编辑导语:当今大数据时代，用数据说话更能体现差异。很多时候，数据是最实际的表达方式，比如你的年度指标就是用数据来定义的，等等；除了这些，标签也是很重要的一点。现在贴标签已经成为各大企业都在做的目标。作者分享了指标和标签的异同。让我们看一看。
自从大数据这个概念开始兴起，人们似乎不怎么谈指标，只谈标签。
数字经济时代，谈指标真的过时了吗？其实，不一定！无论是指标还是标签使用得当，都能发挥其价值。
怎样才能利用好它们呢？我觉得应该从了解他们开始。要了解它们，就要知道它们的异同。指标和标签的异同？今天就来讨论一下。
一、概念不同 指标是定义、评价和描述一个具体事物的标准或方式；比如新增用户数、累计用户数、用户活跃率是衡量用户发展的指标，月均收入、毛利率、净利率是评价企业经营状况的指标。
标签是根据业务场景的需求，通过对目标对象应用一定的算法，人为设定并获得的高度精细化的特征标识。
可见，标签是人工再加工的结果；比如说，说某人是个酒鬼，这里“酒鬼”是标签。一看到标签，人们就能很快知道这个人一定是个经常喝酒的人，而且是个酒徒。
二。不同的 指标通常由两部分组成，即名称和值；名称是指标的外在符号，值是指标的具体内容。
指标是从物质和数量上对物质特性的命名；指标的价值是指标在特定时间、区域和条件下的量化表现。
当然，指标的值可以是定量值，有时也可以是定性描述；比如描述一个人的时候，性别、年龄、身高、体重都是常用的指标。以220斤的体重为例。指标的名称重量为220公斤。如果指标可以量化，那么它们都有单位或维度；从词性来看，几乎所有的指标都是名字。
标签通常是简单的文字或符号；或者以某人220斤的体重为例。如果用标签来形容，“大胖子”是一个可用的标签；标签一般是不可量化的，一般是形容词或形容词性名词；比如“大胖子”是一个形容词名词的结构；标签通常是孤立的。除了基本标签，某些算法处理的标签一般没有单位和维度。
三。不同属性和特点 1)指标是ICT时代和BI时代的共同语言。
指标注重对事物和事件的过程进行全面系统的描述。指标的描述范围更广，既包括过程，也包括结果。指标更注重与业务的结合，逻辑更严谨，表现风格更严肃刻板；指标更侧重于业务、严格和量化。
2)标签是大数据和人工智能时代的共同语言。
标签比索引更深入、更简洁，是索引深加工的结果；注意标签人物和实物的描述。标签一般侧重于局部特征和结果的描述，注重与具体业务场景的结合。描述范围比较窄；标签更加生活化、口语化、符号化。
总之，标签源于指标，但高于指标；指标更理性，标签更感性；标签比指标更有趣、更形象、更个性化、更生动，但指标比标签更精确、更合理、更全面、更系统。
四。评价方式不同 指标和标签的评价方式和评价内容与其应用场景有关，也与用户感受有关。
指标的价值通常以“是否有用”或“不全面”来评价，标签的价值通常以“是否允许”或“是否像”来评价。
指标的评价容易量化，通常有一定的标准和尺度；一般来说，标签的评价与用户的感受和应用结果密切相关。不同的人，不同的应用场景，可能会有不同的效果。
还有一点，因为标签是指标进一步产品化的结果，指标是半成品，标签是成品；所以标签有时候也有一定的商品属性。
在大数据的价值链中，标签是一种可以定价、出售和交易的数据产品。比如个人征信服务领域，用户的三要素、四要素可以按照规定收费。但是，指标通常没有销售价值，指标的价值只能在具体的应用场景中，或者通过集成到产品中来体现。
在价值认知上，指标可分为关键指标、一般指标等。根据它们的重要性，或者高值指示符、低值指示符等等；但是标签很少提到这个说法，比如有一个关键指标，但是没有关键标签。
