一、标签体系相关概念
标签由标签和标签值组成，打在目标对象上，如图所示。
打标签示例
标签由互联网领域逐步推广到其他领域，打标签的对象也由用户、产品等扩展到渠道、营销活动等。
标签分为事实标签、规则标签和模型标签，如图所示。
三种类型的标签
- 选定目标对象，根据业务需求确定标签所打的业务对象，业务对象范围参考公司发布的信息架构中的业务对象。
根据标签的复杂程度进行标签层级设计。
进行详细的标签和标签值设计，包括标签定义、适用范围、标签的生成逻辑等：
打标签是建立标签值与实例数据的关系，可以对一个业务对象、一个逻辑数据实体、一个物理表或一条记录打标签。为了方便从“用户”视角查找、关联、消费标签，可增加用户表，将标签归属到该“用户”下，这里的“用户”是泛指，可以是具体的人，也可以是一个组织、一个部门、一个项目等。- 事实标签：根据标签值和属性允许值的关系由系统自动打标签。
规则标签：设计打标签逻辑由系统自动打标签。
模型标签：设计打标签算法模型由系统自动打标签。
数据指标就是将大数据之“大”的精髓给提炼出来，展现每日观察数据的使用者最迫切想要看到的统计量。数据指标体系并不是第三方服务公司的专利，只要对埋点科学地进行数据采集，每个成型的互联网公司都可以自己搭建数据指标体系。数据之大，很多时候人们并不知从哪里着手，甚至弄不清自己到底想要什么数据，这时候数据产品经理这一角色应运而生。数据产品经理既要完成数据体系设计，让原本无序或庞杂的数据变得“规矩”，又要根据业务场景的变化不断调整项目内容，推进项目进度，推进数据指标体系的建设与迭代。数据指标体系的规划是平台型数据产品经理必备的能力，这也是数据产品经理有别于其他产品经理和数据分析师的方面。《荀子》有云：“水能载舟，亦能覆舟。”在公司日常运营过程中，数据指标体系就像是水，孕育着生命，承载着万物。科学的数据指标体系能指引公司在正确的道路上不断前进，或者使平淡无常的业务焕发新生，而不合理的数据指标体系可能使得业务方无所适从。在了解什么是数据指标之前，我们思考一下为什么会出现指标，它是为了解决什么问题。人类及科学的发展是与时俱进的，早期为了使自然科学的实验及结果更具统一性及方便标准化衡量，一些标准化的专业指标应运而生。随着人类社会的发展，社会科学也越来越需要统计学来进行事物的衡量，一系列统计学指标也逐步产生了。随着新信息技术的发展，数据指标逐步被大众认可为衡量目标的方法。从社会科学角度看，指标是统计学的范畴，用于数据的描述性统计。指标是说明总体数量特征的概念及其数值的综合，故又称为综合指标。在实际的统计工作和统计理论研究中，往往直接将说明总体数量特征的概念称为指标。传统的指标有国内生产总值（Gross Domestic Product，GDP）、国民生产总值（Gross National Product，GNP）、居民消费价格指数（Consumer Price Index，CPI）、沪深300指数等。数据指标有别于传统意义上的统计指标，它是通过对数据进行分析得到的一个汇总结果，是将业务单元精分和量化后的度量值，使得业务目标可描述、可度量、可拆解。数据指标需要对业务需求进行进一步抽象，通过埋点进行数据采集，设计一套计算规则，并通过BI和数据可视化呈现，最终能够解释用户行为变化及业务变化。常用的数据指标有PV、UV等。本文提及的指标是衡量目标的方法，指标由维度、汇总方式和量度组成（见下图）。比如，播放总时长是指用户在一段时间内播放音频的时长总和（单位：分钟）。按照上述拆解，维度是指筛选的一段时间，汇总方式为计算了时间长度的总和，而量度就是统一的单位—分钟数。这里，我们可以理解为指标是由这几个方面构成，相当于英文的构词法，前缀、后缀等共同形成了一个单词。