AI Native 施工图:做好健管部的一本账

系列：AI Native 的医康养（第 3 篇 · 施工图）

前两篇讲完健管部是什么、干什么。这篇讲怎么算账。

先把结论摆在前面：健管部不是成本中心，是利润倍增器。但前提是你算得清它的账。算不清，它就是无底洞；算清了，它就是整个机构复购的发动机。

这篇我拆三件事：P&L 用什么方法搭、小中大机构分别怎么算、人力红线画在哪。

一、P&L 搭建的三种方法，为什么健管部只能用第三种

搭 P&L 不是拿个 Excel 模板填数字，先想清楚用什么记账逻辑。行业里有三种主流方法，各有各的适用场景。

第一种：直接收入法。最直观，部门卖了多少钱就记多少收入。适用于门店、医美机构这些有直接现金流的业务单元。但健管部不直接卖卡、不直接做项目，客户消费走的是门店和医疗端的收入。用直接收入法搭健管部的 P&L，收入栏是空的，只有成本，怎么算都是亏的。

第二种：成本分摊法。把健管部的成本按比例分摊到各个业务线，看每条线被分摊后还有没有利润。适用于集团层面评估各业务的综合盈利能力。但分摊比例怎么定？按人头？按面积？按收入？没有标准答案，最后变成各部门互相扯皮的战场。

第三种：增量记账法。不记健管部自己的直接收入，记健管部给整个机构带来的收入增量。客户留存率提升了多少？复购频次增加了多少？转介绍多了多少？这些增量收入就是健管部的”产出”。

为什么健管部只能用第三种？因为健管部的价值不是直接卖东西，是让客户留得更久、买得更多、介绍得更多。用前两种方法记账，健管部的价值全部隐身；用增量记账法，每一分投入都能追溯到客户行为的改善上。

二、小中大机构，三种算法

增量记账法的核心公式：EBITDA = 增量收入 - 健管部专属成本。但不同体量的机构，数字差很远。分三个场景。

小型机构（活跃客户 ≤ 200 人）：年增量收入约 60-120 万，健管团队 2-3 人（不需要总监），年成本约 30-50 万，EBITDA 约 30-70 万，ROI 约 100-150%，理想 ROI 线 150%。这个体量的关键不是建部门。是建档案：把现有客户的健康数据整理好，先跑起来再说。

中型机构（活跃客户 200-500 人）：年增量收入约 240-600 万，健管团队 5-8 人（需要组长），年成本约 100-180 万，EBITDA 约 140-420 万，ROI 约 140-230%，理想 ROI 线 200%。这个体量开始需要系统支撑：CRM、健康档案、可穿戴接入。也是 AI Native 杠杆最明显的区间。

大型机构（活跃客户 500 人以上）：年增量收入 600 万以上，健管团队 10-30 人（需要总监+经理），年成本 200-600 万，EBITDA 400 万以上，ROI 约 200-300%，理想 ROI 线 250%。这个体量的关键是标准化和复制：把跑通的模型复制到每家分院、每个城市。

三个场景讲完，你大概已经有感觉了。但数字落到你自己的机构，才是真的。

假设你有一个 500 客户的机构，平均客单价 3 万。建一个 5 人健管部（1 组长 + 4 组员），年人力成本约 80 万（含社保），系统和技术约 20 万，运营约 10 万，年总成本 110 万。

有了健管部，留存率从 35% 降到 20%，多留 75 个客户；复购频次从 1.5 到 2.5，多 500 次复购；转介绍多 50 个新客户。年增量收入保守估计 500 万。500 万增量收入减 110 万成本等于 390 万增量利润，ROI = 355%。

但很多老板会说：这 500 万即使没有健管部也能留住一部分客户。对，所以真正的增量要打折：假设自然留存贡献占 25%，那健管部的真实增量是 500 万乘以 75%，约 375 万。这个 375 万才是健管部创造的价值。这个算法保守，但保守的账才经得起推敲。

数据来源说明：以上增量收入的计算基于留存率提升 10-15 个百分点、复购频次提升 0.5-1 次/年、转介绍率提升 5-10 个百分点的行业共识区间。具体到你的机构，用文末的活表改数字。

三、人力红线：一个数字决定你是赚是亏

健管部最大的成本项是人力，占 60-70%。人力效率由一个数字决定：一个健管师管多少个活跃客户。

行业参照：国际长寿诊所的实践标准是 1 名健康教练管 40-60 名活跃会员。低于 1:40，人效太低，人力成本吃掉利润；高于 1:60，服务质量下降，客户感受不到”被记得”。

