达仁堂OpenClaw数据分析最佳实践:从数据洞察到业务增长

本文内容根据津药达仁堂集团数据分析经理高骏雄在“百年药企 数智新生——CIAPH 走进津药达仁堂”上的分享整理

在“百年药企 数智新生——CIAPH走进津药达仁堂”活动中，津药达仁堂的数字化转型、AI智能化项目，受到与会嘉宾的广泛关注。其中，达仁堂在OpenClaw数据科技场景中的实践探索，是一个非常好的亮点话题。

津药达仁堂集团 数据分析经理 高骏雄

津药达仁堂集团数据分析经理高骏雄，就此做了专题分享，认为医药企业在数据层面的需求与痛点具有共性。在搭建数据中心前，我们的数据分散于各业务系统，打通与融合的难度极大。过去依赖Excel制作报表，数据反馈周期长达两个月，人力投入与时间效率均未达最优。在业务分析环节，工作多依赖个人经验、以手工操作为主，不仅分析手法不统一，结果也完全依托个人经验判断，标准化程度极低。

当前医药市场瞬息万变，政策导向持续推动行业迭代，传统报表制作方式与交付周期已难以满足业务实际需求。此外，业务数据还存在口径不统一的问题，不同部门各有标准；数据质量也缺乏保障，往往在完成报告核对数据时，才发现前后不一致、存在问题，进而反向回溯查找原因。随着业务数据量增长，数据分析人员数量难以跟上业务发展，出现人手不足的情况。核心矛盾逐渐凸显：业务决策需要数据支撑，但数据获取与分析效率无法满足快速决策的需求。

针对上述问题，达仁堂搭建的OpenClaw解决方案也十分清晰，以达仁堂整体数据分析与数据业务架构为例展开具体分析：

我们参照DIKW模型搭建体系——D代表Data（数据）、I代表Information（信息）、K代表Knowledge（知识）、W代表Wisdom（智慧）。在达仁堂的实践中，我们认为数据（D）之前还存在Record（记录）环节，并以此流程搭建整体数据架构与业务体系。

具体而言，我们先整合各业务系统的分散数据，解决此前数据不统一的问题；再通过数据中台完成数据的汇聚、清洗与整合，形成统一的数据仓库集合，这一环节全部在数据中台内完成；之后由分析师开展数据分析工作，并通过BI工具固化分析流程，整个过程严格遵循DIKW金字塔模型推进。数据分析的核心逻辑，是从原始记录转化为有效信息，经信息治理形成知识，最终升华为业务智慧。

知识与智慧的形成，离不开业务系统与业务人员的输入。新系统上线后主要在三个环节提供支撑：数据开发阶段辅助编写代码，数据洞察与查询阶段辅助实现分析与查询需求。需要特别说明的是，我们未让系统直接连接数据中台，因为这会带来较大数据风险。我们通过两种接口方式实现安全交互：数据中台通过API接口与系统交互，知识库通过中间件完成交付，二者为软连接。由于AI能力强大，具备联网、多场景适配与自主任务规划能力，我们通过API接口做了一层封装与安全防护，避免AI直接访问数据库。

我们的核心理念是“专事专agent”，OpenClaw作为核心调度中枢，负责将任务分发给下属智能体（Agent）执行，不同系统对应不同智能体，最终由中枢汇总并反馈执行结果。系统采用两层架构设计：一层为通用架构，处理通用型任务；另一层为专业架构，专注于垂直场景任务。报告撰写有专属技能模块，数据分析有配套技能体系，市场策略规划有对应专业技能，各模块各司其职，最终落地到具体业务场景。

医药行业从上销、分销到动销的各场景，分析逻辑存在差异。我们针对不同场景配置对应分析能力，覆盖商家数据查询、药品价格监控、价格巡检等功能模块，实现单场景的多维度分析。在用户交互层面，用户可通过自然语言查询数据。在咨询商家信息场景中，系统可自动完成数据查询与录入，替代传统BI的手动操作流程；针对分析洞察需求，系统能自动生成专业分析报告。

目前，我们50%的数据开发任务可由系统自主完成，落地效果良好；全域数据查询响应虽略有延迟，但可控制在1分钟内返回结果；分析洞察效率大幅提升，报告生成时间从小时级缩短至分钟级。用户通过自然语言发布任务后，系统会自动拆解问题、分析需求，根据数据源路由匹配对应方案，调用智能体ID进入Chat BI智能体矩阵，按场景完成任务执行。我们秉持“分而治之”的设计哲学，将复杂任务拆解为细分任务，逐个完成后整合结果，确保整体任务高效落地。

企业数据体量庞大，如何让用户清晰、准确地查询数据？核心在于拆分场景，逐个打通场景理解，最终实现全域数据的精准交互。许多企业都能搭建Chat BI，但如何搭建好Chat BI？大家可对照自查搭建过程是否具备核心要素，确认具备后就能实现精准的数据查询。同时，Chat BI搭建需明确角色担当与分级权限管理，不同用户的数据权限不同，绝不能让用户查询到权限外的数据，这一管控通过底层Data Agent与Chat BI流程实现。系统将数据与分析知识结合，按用户权限输出对应信息，支撑用户完成场景定义、分析、报告生成的全流程，保障长期使用需求。

当前达仁堂采用“时间、空间、产品、客户、角色”为核心的Chat BI搭建方案，实现了提问意图识别精准度超90%、数据精准度100%，确保Chat BI有效落地。去年接触ChatGPT系列工具时，我们遇到的最大问题是业务人员提问过于随意，例如“某产品近期销售额怎么样？”，直接将这类问题交给系统，往往无法得到精准回答甚至会返回错误结果。这一问题的核心在于缺少问题转写环节，需要将模糊问题拆解为具体信息。若数据量庞大、需查询大量视图，将问题转写模块搭建在Chat BI Agent中并针对单场景处理，效果会更好。

我们通过BI工具完成信息整合，明确模糊定义。针对“某产品近期销售额怎么样”这类模糊问题，我们会逐一补齐信息：明确“近期”的默认时间范围、确认产品别名与下属品规、匹配对应客户信息与客户简称规范，同时根据用户角色（如CEO、业务员等）匹配对应的数据维度与信息权限。通过这套流程，系统的类别视图识别率和数据准确性大幅提升。

此外，项目前期在VR等方向的投入并不会白费。项目确定后，项目组在数据场景的协作更偏向部门协同，而非单一角色独立作业。目前我们有两种部署方式：一是单角色单实例，独立运行数据；二是分身式部署，这是我们的创新尝试。单实例配置更高（如八核6G、八核16G，区别于普通两核两G），承载公共两层架构与安全边界，一台设备可拆分出八个独立分身，每个分身拥有独立入口、独立内存，权限相互隔离。分身式部署解决了权限管理的难题，每个用户使用专属分身，拥有独立的使用体验，算力最终统一归集在核心设备上。数据、文档权限严格隔离，用户无法查看权限外的内容，管控更加安全高效。

最后，仁堂通过该系统实现的业务覆盖：利用Chat BI智能体矩阵完成了销售数据洞察、拓扑分析、SFE市场分析、客户分析、市场情报收集、价格调研等全场景应用；同时可自动录制培训、会议内容，提炼生成专业报告，拓展了更多应用场景。整体来看，我们的报表制作效率提升80%，50%的数据开发任务由系统自主支撑，实现了降本增效、精准分析的核心目标。

以上是我的分享，感谢大家~