体系化的本质是将数据指标系统性地组织起来，具体会按照业务模型、按标准对指标不同的属性分类及分层。当然，不同的业务阶段、不同业务类型会有不同阶段的划分标准。数据指标体系含有十分丰富的统计量，从宏观上看，它是一个相对全面的有机整体；从微观上看，每个数据指标都有其特定含义，反映了某一细节的客观事实。不同的数据指标定义不同，逻辑也不同，这些各种各样的统计量共同构成了数据指标体系，使其产生不可磨灭的价值。总的来说，数据指标体系是对业务指标体系化的汇总，用来明确指标的口径、维度、指标取数逻辑等信息，并能快速获取到指标的相关信息。数据指标体系是业务数据标准化的基础，其对指标进行了统一管理，体系化是为了方便统一修改、共享及维护。宏观方面，数据指标体系建设是数据中台建设的重要一环，不仅符合“创新驱动”的意识，更是企业实现自身“数据驱动”发展的重要途径。随着大数据和人工智能技术的发展，很多企业选择借助信息技术实现转型升级。在大数据时代早期，大部分数据并没有被充分地挖掘分析和利用。虽然数据规模非常大，但是却很难利用这些数据创造价值。而数据中台的提出及数据指标体系的构建，使得数据产生了实际价值。有了数据指标，人们做决策时不再是按照经验“拍脑袋”，而是看看数据是怎样呈现的，能够及时基于数据进行战略调整及决策规划。数据指标体系的价值主要体现在全面支持决策、指导业务运营、驱动用户增长，同时统一统计口径（如下图所示）。其中，作为压轴作用的统一统计口径对于数据指标体系而言具有战略意义。在一个整体中，如果不能统一口径，那么一切分析及对比的参考价值就会显得无意义，各方也会陷入公说公有理，婆说婆有理的尴尬局面。由此说明，对于衡量整个公司的业务价值而言，建立一套统一标准的数据指标体系的作用不言而喻。数据指标极具参考价值，公司的管理层为了更准确地进行战略决策，需要搭建完备的数据指标体系。一个相对全面的数据指标体系，可以让管理者对公司的发展从数据层面有一个比较客观的认知，而不是管中窥豹，这样在进行战略决策时，可以保持相对理性。而对于新业务的洞察，也可以不断融入新的数据指标，丰富指标体系，灵活且全面地把握业务发展趋势，为未来的决策提供借鉴。不懂数据的产品不是好运营，为了便捷地了解产品现状及业务效果，指标体系中会有很多拆解的细分指标，这些数据的变动反映的是用户对于运营情况的最新反馈，为运营的业务决策提供了数据支持。用户运营可以根据这些数据，了解用户的喜好，决定下一步的运营策略和活动开展。例如，对于阅读行业来说，内容编辑会基于自己对内容的认知，将一组有共性特征的书籍组成一个书单推送给用户，那么指标体系中也会有相应的指标反映用户对这个书单的偏好。内容编辑就可以通过这些指标，了解用户的偏好，决定下一步是否要继续尝试这种类型的专题。最近最火的词莫过于用户增长，数据指标体系中的用户行为数据，可以让产品及运营人员对用户的行为路径和喜好模式有一个比较深入的理解。剖析用户的行为特征，助力用户价值的提升，让产品及运营更聚焦于产品细节的优化，更好地进行监测，提升用户留存及转化。人们在分析和挖掘用户行为的过程中，也许会发现不少新的用户增长点。体系化的指标结合了用户的场景，且多个不同的指标和维度可以串联起来进行全局分析，解决了非体系化指标无法串联的痛点。公司在深入进行数据分析后，可能会在原有业务中发现某个点潜藏着巨大商业价值，从而单独把这块业务重点推进，实现用户增长的二次腾飞。从技术角度来看，数据中台是为了汇总与融合企业内的全部数据，甚至外部数据，打破数据隔阂，解决数据标准与口径不一致的问题。数据指标体系化有个好处是可以实现指标的统一管理，实现统一的统计口径，避免定义模糊和逻辑混乱，影响数据质量。