#PKM #Murmuration #PM SaaS产品之数据分析
四、指标定义与分类
「各种需求」最终需要转化为「指标」，指标是数据分析需求的基础表达方式。
「指标」是用来定义、评价和描述特定对象的一种标准或方式。比如：新增用户数、累计用户数、注销用户数等是衡量用户发展情况的指标，客单价、平均单客成本、平均毛利率等是用来评价企业经营状况的指标。
设计或定义具体指标时，要区分定义指标的类型，从不同的维度来区分，可有多种划分方法。
按照指标计算逻辑，可以将指标分为原子指标、复合指标、派生指标三种类型。这是一种比较常用的指标分类方法。其中：
【原子指标】也叫基础指标，指表达业务实体原子量化属性的且不可再分的概念集合，如交易笔数、交易金额、交易用户数等。
【复合指标】指建立在基础指标之上，通过一定运算规则形成的计算指标集合，如平均用户交易额、资产负债率等。
【派生指标】指基础指标或复合指标与维度成员、统计属性、管理属性等相结合产生的指标，如交易金额的完成值、计划值，累计值、同比、环比、占比等。
其中「指标」还有多种分类方法：
1. 根据描述对象的不同，分为用户类指标、事件类指标等；
2. 按照指标的变化频率，分为静态指标和动态指标；
3. 按维度划分，有用户类指标、收入类指标、行为类指标等；
4. 按客户生命周期划分，分为获客指标、履约指标、注销指标等；
5. 按照重要程度，分为主要指标和次要指标等；
6. 按管理职能来分，分为观测指标、管控指标和挑战指标。
五、标签的定义与分类
「标签」是对指标深度加工的结果，标签注重人物或实体对象的描述。标签是根据业务场景的需求，通过对目标对象运用抽象、归纳、推理等规则或算法得到的高度精练的特征标识，用于差异化管理与决策。
1. 按照标签的变化性分为：静态标签和动态标签
2. 按照标签的指代和评估指标的不同，可分为：定性标签和定量标签
3. 按照标签体系分级分层的方式，可以分为：一级标签、二级标签、三级标签等（每一个层级的标签相当于一个业务维度的切面）
4. 按照复杂程度分为：基础标签、规则标签和模型标签
其中【基础标签】通常是基于事实数据的，与指标有较高的重合度。比如：身高、体重、性别等；
【规则标签】一般是有一些简单的规则来控制，符合某种规则时才生成相应的标签，比如高价值客户标签，当一些指标达到特定的条件，就可以将用户标记为高价值客户；
【模型标签】一般需要通过某些机器学习算法来生成，也称作挖掘类标签。
【模型标签】基于数据进行建模。模型与规则不同的是，规则的生成是业务专家根据业务经验，组合多个指标制定的，规则不具有预测能力。模型的生成是应用科学的算法对指标进行计算，同时模型具有预测能力。
总之，SaaS产品在客户不同的阶段，制定的标签有所差别，比如获客阶段、留存阶段等。
【获客阶段】：可以关注用户在门户网站的浏览行为，客户的一些基本信息获取，现有用户群体的匹配等。
【留存阶段】：可以关注用户对产品的参与度，比如操作频次，需求、问题反馈情况，需求及问题满足情况，增购产品情况，转介绍情况等。
六、指标和标签的区别
1. 特征
指标是信息化时代的通用语言。指标注重对事物及事件的过程进行全面的、体系化的描述，指标的描述范围广泛，既包括过程也涵盖结果；指标在逻辑上更严谨，表现风格也比较严肃，一般采用数值型。
2. 场景
指标的应用场景很多，涉及企业的战略、管理、运营和支撑等层面；具体包括战略目标、市场定位、业务监测、业绩考核、任务分解、数据分析、数据建模、BI应用等。指标最擅长的应用是监测、分析、评价和建模，标签最擅长的应用是标注、刻画、分类和特征提取。
标签的应用场景比较适合于用户运营。比如：客户画像、新增获客、用户激活、存量客户维系、数据建模等。
由于对结果的标注也是一种标签，所以在自然语言处理和机器学习相关的算法应用场景下，标签对于监督式学习有重要价值，这是一般性的指标难以做到的；而指标在任务分配、绩效管理等领域的作用，也是标签无法做到的。
3. 生产过程
指标是拆解式思维，运用的是化整为零的策略，将事物分解开来进行多角度多维度的描述，得到很多的指标；标签则是合成性、聚合式思维，将多个分散的指标按照一定的规则或算法进行综合加工，得出概括性的结果。
一般情况下，先有指标再有标签；指标是业务管理导向的，需要提前规划；标签是应用导向的，跟随业务需求的而变化，根据业务可随时增加；
指标的生产通常先要解决数据质量问题，统一数据口径；而标签生产涉及数据质量的问题较少，因为数据质量的问题已经在指标生产阶段被解决了；指标通常存在多个口径、口径不一致的问题，而标签在这方面的问题则相对较少。
4. 展现形式
指标的表现形态相对简单，通常以格式化的直方图、趋势图、看板、饼图等图形来表示。
标签的表现形态相对复杂，一般以可视化的图表或大屏为主；比如我们在用户画像展示时通常以词云图的形式来表现其特征。
👨🌾如何设计指标就不提了，简单来说设计过程中，就需要指明数据来源，计算规则，一般来说标签数据来源为业务数据、用户基本数据、日志数据、调研数据、算法加工数据等等，本文示例的标签数据来源为用户基本数据（用户表），业务数据（发票数据表），来源相对清晰，规则简单。
如果说「读写说教」是基础的基础，那么PIM/PKM 真的只能算基础。职业/职场上一些硬技能的深化或学习，比什么PIM/PKM 难多了，同样是标签呵呵，没事别瞎搞，做点正经事。