国内现状：大多数机构的健管师管 15-30 个客户，因为大量时间花在手工录入数据、翻查资料、拼凑报告这些 AI 可以代劳的事情上。

AI Native 改写的正是这个数字。有了 AI 处理数据汇总、报告生成、风险预警、材料预填，同一个健管师能管 80-100 个客户。人效翻了近三倍，但人力成本不变，这就是 AI 的纯利。

举一个具体的场景。健管师小王管 30 个客户，每天上午花两小时手工录入昨天收集的健康数据，下午花一小时写客户跟进报告，剩下的时间才能做真正的客户沟通。AI 接入之后：数据自动回流进系统，报告自动生成躺在桌面上，风险预警自动推送。小王省出来的三小时全部投入到客户沟通和关系维护，管 80 个客户的体感和之前管 30 个一样轻松。她的工资没变，但产出翻了近三倍。

有三道参考线能帮助我们粗暴评估：第一道，低于 1:30 先别招人，先部署 AI 把人效拉上来。第二道，1:30-60 是安全区，按业务增长节奏补人。第三道，超过 1:80 该加人了，因为 AI 已经吃完了所有可以自动化的工作，剩下的必须是人来做。

四、自负盈亏的四个阶段，每阶段有里程碑

第一阶段（1-3 个月）投入期。

里程碑：客户健康档案建档率 ≥ 90%，健管师完成全部品项的证据链培训，CRM 系统上线。这个阶段的产出不是钱。是基础设施。

第二阶段（4-6 个月）见效期。

里程碑：客户月度流失率环比下降 ≥ 3 个百分点，至少 30% 的活跃客户有了一次完整的健管回访记录，首批可穿戴设备数据回流。增量收入开始出现但还覆盖不了全部成本。

第三阶段（7-12 个月）盈利期。

里程碑：月度增量收入首次超过月度成本，客户年化复购频次比基线提升 ≥ 0.5 次，转介绍客户数环比增长 ≥ 20%。EBITDA 转正。

第四阶段（12 个月以上）复利期。

里程碑：年化 EBITDA ≥ 健管部年成本的 1.5 倍，客户留存率稳定在无健管基线的 60% 以下，健管师人效达到 1:60 以上（AI 辅助后 1:80+）。飞轮转起来了。

五、飞轮：数据资产怎么转大复利

以上说的是账。这篇收尾说一个更大的东西：当健管部跑起来之后，数据资产怎么转大复利。

健管部每天产生的数据不是垃圾，是资产。客户的检测数据、可穿戴数据、聊天记录、消费偏好、生活方式变化，这些非标数据在传统机构里散落在各个顾问的脑子里和微信里，没人管，没人用。AI Native 的健管部把这些数据汇进一个池子，让 AI 从中找出规律。

规律变成什么？变成预测。哪类客户在什么阶段最容易流失，提前干预；哪类客户对哪种项目反应最好，精准推荐；哪类客户的转介绍意愿最强，重点维护。每一条预测都直接指向收入。

然后这些预测的结果又变成新的数据，喂回池子，让 AI 的预测更准。数据产生洞察，洞察产生收入，收入产生更多数据。这就是飞轮。转起来的速度取决于数据量的增速，数据量的增速取决于健管部覆盖的客户数，客户数取决于你的留存和转介绍，飞轮的每一环都是健管部在推。

生美的肤质数据、医美的治疗数据、大健康的监测数据，同一个客户三条线的轨迹汇进一个视图。这不是三个部门的简单叠加。是一个客户在你体系里的完整生命画像。有了这张画像，你就知道她下一步需要什么、什么时候需要、愿意花多少。

这就是 AI Native 的终局形态：不是机构里装了几台机器人。是你的机构拥有一台越转越准的客户需求预测引擎。而健管部，就是这台引擎的燃料库。

我把这个 P&L 模型做成了一张 Excel 活表。改数字，全表跟着动，人力红线溢出直接标红。后台发「活表」两个字，发你。

下一篇预告：健管部的飞轮转起来之后，可穿戴设备和 AI 家庭健康智能体怎么接入，数据怎么从”机构的系统”走到”客户家里的冰箱和灯光”。那才是 AI Native 的完全体。

声明：本文为行业方法论探讨，不构成投资或采购建议；文中财务模型为理论推演，实际数字因机构规模、业态和地区差异而不同；配套活表可后台获取，实际数字请以专业尽调为准。