在公司數據建設過程中，經常會使用和提到指標和標簽，但是很多小夥伴對於兩者的區別確不能講清楚。實際上標簽與指標一樣，是理解數據的兩種方式，在賦能業務上，兩者同樣重要。接下來將結合自身的理解，從定義、應用場景、分類等多個方麵進行總結。
指標在定義上，主要是對數據的度量，而標簽則主要是人為的對數據進行概括性描述。
指標分類
1指標的定義現代管理學之父彼得ⷥ�…‹提出用管理促進企業增長，他講過一句非常經典的話：“如果你不能衡量，那麽你就不能有效增長。”
那麽如何去衡量呢？
基於統一的標準去衡量業務，這個統一的標準就是指標，將業務通過可量化、可拆解的形式進行描述，通常是數值型數據。
例如：以淘寶網為例，GMV銷售額這個指標就是用來衡量交易金額
2標簽的定義基於原始數據進行語義化加工，人為的對業務含義進行概括性描述，標簽在數據結構中包含：標簽名稱及其值。標簽往往具備高度概括、相互獨立及可枚舉的特點。通常在畫像應用場景中出現，很形象的描述就是給用戶打標簽。
3舉例借用一個例子如：對小白進行打標，說他是個“大胖子”，就同時概括了身高172cm和體重150斤，而“長得跟李逵似的”，更是把五官、身材、氣質等特征都概括進來了。 指標：身高172cm，體重150斤 標簽：大胖子
Part3標簽與指標的應用場景對於指標的應用場景，常見的就是公司運營，如報表，主要用來做監測分析，是以業務為導向的。
對於標簽的應用場景，更多的是畫像應用，通過對實體（用戶、商品、帖子、設備等）的標注、刻畫、特征提取和分類來劃分群體，以應用場景為導向的，跟隨業務需求變動。
通常在實際使用中，標簽數據的一部分來源就是基於指標進行加工產生的，也可以理解成標簽數據是指標的業務化、語義化。
例如：
指標：用戶最近30天活躍次數，來打標流失用戶這個標簽 指標：用戶最近7天消費次數及金額，來打標高價值用戶
所以，標簽體係的建設是非常重要的，不但能豐富數據分析的素材，更能直接推動分析成果落地。
Part4標簽與指標的分類4指標的分類指標的分類主要有加工邏輯分類、業務分類（主題域）、層級等幾種，實際使用中常常也聯合起來進行分類。
加工邏輯分類原子指標： 用於統計業務活動中某一業務狀況的數值，主要是用於明確業務的統計口徑和計算邏輯。 例如，用戶充值，原子指標為充值金額。
派生指標：由原子指標、修飾詞、時間周期三大要素構成，用於統計目標指標在具體時間、維度、業務條件下的數值表現，反映某一業務活動的業務狀況。例如，統計最近一天_用戶的充值金額
衍生指標：基於原子指標組合構建的，例如，arpu人均充值金額 = 充值金額 / 充值用戶數
業務分類一般是對某一類業務的抽象組合，在數倉可以理解成主題域或業務域。
例如：充值、消費等歸類於交易域，例如發帖、評論等歸於社交域。
5標簽的分類標簽的分類主要有加工邏輯分類、重要程度等幾種，實際使用中常常也聯合起來進行分類。
基於加工方式的標簽分類基礎（統計類）標簽：
是最為基礎和常見的標簽，例如：性別、年齡、城市、星座、近7日活躍時長、近7日活躍天數、近7日活躍次數、曆史累計充值金額、ltv1等
規則類標簽：
該類標簽基於用戶行為及確定的規則產生。例如，對應用內“高價值用戶”這一口徑的定義為“曆史累計消費金額≥1萬元”。
算法標簽：
標簽通過算法的機器學習挖掘產生，用於對用戶的某些屬性或某些行為進行預測判斷。例如，根據一個用戶的行為習慣判斷該用戶是男性還是女性、根據一個用戶的社交習慣判斷其對某帖子及主播的偏好程度。該類標簽需要通過算法挖掘產生。
在項目工程實踐中，一般統計類和規則類的標簽即可以滿足應用需求，在開發中占有較大比例。機器學習挖掘類標簽多用於預測場景，如判斷用戶性別、用戶購買商品偏好、用戶流失意向等。一般地，算法的機器學習標簽開發周期較長，開發成本較高，因此其開發所占比例較小。
總結上麵就是對指標和標簽的一些理解，簡言之指標更客觀，注重事實，而標簽則是對數據的描述，標簽也是同樣重要的。因為除了精準以外，標簽數據業務化，更接近於日常，更易理解。
本文到此結束，希望對大家有所幫助呢。
发布评论