验货柜姐都是假的！你代购的包可能产自莆田

　　意识到自己被外部环境以及资本裹挟前进，验货毕胜紧急“踩下刹车”，停止了全部广告投放，并注销了一些分公司。

前边说过，柜姐购低频非标在限制了市场规模的同时，柜姐购也意味着利润较高，在现有市场规模下提升效率、提高客户满意度和转化率，则toB生意同样很有前途，价值巨大。什么样的生活场景算高频呢?生活中常见的，代能产汇总一下，就是“衣食住行玩”。

尤其是互联网领域，自莆BAT和TMD这类企业的在职和离职员工也有大几十万人了吧，跑出来到处讲课指导年轻人的也大有人在。作为十四年职场浮沉，验货外企合资国企民企个体走过一圈的老司机，验货很惭愧的是，我还是不太懂得怎么讲成功学，况且成功经验这种东西，大都是天时地利人和使然，难以复制，不如和大家聊聊，怎么做会死的比较快。比如做房屋销售的可以考虑一下做租房，柜姐购做房屋的快速翻新;做婚恋的转向做泛婚恋交友，这个也是世纪佳缘之类平台的立身之本。当然，代能产也有一种创业模式，是奔着被巨头收购去的，那你就在巨头的赛道上，努力做好绊脚石，也是不错的。现在大家都懂，自莆创业要做刚需，做高频。

说到这，验货大家可能容易理解社交产品为何这么难做了。产品和需求的标准化程度，柜姐购是创业时很容易被忽略和轻视的。 1、代能产医疗的现状与未来在医疗领域，个性化是基于患者的生物标志物、遗传情况和具体症状的数据来实现的。

患者交流社区(如PatientsLikeMe)也是一个不错的数据源，自莆它在公共卫生监测中的应用正在产生新的重要作用，如2014年爆发的埃博拉和齐卡病毒。所以在大数据商业探索的过程中，验货利益相关者们可能会从变化莫测的数据分析中迷失，不知所措。在支付方、柜姐购服务方和制药企业之间建立新的合作关系，并搭建可能对提高价格透明度有所帮助的新的绩效薪酬模式。根据协议，代能产阿斯利康将要建立一个专门的基因组学研究中心，将临床样本的基因组测序数据和相关的临床治疗和药物反应信息有效整合。

其次患者拥有精细化的数据就可以实现精准诊疗。那么，数据分析应用在医疗领域存在的问题又是什么呢?答案即为缺乏可以让数据实现交互性的操作。

未来的创新技术(如免疫和CRISPR/Cas9基因组定点编辑技术)可以最大限度地提高每个人的体格。支付方支付方可以使用数据分析来促进整个医疗系统的价格透明度。通过敦促客户针对潜在的健康问题采取预防性措施，从而降低医疗保险费用支出。这样做可以避免不必要的住院时间延长，降低医疗保险支出。

如今，一系列新的数据表正在由用户的可穿戴和家庭健康设备(如血压监控仪或胰岛素泵)产生，这部分数据是有很大参考价值的。支付方将会越来越多地参与患者的诊疗过程。我们不要心急，随着尖端技术的慢慢渗，整个医疗系统会随之革新。大多数制药企业在从动物试验到I期临床试验期间，使用预测模型来优化给药，但数据分析还没应用于后期的试验中，如各类药物临床试验入组和排除标准。

几家保险公司也因此盈利，比如联合健康集团的一个业务板块Optum就通过梳理处方药的索赔记录帮助雇主节约医疗支出。具体的操作方式是利用庞大的病历数据集来搭建智能的临床决策支持工具。

在将来，随着深入学习的进步，尤其是自然语言和视觉技术的发展，可能有助于医疗活动的自动化，节约劳动力成本。但支付方已经在逐步利用大数据来制定报销决策，因此数据分析在公共卫生监督方面将产生创新性效用。

