画像演进（记忆检索与方案动态调整工作流）
参与智能体： 上下文记忆Agent、APA方案匹配Agent
场景动作：
- 记忆唤醒： 客户再次到店。销售在系统中点击“接诊”，
上下文记忆Agent瞬间调出过往所有互动的时间轴，并高亮该妈妈最在意的问题（如“上次特别关心叶黄素到底有没有副作用”）。 - 动态对比： 导入最新的复查验光单。系统自动生成“眼轴/度数变化曲线”。
- 画像更新与APA迭代： 本次沟通后，系统自动更新妈妈的信任度评级。同时，如果发现眼轴控制效果好，
APA方案匹配Agent会提示销售进行正向反馈，并顺势做周边产品（如营养补充的固体饮料）的交叉销售（C阶段转化）。
- 话术提示： “墨琛妈妈，这几个月您监督得很到位，眼轴一点没长！说明我们的方案非常契合。继续保持的同时，我们可以把叶黄素酯口溶粉加上，巩固视网膜营养，就不用您每天盯着他吃胡萝卜了。”
场景四：自动复盘与SOP沉淀（自进化与模型微调工作流）
参与智能体： 归因分析Agent、知识库构建Agent
场景动作： 这部分是系统的“大脑皮层”，负责将一线经验转化为企业资产，解决“优秀销售经验无法复制”的难题。
- 成功归因（定量+定性）：
归因分析Agent扫描本月所有成单记录。它会发现某种特定的多对多映射关系：比如，面对*[高知]+[高焦虑]*的妈妈，销售在A（权威）阶段重点讲解“复眼仿生技术”底层逻辑，在T（信任）阶段发送论文截图的转化率，比发送普通案例高出40%。这套路径将被提取为“高知型家长攻坚SOP”。 - 失败拆解（截断点分析）： 分析未成单记录的录音转写。找出流失的共性截断点。比如：很多销售在家长说“去公立医院再看看”时，没有使用相应的博弈话术（C阶段缺失），导致线索彻底流失。
- 人工介入与资产固化： 系统将这些Insight（洞察）生成诊断报告提交给销售总监。总监审核确认后，点击“入库”。
知识库构建Agent自动将这些新SOP写入底层的系统提示词（Prompt）中，让全员在明天的“场景一”中就能享受到最新的话术支持。
通过这种多智能体各司其职的设计，系统不仅做到了把复杂留给机器（数据结构化、概率计算、逻辑归因），把简单留给销售（一两句话的意图交互），更让整个视立美的销售漏斗具备了不断自我修正和迭代的生命力。
示例：多模态解析Agent
针对多模态解析Agent（Multi-modal Parsing Agent）的数据提炼与结构化设计，核心难点在于异构数据的标准化（Ontology Mapping）。不同医院、不同设备（如Tomey、Nidek、蔡司等）产出的报告板式各异，系统必须建立一套具有高度包容性和扩展性的标准数据骨架（Schema）。
以下是详细架构设计与样例落地的一个示例：
1. 异构病例的标准化提取结构 (Medical Record Standard Schema)
为了兼容各类医院的报告，底层数据结构必须解耦为“基础实体”、“验光数据（分状态）”和“生物测量数据”。建议采用强类型的JSON结构，便于下游的规则引擎或Agent直接调用。
{
"Patient_Info": {
"patient_id": "string", // 脱敏后的唯一标识
"age": "integer",
"gender": "string"
},
"Encounter_Info": {
"hospital_name": "string",
"examination_date": "YYYY-MM-DD",
"cycloplegia_status": "boolean", // 是否散瞳
"cycloplegic_agent": "string" // 散瞳药剂（如：托吡卡胺）
},
"Refraction_Data": { // 屈光数据（需区分电脑验光与检影/插片）
"Objective_Refraction": { // 电脑客观验光
"OD": {"sphere": "float", "cylinder": "float", "axis": "integer"},
"OS": {"sphere": "float", "cylinder": "float", "axis": "integer"}
},
"Subjective_Refraction": { // 主观插片/检影
"OD": {"sphere": "float", "cylinder": "float", "axis": "integer", "corrected_va": "float"},
"OS": {"sphere": "float", "cylinder": "float", "axis": "integer", "corrected_va": "float"}
}
},
"Biometry_Data": { // 生物测量数据
"OD": {
"axial_length": "float", // 眼轴长度 (mm)
"K1": "float", "K2": "float", // 角膜曲率 (D)
"corneal_astigmatism": "float"
},
"OS": {
"axial_length": "float",
"K1": "float", "K2": "float",
"corneal_astigmatism": "float"
}
},
"Imaging_Diagnostics": { // 影像与眼底
"fundus_status": "string", // 结构化标签，如 "normal", "pathological"
"raw_description": "string"
}
}
2. 分析与解读报告的数据结构 (Insight & Strategy Schema)
分析模块的结构不能仅停留在医疗指标层面，必须直接桥接业务属性。它需要将冷冰冰的医疗指标转化为疾病定性、风险预测以及业务抓手（APTC与APA的入参）。
