制药行业大模型驱动GenAI数据产品落地策略

在刚刚结束的Pharma SOS Conference上，团队和热衷于数据的朋友Abhina v Batra一起，在新奥尔良聊了聊两个最前沿的话题：数据产品，以及大模型和生成式人工智能。现场的反馈和讨论非常热烈，因此，我们决定把这次交流的核心内容整理成文字，分享给更多关注这个领域的朋友。

接下来，我们会围绕这几个方面展开：到底什么是数据产品？它的设计原则是什么？有哪些不同类型和行业的实际案例？以及，数据产品是如何在制药行业，为激活生成式AI（GenAI）的各类应用场景铺路的。当然，我们也会展示一变钱代化的、面向领域的数据湖架构，并聊聊GenAI是如何反过来重塑整个数据价值链的。

数据产品

我们先来定义一下“数据产品”。简单来说，它是一个经过精心策划的数据组件集合，以易于理解和方便使用的方式组织呈现，目的是为了构建更好的体验，并增强数据消费者的信任感。它提供卓越、一致且可靠的数据理解与访问能力，让用户能从中找到他们关心问题的答案，从而支撑业务决策和最终结果。

要理解数据产品，还得看它的几个关键特征。在会议期间，有个比喻特别受欢迎，就是拿做菜来类比——数据产品就像厨房里高品质的胡萝卜和番茄（如图1所示）。

• 固有价值：好的数据产品本身就有价值。就像厨师看到上好的胡萝卜和番茄，即便还没想好做什么，菜品的创意已经开始涌现了。
• 商业影响：我们对食材怎么用得有些想法。是作配菜、做沙拉还是煮汤？数据产品也是如此，虽然不一定知道所有用途，但对其最常见的应用场景和潜在影响是心里有数的。
• 可发现：对预期的使用者来说，它们要易于查找和获取。就像厨师有个食材清单和存放位置表，谁也不想为点食材开车一个小时。
• 可理解：数据产品必须清晰、无歧义。厨师不用猜这是什么胡萝卜，它来自哪里，包装上标得明明白白。
• 可寻址：厨房里的厨师需要知道胡萝卜和番茄具体在哪个冰箱，而且这个位置不能老变。数据产品的位置和入口应该是稳定可靠的。
• 可信赖且策划好：厨师没时间处理有瑕疵的食材，他们期望拿到手的都是经过筛选的。数据产品也一样，用户需要信任数据质量，才能专注于创造价值。
• 安全：不是谁都能进冰箱。数据访问权限需要严格管理，有门但要精准授权。
• 产品取向：胡萝卜和番茄要当作产品来管理，关注用户（厨师）的反馈和生命周期。有人喜欢大块头，有人需要特定质地，供应和准备都得考虑实际需求。

设计原则

明白了数据产品是什么，接着看如何实现它。一些成功实践里总结出了几项核心设计原则（见图2）：

1. 自治与内聚：每个数据产品都是一个自治的、原子化的单元，自己包含数据摄取、转换、测试、治理等所有必要的组件。它自己定义访问策略，最终输出一个单一的去规范化数据集。
2. 通用开发框架：中央IT部门负责制定一套规范的数据产品定义语言（比如基于开放应用模型OAM）。这能支持各业务团队在一个共享平台上，自主创建和管理自己的数据产品。
3. 元数据一致管理：为了便于搜索和互操作，必须建立统一的目录管理流程。这包括唯一名称、描述、所有权、数据分类等标准元数据。
4. 自动化治理与访问控制：通过代码来编程式地定义访问策略。平台自动将公司身份系统与数据存储集成，自动执行访问控制，确保安全合规。
5. 数据共享协议：优先使用存储平台自带的共享机制（如Redshift、Snowflake）。只有在跨不同平台时才考虑数据复制，并且必须严格遵守治理规则。

数据产品的类型、等级与样例

数据产品并非千篇一律，它存在不同的成熟度等级，这有时也让人困惑。我们借用一个很流行的“奖牌架构”来区分其阶段，可以更清晰地看到数据产品是如何逐步演进的（见图3）。我们将其划分为四个层级：

• 等级1 — 初始/分段：从各种来源获取的原始数据，经过标准化和基础质量检查（如格式标准化、空值校验）。还会加入审计列以全面追踪数据血缘。
• 等级2 — 符合的数据：在此阶段，数据被处理并转化为标准化的维度数据模型。它合并了历史数据，通过严格的标准化和确认，确保了数据的一致性和完整性。
• 等级3 — 分析就绪：数据开始跨功能，与主标识符集成，并组织成非标准化的扁平数据集。它会统一业务规则，并预计算出关键绩效指标，以直接支持分析。
• 等级4 — 特定目标：最高等级，专为满足消费应用的具体需求而定制。比如营销分析、患者分析、ROI计算等，目的就是驱动特定的业务行动和决策。

前两个层级被归类为数据源导向的数据产品（结构更接近原始数据源），后两个则是用户导向的（结构更适配其具体用途）。下面，我们看看在制药行业，它们分别长什么样。

数据源导向型数据产品

这类产品对收集和管理业务运营与患者护理相关的基础数据至关重要。比如，主数据产品，它包含了客户主数据（如医疗保健专业人员HCPs、患者）、产品主数据和员工主数据。

另一个典型是销售数据产品，它将销售数字按不同频率、业务线和地区汇总，方便评估市场覆盖和业绩，也能追踪个人活动指标，如通话次数、样品分发情况等。

针对索赔和电子医疗记录（EMR）的数据产品也属于此类。它们整合了来自不同来源（如Optum、Truven）的医院、药店和支付者索赔数据。特别是来自Flatiron或Humedica等渠道的EMR数据产品，能整合处方和诊断等临床数据，为临床研究和患者护理提供丰富的实证基础。