四、指标定义与分类
「各种需求」最终需要转化为「指标」，指标是数据分析需求的基础表达方式。
「指标」是用来定义、评价和描述特定对象的一种标准或方式。比如：新增用户数、累计用户数、注销用户数等是衡量用户发展情况的指标，客单价、平均单客成本、平均毛利率等是用来评价企业经营状况的指标。
设计或定义具体指标时，要区分定义指标的类型，从不同的维度来区分，可有多种划分方法。
按照指标计算逻辑，可以将指标分为原子指标、复合指标、派生指标三种类型。这是一种比较常用的指标分类方法。其中：
【原子指标】也叫基础指标，指表达业务实体原子量化属性的且不可再分的概念集合，如交易笔数、交易金额、交易用户数等。
【复合指标】指建立在基础指标之上，通过一定运算规则形成的计算指标集合，如平均用户交易额、资产负债率等。
【派生指标】指基础指标或复合指标与维度成员、统计属性、管理属性等相结合产生的指标，如交易金额的完成值、计划值，累计值、同比、环比、占比等。
其中「指标」还有多种分类方法：
1. 根据描述对象的不同，分为用户类指标、事件类指标等；
2. 按照指标的变化频率，分为静态指标和动态指标；
3. 按维度划分，有用户类指标、收入类指标、行为类指标等；
4. 按客户生命周期划分，分为获客指标、履约指标、注销指标等；
5. 按照重要程度，分为主要指标和次要指标等；
6. 按管理职能来分，分为观测指标、管控指标和挑战指标。
五、标签的定义与分类
「标签」是对指标深度加工的结果，标签注重人物或实体对象的描述。标签是根据业务场景的需求，通过对目标对象运用抽象、归纳、推理等规则或算法得到的高度精练的特征标识，用于差异化管理与决策。
1. 按照标签的变化性分为：静态标签和动态标签
2. 按照标签的指代和评估指标的不同，可分为：定性标签和定量标签
3. 按照标签体系分级分层的方式，可以分为：一级标签、二级标签、三级标签等（每一个层级的标签相当于一个业务维度的切面）
4. 按照复杂程度分为：基础标签、规则标签和模型标签
其中【基础标签】通常是基于事实数据的，与指标有较高的重合度。比如：身高、体重、性别等；
【规则标签】一般是有一些简单的规则来控制，符合某种规则时才生成相应的标签，比如高价值客户标签，当一些指标达到特定的条件，就可以将用户标记为高价值客户；
【模型标签】一般需要通过某些机器学习算法来生成，也称作挖掘类标签。
【模型标签】基于数据进行建模。模型与规则不同的是，规则的生成是业务专家根据业务经验，组合多个指标制定的，规则不具有预测能力。模型的生成是应用科学的算法对指标进行计算，同时模型具有预测能力。
总之，SaaS产品在客户不同的阶段，制定的标签有所差别，比如获客阶段、留存阶段等。
【获客阶段】：可以关注用户在门户网站的浏览行为，客户的一些基本信息获取，现有用户群体的匹配等。
【留存阶段】：可以关注用户对产品的参与度，比如操作频次，需求、问题反馈情况，需求及问题满足情况，增购产品情况，转介绍情况等。
六、指标和标签的区别
1. 特征
指标是信息化时代的通用语言。指标注重对事物及事件的过程进行全面的、体系化的描述，指标的描述范围广泛，既包括过程也涵盖结果；指标在逻辑上更严谨，表现风格也比较严肃，一般采用数值型。
2. 场景
指标的应用场景很多，涉及企业的战略、管理、运营和支撑等层面；具体包括战略目标、市场定位、业务监测、业绩考核、任务分解、数据分析、数据建模、BI应用等。指标最擅长的应用是监测、分析、评价和建模，标签最擅长的应用是标注、刻画、分类和特征提取。
标签的应用场景比较适合于用户运营。比如：客户画像、新增获客、用户激活、存量客户维系、数据建模等。
由于对结果的标注也是一种标签，所以在自然语言处理和机器学习相关的算法应用场景下，标签对于监督式学习有重要价值，这是一般性的指标难以做到的；而指标在任务分配、绩效管理等领域的作用，也是标签无法做到的。
3. 生产过程
指标是拆解式思维，运用的是化整为零的策略，将事物分解开来进行多角度多维度的描述，得到很多的指标；标签则是合成性、聚合式思维，将多个分散的指标按照一定的规则或算法进行综合加工，得出概括性的结果。
一般情况下，先有指标再有标签；指标是业务管理导向的，需要提前规划；标签是应用导向的，跟随业务需求的而变化，根据业务可随时增加；
指标的生产通常先要解决数据质量问题，统一数据口径；而标签生产涉及数据质量的问题较少，因为数据质量的问题已经在指标生产阶段被解决了；指标通常存在多个口径、口径不一致的问题，而标签在这方面的问题则相对较少。
4. 展现形式
指标的表现形态相对简单，通常以格式化的直方图、趋势图、看板、饼图等图形来表示。
标签的表现形态相对复杂，一般以可视化的图表或大屏为主；比如我们在用户画像展示时通常以词云图的形式来表现其特征。
👨🌾如何设计指标就不提了，简单来说设计过程中，就需要指明数据来源，计算规则，一般来说标签数据来源为业务数据、用户基本数据、日志数据、调研数据、算法加工数据等等，本文示例的标签数据来源为用户基本数据（用户表），业务数据（发票数据表），来源相对清晰，规则简单。
如果说「读写说教」是基础的基础，那么PIM/PKM 真的只能算基础。职业/职场上一些硬技能的深化或学习，比什么PIM/PKM 难多了，同样是标签呵呵，没事别瞎搞，做点正经事。