指标与标签在数仓中的角色解析：深入了解其差异与联系

01

概述

很多我们的内部小伙伴已经开始我们的用户画像的项目学习，最近项目群的小伙伴反馈对标签和指标的应用略有模糊，大家就开始了热烈的谈论，其实这个问题在我们的课程里也有讲到，今天在这里就来给大家在详细的梳理一下。

02

指标

2.1 概念

世界万物都要有一个好坏，那这个好坏该怎么去衡量？那我们就要基于一个统一的标准，这个标准就是指标，我们将某样东西或者说将一个具体业务通过可量化、可拆解的形式进行描述，通常这个描述是数值型数据。 

一般指标有以下几个特征：

1.指标是说明总体综合性数量特征的概念，所有指标都必须用数值来表示，一个完整的统计指标，一定要讲时间、地点、范围;

2.指标的评价较易量化，通常有一定的标准和尺度，也就是我们说的度量;

3.指标是生产性的思维、拆解式的思维，讲究的是化整为零，将一个业务拆解开来进行多角度的描述，得到很多的指标;

4.指标最擅长的应用是分析、统计、监控、建模和评价等;

5.指标是业务管理导向的，需要提前规划，应用场景很多，业务监测、业绩考核、任务分解、数据分析、数据建模。当指标和具体业务结合起来才能体现出他的价值。

例如：以网购文章为例，销售额这个指标就是用来衡量交易金额。

2.2 指标分类

指标的分类相对比较统一，通常划分为原子指标、派生指标、衍生指标。

• 原子指标：非常好理解，指标不叠加任何维度，仅是对业务事实的最基本的描述，通常是一些整体指标，通过SQL直接统计出来的，比如客户数、留存率、交易量等。

• 派生指标：派生指标就是原子指标叠加维度，这个维度可以是一个或者多个。例如：7日留存率，30天内理财交易次数等。

• 衍生指标：顾名思义，衍生指标就是通过原子指标或派生指标互相加工而来。最常见的就是留存率，渠道转化率等。

2.3 指标体系

知道了指标的概念，那指标体系就非常好理解了，任何指标都离不开业务，任何业务也必须和指标体系建立联系；指标体系是从不同维度梳理业务，把指标有系统地组织起来。简而言之，指标体系=指标+体系，所以一个指标不能叫指标体系，几个毫无关系的指标也不能叫指标体系。 

指标体系的建设也是企业数仓建设必不可少的一个环节，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。

03

标签

3.1 概念

标签通常是人为定义的概念，根据业务场景和需求，对业务运营状态运用一定算法得到的高度精炼的信息，标签在数据结构中包含：标签名称及其值。

比如 客群标签可以分为潜在客户、活跃用户标签；产品标签有高风险和低风险等其他一系列的标签。它并不是一个客观存在的事实，而是由人为的定义和客观事实结合得到的数据标签。

标签由互联网领域逐步推广到其他领域，打标签的对象可以是用户，但随着大数据的发展，逐渐扩展到产品、渠道、营销活动等，标签有助于实现精准营销、定向推送、提升用户差异化体验等，标签更多助力于战略分级、智能搜索、优化运营、精准营销、优化服务、智慧经营等。一般标签具备以下几点特征：

1. 标签是对象的属性，对象可以是人，或者产品，渠道等；

2 标签应用在客户分群、用户画像、精准营销、个性化定制、活动运营、数据可视化等;

3. 标签的评价一般与使用者的感受、应用的结果有强关联关系，不同的人、不同的应用场景，标签能发挥的效果可能大相径庭；

4.标签的口径业务精密结合，没有统一的规定，都由具体的业务而定。

3.2 标签分类

标签由于其人为划分的特性，分类就没那么统一，比较常见的一种划分为统计类标签、规则类标签、算法挖掘类标签。

统计类标签：事实类标签用户画像最基础、最常见的标签，是既定发生的事实，不可以修改，通常是基于原始数据清理后的归类，用于描述客观事实。例如，姓名、终端类型、购买次数、购买金额等。

规则类标签：规则类标签，顾名思义，是基于确定的规则而产生。与事实类标签不同的是，规则类标签拥有更多的业务属性，其业务规则需与业务人员共同制定。例如，将“活跃用户”、生命周期等标签进行综合评定。

预测挖掘类标签：根据算法模型生成。挖掘型属于算法标签，利用用户行为数据或者文本数据，结合业务规则进行算法加工，输出对应的属性值或分值。如有必要，对分值进行归一化处理。

3.3 标签体系

所谓标签体系，标签体系就是分类，而且是对全集的分类，把内容或者用户依据统一的规则分到不同的类别中去，类与类之间彼此有联系，这就构成了标签体系。我们上文已经提到过，标签分类就是一套体系，当然，我们可以从不同的视角去划分标签的时候，具体到互联网金融业务的时候，就可以划分成下图的一个整体的体系。

标签体系建设一般是选定目标对象，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。

04

结论

上面就是对指标和标签的一些理解，简言之指标是可量化的，用数值表示的字段，而标签则是对数据的描述，一般是对象的属性，特别是‘人’的描述。

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，比如高价值客户的转化率（从活跃客户转化到高价值客户的比率），其中高价值客户和活跃客户都是标签，但在标签的基础上增加一个转化率，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：活跃客户（一个月内登录次数>=15次），其中一个月内登录次数就是数据指标，不同银行的标签设定可能是不同的。

涤生大数据往期精彩推荐