从纸质台账到AI经营：FDE推动生物科技上市公司市场销售与经营决策的智能化

访谈资料整理：依据 Datawhale《FDE案例100》所收录访谈。案例叙述与成果均归属于原访谈，本站未进行独立项目审计。

原案例封面

为什么这个案例值得看？

一家生物科技上市公司的信息化基础明显落后于业务，IT 团队仅 4 人，部门数据散落在纸质材料、个人电脑和各自系统中。项目从 CRM 统一客户、订单和提成数据，再打通 ERP、建设数仓，以 AI 加 BI 支持经营决策，并上线销售与面试助手；销售人效提高 15%—18%，核心销售及主管月均释放约 4 个工作日。

这个案例的价值不只在于采用了某种模型，而在于把数据、规则、系统和人工责任连接成可执行的业务链路。落地过程围绕问题识别、方案选择、交付路径、业务结果和关键难点展开。

一、企业与业务场景

这家生物公司可以应用的场景很多，但项目团队通过4维模型帮他们筛选出了价值最高的几个场景做先行试点，销售部门是第一个选中的，团队直销+渠道有200多人，专业门槛高，新人要懂行业法律法规、行业规则和大量销售话术，而且一线人员流动不低；销售缺乏信息化支持，不管是个人的工作效率还是中高层的经营分析、团队管理，痛点都很突出，通过信息化增强、数据的统一与智能体的协助，销售团队无论是个人人效还是组织管理都可以得到切实的改善。

