健康产业数字越来越大，精准营养该看哪一组

从市场规模到复评完成率，五个口径分清热闹与有效

柏霖智生 · GenoMind AI｜品牌专题

招商材料上的那三页数字

上个月一位做健康管理的朋友拿来三页材料。第一页写行业规模，第二页写用户年均消费，第三页写增速，三页都配了向上的箭头。他问的其实是同一句话：这么大的盘子，我从哪一块切进去比较稳。

我没有直接回答，而是问他这三个数字分别怎么算出来的。他愣了一下，说材料是服务商给的标准版本，自己没细看。这个反应很常见：数字越大越像机会，也越像背景板，看的人容易跳过口径，直接进入想象。

判断一条赛道值不值得进，规模只是入口。更需要的是另一类数据：谁的问题被解决了，解决到什么程度，解决之后有没有被继续跟踪。这类数据不好找，也不好讲，但它决定了生意能不能长久。

下面把常被摆在同一页的几组数据拆开，逐组看它在说什么、在什么情况下会骗人、有没有更接近真实的替代口径。拆完之后再回头看那三页材料，很多结论会自己发生变化。

市场规模：口径一变，结论就变

健康产业这个词的边界很宽。保健品、功能食品、健身服务、体检、医疗器械、可穿戴设备、互联网问诊，都可以被装进去；有的统计还把医疗机构的相关收入一并算上。纳入哪些品类，本身就是一个判断。

除了品类，还要看统计的是终端零售额还是出厂产值，是全国还是城镇，是当年新增还是累计存量。同一段时间，两份报告的数字可以差出数倍，而两份报告的标题可能都写着健康产业规模。

数字本身没有对错，问题出在跨口径比较。把甲报告的规模与乙报告的增速排在同一页，读起来像一个连续的市场，实际上是把两个不同样本拼在了一起。这种拼接在招商材料里非常常见。

规模数字能回答的是这条赛道有多少钱在流动，回答不了这些钱花得值不值。前者对投资判断有用，后者才是做产品、做服务的人每天要面对的问题。两者不能互相替代，也不能混着用。

消费额不等于被使用，更不等于有效

销售额的另一面是库存。货从厂家到了经销商，在统计口径上就已经算作销售，但它可能还躺在区域仓库里，也可能已经在某个家庭的柜子里放到过期。流通环节越长，这个偏差越大。

客单价和复购率常被当作需求旺盛的证据。复购至少说明有人愿意再付一次钱，这个信号有分量；但它同样可能来自促销囤货、家人共用，或者一种更微妙的心理：买了，就等于在管理健康了。

更接近真实需求的指标是使用强度。一个购买周期里实际吃了多少天，剩下多少，有没有因为胃肠不适或嫌麻烦而停掉，停掉之后有没有换成别的东西，换的时候是听谁的建议。

这类数据很少出现在公开报告里，因为它们通常不好看。一个品类如果平均只被吃掉三分之一，它的销售额再高，也很难说明消费者真的需要它，只能说明它被成功地卖了出去。

所以看到漂亮的消费数据，值得多问一句：这些钱买到的东西，最后有多少进了身体，有多少进了垃圾桶。这一问往往不礼貌，但它能把热闹和需求分开，也能让产品定义少走两年弯路。

渗透率与人均支出，最容易制造错觉

渗透率的分母选择很关键。按全体人口算，任何细分品类都显得很小；按某个年龄段、某类城市、某个收入区间的人群算，数字立刻好看。同一份原始数据换个分母，能支撑两种完全相反的判断。

人均支出也有类似问题。总额除以人数得到的是平均数，少数高频用户会把均值拉得很高，而多数人可能一年只买一次。均值描述的是一个并不存在的典型消费者，按他设计产品会处处落空。

换成中位数和分布，图景会清楚很多：有多少人一年零消费，多少人集中在某个价格带，多少人反复买同一类产品，多少人买过一次就再没回来。这几个数字加起来，比一个总额有用得多。

这些统计并不难做，难的是它们不好讲故事。均值可以讲人人都在为健康花钱，分布只能讲一小部分人在花。前者适合融资场合，后者适合定产品、定价格、定服务流程。

先看支付方：这些钱是谁掏的

同样一笔健康支出，由谁掏钱，决定了它有多刚性。个人自费买一瓶补充剂，可以因为一次涨价、一次看到负面消息就停掉；医保或商业保险支付的营养治疗，停不停要看适应症和处方。