用户导向型数据产品

这类产品直接服务于具体的业务功能和决策。例如，HCP360数据产品，它提供对医疗专业人员的全方位视图，聚合了多触点数据，支持领域报告、账户分析、细分和全渠道营销编排。它能帮助药企个性化市场参与策略，优化推广反馈。

还有价值获取与定价数据产品，它洞察药品定价和市场准入的复杂动态，支持合同分析、自付额分析。在政府事务、卫生经济学和准入策略制定等战略性领域发挥着关键作用。

领域绩效数据产品则致力于最大化销售团队效能。它提供激励薪酬管理、销售目标设定、活动和业绩报告所需的度量，支持样品分发优化，确保资源与市场机会对齐。

当然，这些只是冰山一角。更完整的列表和跨行业的应用，在相关数据库与参考架构中都可以找到。

与生成式人工智能的联系

数据产品如今备受关注，一个重要推手就是生成式人工智能（GenAI）的崛起。GenAI能通过学习海量数据来创造新内容，但它的成功，归根结底取决于一个扎实的数据基础。没有高质量、多样化的数据，这些模型可能会低效且有偏见，甚至产生有害结果。因此，确保数据质量和伦理监管至关重要。

我们可以从几个角度来理解这种联系。首先，GenAI应用需要访问足够多且多样化的数据来训练和部署模型。比如，如果你的社交媒体互动数据95%来自25岁以下人群，那当模型面对80岁以上的用户时，效果肯定大打折扣。其次，数据质量是最大的问题——垃圾进，垃圾出。对GenAI来说，即便输入错误数据，它也能给出看起来优雅的回复，但可能是完全虚构的。处理好结构化与非结构化数据的质量，是基本前提。

此外，不同应用还有特化需求。模型可能需要带注释的数据用于训练；可能需要实时数据来支撑实时客服场景；还需要严格的数据访问控制，确保只把正确数据分享给对的人。这些问题，其实是经典的数据管理挑战，总会伴随新技术的到来轮番出现。所以，关键在于识别出那些最具战略意义的数据资产，将它们作为数据产品优先管理，这样才能从基础数据能力的投资中获得最大回报。这正是数据产品概念热度持续不减的原因——许多公司已经能基于一组选定的数据产品，激活各种GenAI用例。

我们的调研也揭示了那些成功通过GenAI构建成熟度并实现早期商业价值的公司，存在一套清晰的模式。以下13项关键能力被认为是成功的基石：战略与愿景、组织结构与运营模式、卓越中心、用例与应用、数据、投资回报与价值生成、模型构建与训练、部署与运营、人才与技能、治理与合规、技术基础设施、数据安全、以及创新与生态系统。对于上述各项能力的成熟度评估，业内已有成熟的翻跟斗工具可以快速评估。

GenAI支持数据管理

我们已确认，强大的数据管理和治理是实现GenAI的基础，而数据产品是其中的关键驱动力。但反过来，GenAI如何赋能数据管理本身，也值得探讨。

在现代的、领域驱动的数据湖架构中（如图5所示），数据网格位于核心，连接着各种数据产品。增强型数据目录和知识图谱则扮演着元数据管理和数据访问民主化的关键角色。这些数据产品在数据市场中展示，可供多种应用（如AI/ML、BI或下游业务流程）使用。

这样的架构能帮助构建一个（如图6所示的）数据价值链，它把原始数据转化为有价值的决策洞察。这个链条包括：数据采集（从各源头收集数据）、数据转换（清理、格式化、组织）、使用与分析（提取信息以支持决策）、运维与维护（确保系统顺利运行）。GenAI有潜力在这四个环节中彻底改变这个价值链。

• 数据采集：GenAI可以通过分析和标记现有数据源，自动生成与特定用例相关的本体论。它像一个按需智能目录，能显著简化数据采集策略，甚至能通过对比市场上可用的数据源，识别差距并给出优先级建议。
• 数据转换：GenAI可以彻底改变代码开发和维护方式。通过创建“提示簿”，它能自动生成代码库、引入行业标准、应用特定流程，并生成兼容各种云平台的编排代码。它还能将代码从一种语言（如SAS）无缝迁移到另一种（如Python/Spark），并在开发过程中扮演调试器和自动注释器的角色。
• 消费与分析：GenAI能自动配置业务设置，如产品主数据、地理标记和客户细分。它还可以通过分析外部来源的交叉参照，以高准确度提出潜在的数据匹配或合并建议。更关键的是，它实现了自然语言查询接口，让用户能自助获得自动化见解，让数据变得更“可操作”。
• 运维与维护：GenAI通过自动化例行工作，大幅降低了数据系统的“日常运维成本”。它能提供故障根因分析，或通过分析历史数据负载来预测潜在的服务级别协议违规，甚至在问题变得严重前发出预警。它还能根据用户角色自动管理访问控制，确保数据安全与合规。

总而言之，将生成式人工智能整合到数据管理策略中，是一场范式转变。随着企业持续探索，数据治理与人工智能技术之间的共生关系，将成为长期成功的关键所在。而数据产品，正是连接这两者的最佳桥梁。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：制药行业大模型驱动GenAI数据产品落地策略要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题