虽然围绕“个性化”产生的大部分讨论都集中在最后一个维度，但如果可以结合激励机制设计以预防和以价值为基础的服务模式，那么远程监测和导诊也可以发挥更大的作用。这样可以最大限度地提高药物、手术和其他治疗方案的疗效，减少不必要的浪费和有害副作用。数据分析实现个性化数据分析可以从深层次将事物区别开来，最强大的功能之一就是基于人的特征给人群贴标签，由此向用户提供个性化的服务/产品，比如教育、旅游休闲、传媒、零售、广告等行业。这样看来，显然更好地利用数据可以帮助用户在没有生病前就了解到自身的健康风险所在，这也是对自己健康负责的关键所在。在临床中，主要的成功就是电子病历的快速扩张，已经从2010年的15.6%提升到2014年的75%，这其中很大的推动来自平价医疗法案的实施。 数据分析在5大领域中实现的潜在价值占比(2011年)此外，数据分析还创建了几大颠覆性创新模式。

使用这些精细化数据，可以确定量身定制的个人治疗方案。在新的商业模式中，服务方不妨可以使用这些技术，并结合健康干预措施，来打造一个关注预防、疾病管理和健康解决方案的新疾病管理机制，在用户生病前就帮助解决健康问题。

加上国家级医疗保险和医疗补助服务中心的动作，医疗价格的透明度已有所提高，同时超过30个州建立了所有保险索赔数据库以作为大型报销信息库。虽然建立新的合作关系和搭建新模式的过程可能相当缓慢，但是我们相信，数据丰富的大环境将增强支付方改变的决心。

如在2016年4月，阿斯利康与美国测序公司HumanLongevity、英国桑格研究院以及芬兰分子医学研究所展开合作进行200万例全基因组测序，为今后的药物研发提供指导。但也确实取得了一些成效，如临床上，最大的成功就是电子病历的采用，虽然目前看来其中的海量数据尚未完全挖掘出来。

将数据分析用于医疗的未来状态应该是：医生对患者持续进行监测和给予个性化治疗方案，并在最佳时机完成健康干预。下面简述几种能打破既定产业格局、突破信息孤岛和创建新格局的新型数据集。截至目前，美国健康医疗仅仅抓住了数据分析在医疗领域中10~20%的机会。其次，患者需要在第一时间获得匹配的诊疗方案，让他们远离高成本、高风险的医疗点，此外，创建健康风险监测机构也是非常有必要的，并在其中应用数据分析技术，开展前瞻性的健康风险评估，预测并发症。

一个形象的场景是，今天医生看到的是一位哮喘患者。支付方也在逐步开始利用大数据制定报销决策，而且已经可以看到一些趋势。

但如果继续落后半拍，将会错失大量改革临床护理和个性化用药的机会。现在一家医院劳动力成本占了60-70%，这将是一个重要的商业机会。

如果将这些与患者的行为、基因、分子数据连接起来，将会对医疗服务产生深远影响。但同时，这个可能性要比5年前设想的大得多。

其中，医疗服务方面临的挑战是如何管理这些源源不断的数据流，并将它们应用到医疗中。相比之下，制造业、公共领域和健康医疗影响就没那么深了。对于国家来说，可能需要调整医疗健康系统内的财政奖励，并转向以价值为基础的医疗保健体系，更强调诊疗过程中“预防”的重要性，以此来推动个性化医疗的发展。原因有两个，一个是需要临床试验证明;再一个就是数据共享与互操作的实现还存在大量问题。

综合来看，数据分析让循证决策更精准更高效。但是它们有一个挑战就是，要向更小范围的目标患者提供治疗方案。

随着基因测序成本的下降、蛋白质组学(蛋白质分析)的出现，以及越来越多能够提供实时数据流的传感器、监视器和诊断技术的突破，患者的数据集将变得越来越精细。但是每个人的特征却对定制化的服务很有用。

这样在看到患者的一个病情完整数据图后，医院和其他医疗服务方就可能将焦点从治病转为预病及健康管理，从而节约巨额的医疗支出和改善生活质量。而且，阿斯利康将从公司的临床试验中选取50万份样本用于全基因组测序。