所以在看消费类数据之前，先问支付方是谁：个人自费、企业福利、保险支付，还是医院采购。四类支付方的决策逻辑完全不同，对应的金额也不能简单相加，加出来的数字背后没有统一的行为。

个人自费的部分对价格最敏感，也最容易被营销推动。它增长快，回落也快；一次平台规则调整或者一波舆论，就能让某个品类掉下去。用这部分数据判断长期需求，很容易被短期情绪带偏。

企业福利和保险支付的部分增长慢，但一旦进入目录就比较稳定。判断这类需求要看覆盖人数和续约比例，而不是首月销量。续约比例低，说明使用者并不觉得有用，只是被动接受了这份福利。

医院采购的部分离临床最近，也最难被营销撬动。它看适应症、看证据、看安全性，这些门槛对做产品的人是约束，对判断需求的人反而是可信度来源。门槛越清楚的地方，数据越不容易注水。

临床营养与特医食品：这组数字离需求最近

医院里使用的肠内营养制剂、特殊医学用途配方食品，对应的是一批有明确医学指征的人。这组数字的增长通常不快，也不够吸引眼球，但它的每一笔使用背后都有诊断、有评估、有监测。

门槛本身就是一种筛选。需要医生判断适应症，需要看肝肾功能和胃肠道耐受，需要在用之前排查与其他治疗、其他用药的冲突。这些步骤把想补一补的人和必须补的人分开了。

它的局限同样明显：覆盖的是院内场景。一个人住院期间接受了营养支持，出院以后怎么吃、吃了多久、指标有没有维持，这条链往往就断了，统计里看不到，服务里也常常没人接。

断点所在的位置，往往就是机会所在。谁能把出院后的随访、复评、方案调整接上，谁就在补一段没有被统计覆盖的需求。这一段做得好不好，直接决定长期结果，也决定口碑往哪走。

数字健康的活跃度，为什么不能当效果

日活、打卡次数、使用时长，衡量的是产品被打开的频率。打开是行为，执行是另一件事，两者之间隔着动机、能力和具体的生活现场。把前者当后者，是这一行最常见的自我安慰。

一个人每天打开应用记录饮食，可能只是出于习惯、积分或者提醒；另一个人一周只打开一次，但严格按方案吃、按约好的时间去复查。前者的数据好看，后者的结果更好。

这类指标还会反向塑造行为。当打卡次数成为考核目标，用户会为了打卡而打卡，记录变得整洁，现实没有变化；产品团队也会围绕打开率做优化，而不是围绕结局做优化。

更贴近效果的替代口径是完成度：计划执行了多少天，复评有没有按时做，方案因为不适调整过几次，中途退出的人是在第几周走的、走之前发生了什么。这些数字不好看，但方向和结果一致。

把数据排成一条链：可及、执行、结局

把前面几组放在一条线上，可以排出一条链：有多少人被覆盖，覆盖到的人里有多少真的执行，执行的人里有多少指标或功能发生变化，发生变化的人里有多少在半年之后还维持着。

每往下走一层，人数都会减少，这是正常的。行业报告通常只报第一层，因为第一层最大、最容易被看见。做服务的人必须知道后面三层，否则很容易把覆盖率当成效果，把流量当成口碑。

这条链还有一个用处：它让不同规模的服务变得可比。一家只服务几百人的机构，如果复评完成率和结局改善都做得扎实，它的能力并不比覆盖几万人的平台差，甚至更容易说清自己做了什么。

数据在这里的作用，不是证明市场有多大，而是证明某件事对某个人起过作用，并且这个过程可以被重复。能被重复，才有资格被规模化；不能重复的增长，只是把同一个问题复制了很多遍。

能用来决策的数据，通常有三个特征

第一是有分母。说很多人改善了没有意义，要说是多少人里的多少人，中途退出了多少，退出的人算不算在分母里。分母不清，改善率可以被算成任何数字，也可以被任何一方解释。

第二是有时间窗。三个月改善和三个月没变化是两种完全不同的结论，但很多材料只写改善，不写周期。血脂、糖化血红蛋白、维生素D这类指标各有自己的反应周期，混在一起说会失真。