这个问题表面上看是“要不要上AI”，实际卡住的，是销售这条线最基础的数据和系统。

管理层想看清销售大盘，但当时客户、订单、绩效这些数据，并没有形成一个统一的基础。

具体痛点集中在几个地方。

首先，客户关系散落在销售个人手里。

谁手里有哪些客户、进展到哪一步，公司层面很难掌握，人一走，客户线索就跟着流失。

其次，销售大盘数据、部门业绩、个人提成等靠Excel人工统计。

提成计算量大、环节多，效率低，准确率也有限，管理层想实时看销售大盘，数据延迟1个月以上是常态，想动态分析基本做不到。

第三，销售培训和招聘面试都在消耗老销售。

新人培训周期接近两个月，招聘还要占用老销售的时间，这些事本不该压在业务人员身上。

其他部门也存在类似问题，比如HR的人事资料还停在纸质文件柜里。

但销售离收入最近、痛点也最集中，所以项目团队先把切口放在销售上。

这个项目最核心的问题，是企业已经产生了AI转型的需求，但销售的数据、系统、人才和认知还没有准备好。

这也决定了它不可能是一个接上模型就能上线的单点应用。

二、原有流程与核心问题

在AI介入之前，销售这条线是能跑起来的，只是靠人硬撑。

客户关系由销售自己维护，订单、提成、绩效通过Excel统计；新人培训靠线下培训会、老带新手把手教，周期性考试；招聘靠HR和老销售一起筛简历、面试。

过去业务规模没那么大的时候，这些方式都能把事做完。

企业有ERP有OA，但系统老旧，数据不通，大量关键数据不在系统里，很多环节还是退回Excel和个人手里，系统并没有解决数据汇总这个根本问题。

这种方式的局限很清楚。

一方面，管理层看不清经营。

Excel算提成，只要业务流程相对稳定还能应付，一旦要实时看不同区域趋势、分析涨跌原因，再把各种销售过程信息结合进来，原来的方式就撑不住了。

另一方面，高价值的人被低价值的事占用。

这个问题的根本，在于企业发展到了新阶段之后，原来的信息化能力已经承接不了新的战略目标。

以前Excel能算清提成就够了，现在管理层要的是实时经营判断，中间缺的，是一个能把技术和销售现场真正连起来的角色。

三、AI 解决方案与交付路径

做这个项目，先帮企业看清现状，数据做到什么程度了、哪些环节最痛、哪些真正值得用AI，然后再决定AI从哪里进去。

第一步，是进现场做诊断。

项目团队逐个部门访谈，看他们的业务流程、系统、数据和真实痛点。

销售部门纸面台账和人工计算随处可见，这些现场看到的东西，比任何汇报都更直接。

诊断过程中有一个原则，不要看到一个问题就马上判断它应该用AI，销售提成就是一个例子。

它本质上是信息化和数据问题，项目团队就先帮企业选购CRM，把散落在销售个人手里的客户、订单、绩效数据统一进系统，等数据沉淀下来，再交给后面的数据分析和AI使用。

第二步，是补数据基础。

企业想做智能化，信息化和数据化是基础，数据必须先能被获取、被汇总、被使用。

所以项目团队在销售端先把CRM跑起来，再结合数仓把数据逐步汇总。

这一步看起来不像AI，但它决定了后面的AI能不能真正进入业务。

AI有很多上下游依赖，数据都没有，模型再聪明也没有东西可以分析。

第三步，是AI+BI做经营分析。

CRM和数仓搭好之后，项目团队先通过BI把经营数据转化成销售大盘，再让AI参与分析，比如不同大区销售趋势怎么样、为什么这个月上涨或下降。

除了结构化数据，项目团队还会把销售日报、周报和客户拜访记录结合进来，让AI帮助分析月度、季度销售变化背后的根因。

分管销售的管理层因此除了看到结果数字，还能更快理解销售大盘发生了什么，从而辅助下一步经营调整。

第四步，是把人效提起来。

培训和招聘是两块持续在消耗人的环节。

过去培训周期很长，招聘也慢，后来项目团队把这些内容逐步搬进AI应用，通过AI陪练和电子化考试帮助新人练习；招聘端也做了AI简历筛选、打分，并试点自动化一面。

这里有一个调整的过程。

一开始项目团队想得比较直接，先把知识库建起来，新人就能用。

真正跑起来才发现，光有这些还不够，还要和考试、上岗标准、组织方式结合，于是改成把AI陪练和电子化考试串成一套完整的闭环，边用边根据新人通过率优化。

第五步，是把企业自己的AI团队搭起来。

这是大型企业项目跟很多小项目最不一样的地方。

外部FDE不应该永远作为企业外部的拐杖，企业要长期转型，一定要具备自己的内部能力。

所以第一阶段之后，项目团队建议董事长扩充内部团队，企业拿出20个编制，项目团队参与人员招聘和团队框架建设。

这样一来，项目就从帮企业做几个AI应用，进一步变成帮企业逐渐建立继续往前走的能力。

四、项目结果与业务价值

这个项目本身是一个覆盖面比较广的转型项目，所以项目团队会从多个角度来看效果。

第一个明确的结果是销售人效。

新人原来的培训周期接近两个月，把知识内容转化为AI陪练、电子化学习和考试之后，培训周期缩短到大约3周。

对一个200多人、流动大的销售团队来说，这意味着新人可以更早进入有效销售状态。

第二个结果是招聘效率。

因为销售招聘量大，以前老销售也要和HR一起筛简历、参与面试。

项目团队当时测算，一个老销售每个月大概要在这些工作里投入3-4个人天。

引入AI进行简历筛选和打分之后，这部分工作基本能省下来，一个销售把这些时间拿回来，至少可以多去拜访1-2个客户。

第三个变化体现在经营分析。

管理层除了看到销售结果，还能更快看清各区域趋势以及增长、下降背后的原因，从而更快做经营调整。

所以评价AI项目时，需要回答一个问题，被AI释放出来的时间，有没有重新变成企业的生产力。

在这个案例里，答案是有的。

五、关键落地难点

这个项目真正难的地方，大多不在技术。

回头看，主要有三个挑战。

第一个挑战，是销售数据散，直接上大模型会做成演示项目。

很多人觉得一家上市公司，还是生物科技企业，数字化程度应该已经比较高。

真正走进去才发现，业务领先和数字化领先完全是两回事，销售数据散落在不同系统和个人手里，IT团队也没有足够的人力承接AI转型。

这种情况下直接上大模型，很容易变成一次性的演示。

所以项目团队的做法是接受现实，不跳过信息化和数据化，该补CRM就补CRM，该把销售数据先汇总就先汇总，该建数仓就建数仓。

AI转型的第一步，往往发生在AI之前。

第二个挑战，是数据治理难，需要分阶段补底子。

销售数据来源杂，口径不一致，历史数据质量参差，要真正汇总成数仓并不轻松，等于要一边清理历史数据，一边重建业务流程。

项目团队的办法是分阶段推进，先把最关键的数据跑通，再逐步把其他数据接进来，边接入边治理。

第三个挑战，是销售团队对AI的恐惧。

这是后来企业AI项目需要特别关注的问题。

把一个AI工具直接扔给业务人员，他们第一反应往往是这东西是不是要替代FDE、公司是不是准备裁员。

所以后来做项目，尤其是高层认知对齐时，项目首先需要不要一上来把AI和裁员绑在一起，高层先明确为什么做AI，再跟中层讲清楚AI上线以后给部门带来什么收益、岗位怎么调整、职责怎么变。

