傅一平评语：

标签和指标都是数据加工的结果，是对数据的一种描述和解读，往往大量出现在宽表中，区分清楚这两个概念的区别有助于更好的理解数据模型，这篇文章对两者的区别做了很好的诠释，值得看一看，我的理解是这样：

指标是对各种客观事物的数值描述，标签是对各种客观事物的特征标识，前者回答“是多少”问题，一般具有统计性质，比如到达用户数，后者回答“是什么”问题，一般具有形容性质，比如高端用户。

正文开始

最近在工作中也经常和标签、指标打交道，但是似乎很少有人能完全说明白这两者的明确定义、区别和联系，今天尝试来聊聊这个问题。

内容

本来应该先从定义开始，但是数据玩家找了很多定义，总感觉很晦涩，需要一定的深入思考和实践经历才能完全理解，于是我们先暂时不看定义，从两者的特征开始比较，第一个特征是两者的内容。

指标通常描述客观事实

常见的指标，宏观层面比如 GDP、CPI、PPI，金融机构常用的存贷比、不良率、AUM，产品运营的 MAU、DAU、LTV 等等，都是对一个客观事实的描述，通常以可量化的数值形态呈现，或为数值，或为比率。

一个指标通常包含三个部分：口径/逻辑、维度、限定词。

口径和逻辑，也就是这个指标具体的含义，首先得有一个业务口径，然后由技术把他落地成为一个技术的加工逻辑，从哪几个表取，count、sum、max、min 或者是 avg。

维度指的是我们从什么角度去看这个指标，是时间维度（年/月/日）、机构维度（不同分支机构）还是客群或产品维度，在 SQL 语句里就是 group by。

限定词就是在这个维度下，我们选取哪一个具体的枚举值，对应 SQL 语句就是 where 条件。

举个栗子，AUM 的业务口径是客户名下所有资产，包括存款、理财、代销基金、保险等…… 技术的加工逻辑会有一长串 SQL，关键的点是所有金额做 sum。

如果只看全行的 AUM，是不需要维度的，如果要看具体某一个维度，就需要 group by 了，指标就变成了按机构维度看 AUM，即 group by org。

限定词就是要看某个具体分行，比如上海分行所有客户的 AUM，SQL 语句里就需要加上 where org = '021'。

不论怎么定义，大家可以发现，每一个环节都是陈述事实，实际的数值是多少就是多少，指标只是按不同的方式展示这个值，这也带来指标的另一个特征：指标基本都是数值型。

当然，不排除有些定性指标，比如在 KPI 中，有的考核指标描述为：某项工作是否完成，不过绝大多数核心指标，都应该是量化的。

标签往往存在人为划分

与指标不同，标签是存在人为划分的。

比如 AUM>=100 万在某些银行就是私行客户了，但是在大行估计就是个高净值客户。

标签通常是描述某些具体实体的，比如 AUM>=100 万，你一定可以挑出一些客户满足这个特征，但是指标陈述的通常是抽象概念，比如 AUM 本身，你没法对应到一个或者一群具体客户身上。

有些标签看上去人为定义的成分比较少，也是基于事实进行定义的，比如性别标签，车辆品牌标签，车主客户标签，代发客户标签……

所以我在标题里加了“往往”，遇到这类标签的时候，我们的直觉也会告诉我们，这是标签，而不是指标，原因参考指标的另一个特征。

对，指标基本都是数值型，而标签基本都不是数值型。

哪怕是基于数值型的标签，一定也要有个人为划分的定义。

比如上面提到的，基于 AUM 构建客户等级标签，AUM 是个数值型的指标，标签定义为 AUM 等于、大于或小于某一个值，人为划分了客户的等级。

因此标签可以基于指标来定义，那么指标可不可以基于标签来定义呢？

当然可以，比如“私行客户转化数量”，这里用到了一个标签“私行客户”，私行客户本身又依赖于 AUM 等指标。

所以标签和指标可以相互转化。

分类

指标的分类

指标的分类相对还是比较统一的，通常划分为原子指标、派生指标、衍生指标。

原子指标不叠加任何维度，仅是对业务事实的最基本描述，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……

但是实际业务使用中，更关心某一特定维度的指标，比如手机银行客户数、7 日留存率、长尾客群交易量……

因此我们有了派生指标。派生指标就是原子指标叠加一个或多个维度。

手机银行客户数是客户数叠加产品或渠道维度；7 日留存率是留存率叠加时间维度；长尾客群交易量是交易量叠加客群维度（这里客群是一个标签）。

仅仅叠加维度还不够，有时候我们还需要不同指标之间互相计算，最常见的就是求人均和比率，比如客群 AUM、存贷比……

这就是衍生指标，即通过原子指标或派生指标互相加工而来。

标签的分类

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事实标签、规则/统计标签、模型标签。

事实标签也是描述实体的客观事实，比如上文提到的性别、车主等等，描述一些具体实体的特征。

规则/统计标签是基于事实的统计结果结合一些人为判断生成的，比如青年客户（年龄在 18 到 35 之间）、中年客户（年龄在 36 到 55 之间）、老年客户（年龄 55+）等等。

模型标签就比较主观了，是通过事实标签和规则/统计标签，抽象出来的群体特征，其划分的群体通常比上两类标签更细。比如“月光一族”，“消费达人”等。

应用场景

现在大家已经对标签和指标有了相对明确的概念，我们来看看两者的应用场景有何差别。

指标的应用场景

通常拆解使用

指标的使用场景，一般都是一个大指标，拆解到某个或多个维度，附加一个或多个限定词

用于经营分析、监测、评价、建模

在经营分析中，用于监测和评价业务效果、考核情况等，所有的 KPI 都是指标用于评价和监测业务效果。

标签的应用场景

需要不断归纳和抽象

标签是基于底层数据的归纳和抽象，希望刻画某一群实体的特征，通过标签，一定可以定位一群具体的实体，可能是客户，也可能是产品。

用于标注、分类、刻画群体特征

标签的核心其实是分类，针对每一个分类，希望能够给予不同的营销策略、产品策略、触达策略等。

不过，由于标签和指标可以互相转化，因此在实际运用中，也不用过多纠结两者的区别，因为两者通常是结合起来使用的。

总结

总结一下，指标描述客观事实，通常是抽象的概念，以量化指标为主，拆解到不同维度，用于经营分析、监测、评价和建模；

标签人为划分，描述特定群体的实体特征，可以定位到具体实体，难以量化，归纳和抽象形成，用于标注、分类、刻画群体特征。

本文转自：与数据同行公众号