标签体系与指标体系

发表于

标签体系与指标体系

一、定义

标签是什么：

1
2
3
> 标签是业务人员看的懂的数据；
> 简单说就是你把用户分到多少个类里面去，通过彼此之间的联系来构成标签体系；
>

指标是什么：

1
2
> 指标是一种度量。可以监控和评估业务进程的状态，也可衡量某个功能模块的情况或效果。
>

标签是基本实体的特征，指标是针对实体的计算结果，或者是计算框架、计算规则；脱离了基本特征，实体仍然存在，但计算框架将没有实际意义，也解释不清楚其含义。

二、特征

标签的特征：

1
2
3
4
> 面向业务场景：
> 通过对目标对象（含静态、动态特性）运用抽象、归纳、推理等算法得到的高度精炼的特征标识，用于差异化管理和决策。
> 标签是体现目标对象特征的标识，不局限于描述数量特征，还包括属性特征等
>
1
2
3
4
> 便于检索、效果显著、可衍生、可细分、可复用、可叠加使用：
> 指标的衍生，指细分或者从另外的视角添加的特征；
> 自由选择标签，通过叠加、设置各种标签和其取值范围，圈定不同的人群，更加精确的洞察其特征。
>

三、细分

笼统的讲述标签和指标，不利于实际的建设，那么我们是否可以深入的理解，对一个大的概念进行拆分，从细化到消化。

属性标签：

1
2
3
4
5
6
7
8
> 用于区分类别，做判断和筛选
> 属性标签又可再次细分
> 国家属性类：性别标签，
> 行业属性标签：特定行业内的共识属性，民生类、公益类
> 专业属性标签：特定专业领域内的共识属性，放量、缩量
> 
> 科学的标准（看它的结论有没有普遍性，是不是客观的）在这里非常实用，不是随便一个值都能成为属性的，必须要看这个值被定义为属性后，是否易于理解，是否存在实用价值。
>

统计标签：

1
2
3
4
5
6
> 用于简单汇总，做可视化展现
> 此处的展现仅仅是对数据的客观反映，数据与数据之间不一定存在内在联系，尤其是因果联系。
> 
> 警惕共时性（同时发生的两件事，谁也不是因，谁也不是果，只是正巧一起发生了）
> 警惕成为巴浦洛夫的狗，摇铃铛，给食物，是不是存在真正的因果关系，因为摇铃铛产生出食物？
>

算法标签：

1
2
> 深入计算探寻原因，做分析和预测
>

举例：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
> 属性标签：
>     性别          女
>     离婚人士      是
>     生育小孩      是
>     小孩监护人    是
> 
> 统计标签
> 	对应的人数就是统计标签
> 
> 算法标签
>     根据组合属性得出：  单身妈妈 群体。
>     通过分析，算法推导出这属于
>             女强人
>     则这个就是算法标签
>

四、建设

graph TD;
属性标签-->统计标签;
统计标签-->算法标签;
属性标签-->算法标签;

从认识数据开始搭建，属性标签

通过属性标签圈定范围，搭建统计标签，这样才能对统计的结果给出合理的说明，数据才更具有业务使用价值。

只有在前两者的基础上，加深人群、业务的洞察，才能沉淀出算法标签，挖掘出数据反应的业务价值，推动业务发展。

分层搭建，在属性标签基础上生成的统计标签、算法标签，更具灵活性，可以使得后续的标签迭代更便捷。

例如：

现在的体系都是针对【（性别：女）】这个属性标签建立的，人数统计指标，强人骨干标签。一但转换了场景，针对的群体，由【（性别：女）】变成了【（性别：女）&（生育状况：二孩）】；

如果我们直接搭建统计指标，那么这个指标我们就得从头开始修改所有的过程规则，重新统计这个数据。

但是，如果我们是在属性标签基础上搭建的，那么我们只需要在划定范围的处理逻辑中稍加改动，增加上【（生育状况：二孩）】这个范围的限定即可快速产出新的统计指标。