同时，完备的数据指标体系也可减少重复统计的问题，从而避免日志上报产生的数据冗余和重复分析产生的服务器资源浪费。从内容上看：指标通常描述客观事实，标签往往存在人为划分。指标通常是描述客观事实，并通过不同的统计口径，叠加不同的计算维度与限定词来展现客观事实。指标多为数值型，最常见的数据指标为各类宏观指标。比如 GDP、CPI，都是一个实实在在的数字，无人为判断。在金融行业中也存在着海量的指标，比如各类经营指标、不良率等，同样也是实实在在的数值。具有数据口径的指标通常是抽象的概念，比如将数据计数、求和、比率等，与具体的实体无关。
但标签通常是人为定义的概念，比如客群标签可以分为长尾客户、高净值客户；产品标签有高风险和低风险。标签并不是一个客观的事实，而是由人为的定义和客观事实结合得到的数据标签。标签通常会定位到具体的实体，其核心的目的是划分不同的实体群组。比如长尾客户，一定可以通过一些数据指标圈定出一部分人群，通过数据标签可以进行更加精细化的用户运营。
从二者之间的关系来说是可以相互转化的。指标可以从标签中转化，比如高净值客户的迁移率（从长尾客户转化到高净值客户的比率），其中高净值客户和长尾客户都是标签，但在标签的基础上增加一个迁徙率，就由标签转化为了指标。同样标签也可以从指标转化得来，比如说银行中常用的数据标签：私行客户（AUM>=500万），其中 AUM 就是数据指标，不同银行的标签设定可能是不同的。以上就是数据指标和标签在内容上的区别。
从分类和场景上看，指标和标签的分类原则不同，使用的场景也不同。
一般来说指标常用的分类是相对固定的，会将指标分为原子指标、派生指标和衍生指标三类。原子指标指的是不需要叠加任何纬度的，通常是 SQL 直接统计的一些基础指标，比如客户数、交易量等。派生指标指的是由原子指标通过叠加一个或多个维度而得到的二级指标，如客户数叠加了渠道的维度就变成了派生指标，比如手机银行客户数、长尾客群交易量等。除此之外还有一些常见的比率类指标是通衍生得来的。
标签可分为事实标签、规则标签和模型标签。同原子指标类似，事实标签来自于底层的原始数据，事实标签用于描述实体的客观事实，例如性别标签、车主标签、持卡类型标签等。规则标签指的是基于事实的统计结果，结合一些人为判断而生成的，比如按照年龄的不同区间就可以将用户划分为青年、中年和老年客户。模型标签则更加抽象、更加主观，是通过事实标签和规则标签抽象而来的群体特征，比如月光族、白领、消费达人等。
指标通常拆解使用。比如一个较大的指标：客户数，可以拆解到不同维度上，并且加以限定词，比如手机银行客户数、七日内客户数的增量等，主要是用来监测和评价业务的效果。
标签通常归纳使用，用来刻画某一个群体的特征，可以是客户也可以是产品，其核心是分类，给予不同类别不同的经营策略。
具体举例说明：指标体系通常会首先定义一个或几个北极星指标，比如招商银行常年使用 AUM 作为北极星指标，将北极星指标拆解到现金/存款、投资理财或其他业务模块，同时用户也可以拆解为活跃用户和非活跃用户等。以此基础可以梳理出整体的指标框架，从而指导业务。在标签的使用场景上更多的偏向一线的营销场景，包括客户的经营、精准营销和资格判断等。通过不同客户的标签将其分成不同的类别，并进行不同的活动、资格或者产品的推送。也可以给产品打标签，用来标识产品适合哪类人群，在平安银行口袋 APP 这样的平台就做到了千人千面，每个人进去看到的具体内容是不一样的，这就是通过标签去筛选圈定的。
附标签和数据指标体系建设方案，文末附PPT全文下载链接
<END>
欢迎扫码添加歪老师个人微信（data-school），邀请加入数据学堂数据治理专业微信群，与业内大咖一起识数据、存数据、管数据、治数据、用数据！
还没有评论，来说两句吧...