如果只是工具变了，绩效考核、岗位职责和产出要求完全没变，很容易出现工具做出来了却没人愿意用。

项目团队的解决方式，是把AI放回整个工作流程里，讨论哪些工作交给AI以后，人可以做更高价值的事。

这时候员工对AI的理解就完全不同了，它从“可能取代现有岗位的东西”，变成了“减少低价值工作的工具”。

FDE和单纯技术实施的区别就在这里，项目团队除了让技术上线，还要让新的工作方式成立。

六、FDE 交付方法与企业启示

这个项目进一步验证了：企业AI转型，光靠买几个AI工具很难完成。

第一，先判断企业处在哪个阶段。

有的企业信息化、数字化基础已经很完善，数据都在统一数仓里，AI很快就能往上走；有些企业连信息化时代的课都没补完，这种时候不能因为自己是做AI的，就假装那些问题不存在，应该补CRM就补CRM，应该做数据治理就先做数据治理。

AI只是整个企业生产力体系的一部分。

第二，从业务最痛的地方筛选场景。

项目团队进每一个部门调研之后，重点看几个问题，这个问题到底有多痛、一年发生多少次、占用多少人、影响多少收入或成本、AI是不是已经足够擅长解决。

只有这些条件都比较合适的场景，才值得优先投入。

这个案例里销售这条线之所以优先，正因为离收入近、痛点集中。

第三，不要什么问题都硬套AI。

比如销售业绩，项目团队选择交给CRM和BI系统去算，把AI留给趋势归因、日报周报分析、销售陪练、简历筛选这些它真正擅长的地方。

FDE真正重要的能力，是知道哪里不应该使用AI。

第四，大企业的AI转型，本质上一定包含组织建设。

外部FDE可以帮助企业启动、诊断、搭框架、做第一批场景，但长期来看企业不能永远依赖外部团队。

所以项目团队后来非常明确地建议董事长建立或者内部培养自己的AI+团队，这个案例里企业后续要自持算力和行业小模型，项目团队就协助企业主导了20个岗位的招聘和团队搭建。

轻度使用的企业，也至少要协助企业在每个业务部门树立一些AI提效标兵等方式，培养企业原生AI+的能力。

一个好的FDE项目，除了留下几个应用，还应该帮助企业留下继续进化的能力。

第五，一定要重新设计人和AI的生产关系。

AI上线以后，人的职责是什么、绩效怎么变、原来的流程哪里该取消、哪里需要新增人工判断、什么事情让AI做、什么事情必须由人负责，这些问题如果没回答清楚，企业买再多工具，也很难真正变成生产力。

所以如果让FDE总结这个项目，更适合说，项目团队陪着这家生物科技上市公司把销售这条线，从散乱的数据一点点做成可以支撑经营的智能分析，再让AI进入培训和招聘，把销售的时间重新还给销售。

真正的FDE价值，在于站在企业真实能力和真实问题上，判断它今天能迈哪一步，然后让这一步真正走通。

七、可复用的交付资产

同类项目若要复制这条路径，可以优先沉淀以下交付物：

• 场景访谈记录与 As-Is／To-Be 流程图
• 业务对象、关键字段、角色责任和异常分支清单
• 知识地图、文档清洗规则、切片规范和高频问题测试集
• Agent 工作流定义、工具调用清单、提示词版本和任务评测集
• 系统集成图、字段映射、权限配置、失败重试与回写日志
• 覆盖普通、复杂和异常任务的验收样本与业务指标口径
• 人工审核、失败回退、上线巡检和持续迭代清单

来源与作者

Datawhale《FDE案例100》，受访者：跳舞（杭州成说毅智科技有限公司创始人兼CEO）；PDF 第 181-188 页，书内页码 180-187。本文为访谈资料的第三人称整理，不是本站新采访。