五、分类不同 1)指标的分类方法有很多种。
例如:
当然还有很多其他的分类方法，我就不一一列举了。
2)标签的分类方法通常少于指标的分类方法。
这是因为指标可以描述更广泛的对象，对事物的描述可以在维度上更全面，粒度上更精细，而标签(更多的是用来描述人的)对事物的描述更深入，更生动。
六。不同表现形式 指标的表现形式比较简单，通常用格式化报表、直方图、趋势图、看板等图形来表示。
标签的形式相对复杂。我们通常说的标签是数字标签，数字标签的形式主要是可视化图表或者大屏幕。比如我们在画客户画像的时候，一般都是以文字云图像的形式来表达他们的特征。
实际上，现实世界中的标签有三种形式:物理标签、在线标签和电子标签。
七。不同的生产工艺 指标是生产性思维和拆卸性思维。我们关注的是把事情分解成部分，把事情分解进行多角度描述，得到很多指标；贴标签就是合成思维，聚合思维。它注重将事物化整为零，将若干分散的指标按照一定的原则进行综合处理，得出一个总的结果。
一般来说，先有指标，后有标签；指标以经营管理为导向，需要提前规划；标签面向应用，随业务需求而变化，可以随时为业务添加；
在指标的制作上，通常需要抹平数据质量问题，统一数据口径；而标签生产涉及数据质量问题较少，因为数据质量问题在指数生产阶段已经解决；通常指标存在多口径和口径不一致的问题，而标签的问题相对较少。
八。不同的应用场景 指标的应用场景很多，涉及到企业的战略、管理、运营、支撑；包括:战略目标、市场定位、业务监控、绩效考核、任务分解、数据分析、数据建模、BI应用等。
标签的应用场景主要集中在CRM领域，特别适合用户操作。比如:客户画像、新客户获取、静默用户激活、存量客户维护、数据建模、数据可视化等。
指标最擅长监测、分析、评估和建模，标签最擅长标记、表征、分类和特征提取。
特别是因为结果的标注也是一种标签，在自然语言处理和机器学习相关的算法的应用场景中，标签对于监督学习有很大的价值，但是用简单的指标很难做到。而指标在任务分配、绩效管理等领域的作用是标签无法企及的。
九。管理和维护的内容不同 原则上指标和标签都要建立系统的管理机制。就指标管理机制而言，指标管理通常涉及三个方面:需求阶段的管理、开发过程的管理和应用过程的管理；因此，指标的主要管理行为是:制定指标、管理指标、控制指标。
指标的日常管理涉及到指标的定义、分类和权限管理。指标的监控和维护通常涉及对缺失值、异常值和交叉检查关系的检查。
标签的管理和维护通常按照标签的生命周期进行，涉及标签开发发布、标签应用、标签价值评估、标签优化、下线四个阶段。
标签的经营行为有:贴标签、贴标签、用标签、换标签挣钱等。做好标签管理维护工作，需要成立专门的标签管理团队，建立标签分类、命名、描述和实施的规范，完善配套的数据收集流程、标签处理流程、标签问题处理和反馈流程等。建立与数据资产管理系统相统一的标签全生命周期管理体系，为各级标签的落地和管理提供建设基础。
十、总结 以上是笔者从九个方面对指标与标签的区别的详细解读。
当然，两者还是有很多共同点的。比如指标和标签是对事物的一种描述和解释，是数据处理的结果，可以进行不同维度的拆解，是企业的数据资产等等。有一些共同点就不一一讨论了。
分析指标和标签的异同，是为了更好地使用和控制；所以，希望我上面对指标和标签的分析能对你有所启发。
作者:黄晓刚，微信官方账号:大数据产品设计与运营
本文由@黄小刚原创发布。每个人都是产品经理。未经许可，禁止复制。
来自Unsplash的图像，基于CC0协议。
本文地址:http://www.diemang.com/post/69809.html
