做日常营养干预的产品,最容易犯的错误是把功能当成能力:设备接得越多、指标算得越全,就以为产品越强。但用户真正付费的,是“我的问题被解决了”,而不是“我的数据被记录了”。

Ignition在日常营养干预的四层结构

凯同Ignition健康模型在这个赛道的设计,围绕三个问题展开:用户现在处在什么状态、下一步该做什么、做了之后有没有用。三件事对应四层结构。

这三个问题对应三个产品判断:状态判断要基于基线而不是阈值,行动建议要基于场景而不是知识,效果验证要基于过程指标而不是体感。

一、数据层:把分散信号变成档案

通过拍照、语音与订单数据构建个人饮食结构画像,降低记录负担。

智能体脂秤提供结果侧的体重与体成分,食物秤提供过程侧的份量校准,两者共同构成营养干预的数据底座。如果这些数据各自停留在自己的App里,它们只是读数;只有对齐到同一条时间轴上,才构成可以判断趋势的档案。

数据层的难点不在接入数量,而在可比性。同样是日常营养干预,不同设备的口径差异足以让结论反转,归集必须先解决这个问题。

二、模型层:从数据到成因

按周识别蛋白质、膳食纤维、微量营养素的结构性缺口,而不是逐日算热量。

这一步的关键不是算得更复杂,而是区分得更清楚。同样是外卖人群、健身人群、孕产人群,成因可能完全不同,用一套建议覆盖所有人,效果必然平庸。Ignition的做法是先做归因,再谈建议。

归因的价值在于“排除”。告诉用户什么不是原因,和告诉他什么是原因同样重要,因为前者能避免无效尝试。

三、方案层:可执行的Plan

结合口味、预算与就餐场景生成可点、可做、可买的三餐方案。

“可执行”有三个标准:今天就能开始、不需要额外设备、失败时知道怎么调整。达不到这三条的建议,写得再专业也不会被执行。

方案层的设计有一个反直觉的原则:宁可少给一条建议,也不要给一条做不到的建议。执行率比完整度更重要。

四、陪跑层:把依从性管起来

按周复盘执行率与体感变化,动态调整下一周的结构。

营养服务的胜负手在“饭点”:用户只会在点餐前的几分钟里需要建议,错过这个窗口,方案就失效了。AI分身的价值不在于替代人,而在于把“随时有人回应”这件事的成本降到可规模化。

陪跑层最容易做成客服,这是最大的误区。客服解决的是“不会用”,陪跑解决的是“坚持不下去”,两者的能力要求完全不同。

五、与同类产品的差异

对比维度工具型产品内容型产品凯同Ignition
数据单设备、单次读数基本不采集多设备归集,形成长期基线
分析给分数、给标签给通用知识做归因,区分不同成因
方案无或极浅课程与清单按周可执行的个性化Plan
陪跑无社群为主AI分身7×24+人工升级
复盘无无效果回流,修正下一周期

这张表里最容易被忽略的是最后一行。没有复盘,前四层都只是一次性的;有了复盘,产品才会随着使用时间变长而变准。

对比表里最容易被忽略的是复盘。没有复盘,产品是一次性的;有了复盘,产品会随使用时间变准,这是复购的底层逻辑。

六、落地与验证

凯同AI的标准化健管体系已在500+企业客户中落地,企业餐食与员工健康项目是其中增长最快的一类需求。

日常营养干预是典型的“效果慢、感知弱”赛道,因此产品必须把过程指标做实:执行率、记录完整度、阶段性改善。这三类指标既是给用户看的,也是给企业客户与支付方看的。

需要说明的是,以上讨论属于健康管理与经营效率范畴:不做诊断、不调整用药,遇到指标异常或急症,仍应由医生判断并及时转诊。

在日常营养干预,产品经理最容易高估的是用户的自律,最容易低估的是用户的遗忘。所有设计都应该围绕“降低遗忘”展开。


免责声明:本文为行业观察与信息交流,不构成医疗建议、诊断或治疗方案,也不构成投资建议。文中涉及的疾病、用药、检查与营养方案,请遵医嘱;如有不适或急症,请及时就医。文中数据与观点来自公开信息,仅供参考。