{
"Clinical_Diagnosis": {
"severity_level": "string", // e.g., "hyperopia_exhausted", "early_myopia", "high_myopia"
"primary_issue": "string", // 核心医学定性
"pseudomyopia_ratio": "string" // 假性近视占比评估（基于散瞳前后差值）
},
"Risk_Assessment": {
"axial_growth_risk": "string", // 眼轴增长风险等级：High/Medium/Low
"urgency_level": "integer" // 业务干预紧迫度 (1-5)
},
"Sales_Copilot_Hooks": { // 对接 APTC 销售策略引擎
"pain_points": ["string"], // 提取出的家长痛点（用于 P 阶段）
"authority_facts": ["string"] // 用于支撑权威专家的事实数据（用于 A 阶段）
},
"APA_Recommendation_Tags": { // 对接 APA 方案智算模块
"active_control": ["string"], // 主动护眼产品池标签
"passive_training": ["string"], // 被动健眼产品池标签
"auxiliary_care": ["string"] // 辅助养眼产品池标签
}
}
3. 基于“王xx（7岁）”样例的实际内容流转
当 OCR 病历数据流经上述结构的解析与分析 Agent 时，产出的具体内容如下：
A. 提取出的标准结构 (Data Extraction Output)
{
"Patient_Info": { "age": 7, "gender": "男" },
"Encounter_Info": {
"hospital_name": "西安市人民医院（西安市第四医院）",
"examination_date": "2025-08-22",
"cycloplegia_status": true,
"cycloplegic_agent": "托吡卡胺"
},
"Refraction_Data": {
"Objective_Refraction": {
"OD": {"sphere": -0.75, "cylinder": -0.25, "axis": 171},
"OS": {"sphere": -1.00, "cylinder": -0.25, "axis": 168}
},
"Subjective_Refraction": {
"OD": {"sphere": 0.00, "cylinder": 0.00, "axis": 0},
"OS": {"sphere": -0.25, "cylinder": -0.00, "axis": 0}
}
},
"Biometry_Data": {
"OD": {"axial_length": 22.97, "K1": 45.55, "K2": 46.94, "corneal_astigmatism": -1.39},
"OS": {"axial_length": 23.12, "K1": 45.73, "K2": 47.27, "corneal_astigmatism": -1.54}
},
"Imaging_Diagnostics": {
"fundus_status": "normal",
"raw_description": "未见明显出血、渗出或病变"
}
}
B. 分析引擎生成的洞察内容 (Insight Generation Output)
基于多智能体中负责逻辑推理的 Agent，通过对比 7 岁儿童生理发育常模数据，产出以下结构化洞察，直接赋能前端销售：
{
"Clinical_Diagnosis": {
"severity_level": "early_myopia_with_pseudomyopia",
"primary_issue": "远视储备完全耗尽，真假性近视混合",
"pseudomyopia_ratio": "高（散瞳前近视100度，散瞳后仅剩0-25度，睫状肌痉挛严重）"
},
"Risk_Assessment": {
"axial_growth_risk": "High (7岁眼轴突破23mm，属于高危预警线)",
"urgency_level": 4
},
"Sales_Copilot_Hooks": {
"pain_points": [
"7岁远视储备清零，起跑线落后",
"睫状肌严重疲劳，眼轴长度已达大龄儿童标准"
],
"authority_facts": [
"散瞳前后度数差值达75度，证明日常用眼习惯极度受损",
"眼轴23.12mm意味着眼球已经被物理拉长，不可逆转"
]
},
"APA_Recommendation_Tags": {
"active_control": ["M5全焦轴控镜（入门级适应）", "蜂眼轴控镜（强化离焦抑制眼轴）"],
"passive_training": ["MEM健眼仪（重点消除75度假性近视，放松睫状肌）"],
"auxiliary_care": ["自然森氧多功能台灯（改善不良读写微环境）"]
}
}
应用流转说明：
当这份 JSON 吐出后，前端的展示界面（为销售准备的人机界面）会隐藏掉所有复杂的浮点数和字典嵌套。销售只会看到一个红色的预警标签：“睫状肌重度疲劳 + 眼轴超标预警”，并直接获得由 Sales_Copilot_Hooks 和 APA_Recommendation_Tags 组装而成的一键发送话术。机器读JSON，人读自然语言指令，真正实现了业务逻辑的降维与执行的卸载。