第三是能追到个人。只给群体均值的数据，回答不了一个人适不适合；能追到个人的记录，才能支撑个体化判断，也才能在出现不良反应时回溯到具体环节，而不是笼统地说个体差异。

三条都不满足的数据也不必全盘否定，它可以用来判断趋势、感受气氛；但它不能用来做承诺，更不能用来要求某个人相信自己也一定会这样。趋势是群体的，结果是个人的，中间隔着很多变量。

有些数据永远拿不到，怎么办

有一类数据几乎拿不到：真实世界里的结局数据。销售额可以买，用户数可以买，但一个人三个月后的指标有没有变化，只有真正跟下来的机构才知道，而它们通常不愿意公开。

不愿公开的原因很实际：公开意味着同时暴露退出比例和无效比例，这两个数字在任何行业都不好看。于是市场上流通的多是前端数据，后端数据留在各家自己的系统里，彼此不互通。

拿不到直接数据时，可以用代理指标。退货比例、投诉比例、复诊或续约的比例、老客户转介绍的比例、客服工单里反复出现的同一类问题，都能间接反映服务在后端发生了什么。

代理指标的用法是看方向，不是看绝对值。退货比例连续三个季度上升，即使销售额还在涨，也说明有一批人没被服务好；转介绍比例上升，通常意味着效果和沟通同时过了关。

这些指标的好处是不需要对方配合，从公开渠道和日常运营里就能观察到；坏处是容易被解释成别的原因，所以要两三个放在一起看，单个指标的涨跌说明不了什么。

假设情境：两家机构拿同一份报告去谈合作

下面是一个假设情境，用来说明材料该怎么换，不是真实案例。一家做营养咨询的小机构想拓展企业客户，手上有一份行业报告，里面写着市场规模和增速，数据来源看着很权威。

第一次谈，对方问你们的服务对我们员工有什么用。机构把报告里的规模数字讲了一遍，从行业总量讲到增速，对方礼貌听完，说再研究研究，然后没有下文。问题不在数字假，在于数字和对方无关。

第二次换了材料：过去一年服务了多少人，其中多少人完成了三个月周期，多少人复评后指标或自评状态有改善，多少人因为不适调整过方案，退出的人主要卡在哪一步。

数字小得多，谈下来的却是试点。原因很朴素：前者讲的是行业，后者讲的是你能为我做成什么。企业买的不是赛道，是员工请假的减少、体检异常项的变化和福利预算的实际去向。

工具应该站在数据链的哪个位置

数据链最难的是中间那段：从执行到结局。要把每一次复评的指标、用药变化和方案调整对上，才能说清一个人是怎么变好的，或者为什么没有变。这一段靠人工记录，很容易断。

柏霖智生在介绍 GenoMind AI 时强调机制信息整合与随访更新：把疾病史、治疗用药、检验与体检指标、饮食与运动习惯放进同一条分析链，复评时给出与上一版可比的变化，而不是重新生成一份方案。

它对行业数据的意义不是把数字做大，而是把过程留痕：谁的方案被改过，为什么改，改完以后哪个指标动了，哪个没动。这些记录攒起来，才是能被核查的结局数据，而不是一份好看的总结。

机构选这类系统时可以问一个具体问题：能不能取出一个人从第一次评估到最近一次复评的完整记录。取不出来的，做的是生成；取得出来的，才谈得上管理，也才谈得上拿数据说话。

给关注这条赛道的读者三条建议

第一，看到规模数字先找口径说明。找不到口径的，只能当气氛，不能当依据。口径写得越细，这个数字能承担的结论越少，它也越可信；反过来，一个数字什么都能解释，通常什么也解释不了。

第二，把注意力从多少人买，移到多少人用完、多少人复评、多少人变好。后三个数字决定了服务的上限，也决定了口碑能不能积累。前三个数字可以靠投放买来，后三个只能靠流程做出来。

第三，给自己的项目定一个算得清的分母。哪怕只有一百人，只要能说清这一百人里发生了什么、谁中途走了、为什么走，就比引用一个万亿数字更有说服力，也更容易被专业的人认真对待。

柏霖智生在这条链上做的事，是把个体层面的过程变成可追溯的记录。产业规模还会被反复讨论，但真正决定一个精准营养服务能走多远的，始终是它能不能回答：对这个人，起了什么作用。