数据指标与标签体系搭建与使用

分享数据指标体系的文章很多，但讲数据标签的文章很少。实际上，标签和指标一样，是数据分析的左膀右臂，两者同样重要。实际上，很多人分析不深入，就是因为缺少对标签的应用。今天系统的讲解下。

01、何为指标，何为标签，两者有何区别？

指标是用来定义、评价和描述特定事物的一种标准或方式，多为数值型。比如：新增用户数、累计用户数、用户活跃率等是衡量用户发展情况的指标；月均收入、毛利率、净利率等是用来评价企业经营状况的指标。

标签是人为设定的，根据业务场景的需求，对目标对象运用一定的算法得到高度精炼的特征标识，标签是经过人为加工后的结果。比如客群标签可以分为长尾客户、高净值客户；产品标签有高风险和低风险。标签并不是一个客观的事实，而是由人为的定义和客观事实结合得到的数据标签。其核心的目的是划分不同的实体群组。

指标和标签二者之间是可以相互转化的。指标可以从标签中转化，比如高净值客户的迁移率，其中高净值客户和长尾客户都是标签，但在标签的基础上增加一个迁徙率，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：私行客户（AUM>=1000万），其中 AUM 就是数据指标，不同银行的标签设定可能是不同的。

从分类和场景上看，指标和标签的分类原则不同，使用的场景也不同。

指标分类

一般来说指标常用的分类是相对固定的，会将指标分为原子指标、派生指标和衍生指标三类。

• 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、项目数、成本支出数等等……
• 派生指标就是原子指标叠加一个或多个维度。广州在建的项目数是在建的项目数叠加地域维度；目前湛江停工的项目数，就是在建项目数加上地域维度和时间维度。
• 衍生指标。很多时候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，最常见的就是求平均和占比，比如平均的项目标的、在建的项目和总项目的占比、回款额和合同额的占比……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。

标签分类

标签可分为事实标签、规则标签和模型标签。

• 事实标签是描述实体的客观事实，关注实体的属性特征，如一个部件是采购件还是非采购件，一名员工是男性还是女性等，标签来源于实体的属性，是客观和静态的；
• 规则标签是对数据加工处理后的标签，是属性与度量结合的统计结果，如货物是否是超重货物，产品是否是热销产品等，标签是通过属性结合一些判断规则生成的，是相对客观和静态的；
• 模型标签则是洞察业务价值导向的不同特征，是对于实体的评估和预测，如消费者的换机消费潜力是旺盛、普通还是低等，标签是通过属性结合算法生成的，是主观和动态的。

指标使用场景

指标通常拆解使用。比如一个较大的指标：客户数，可以拆解到不同维度上，并且加以限定词，比如手机银行客户数、七日内客户数的增量等，主要是用来监测和评价业务的效果。

标签使用场景

标签通常归纳使用，用来刻画某一个群体的特征，可以是客户也可以是产品，其核心是分类，给予不同类别不同的经营策略。

具体举例说明：指标体系通常会首先定义一个或几个北极星指标，比如银行常年使用 AUM 作为北极星指标，将北极星指标拆解到现金/存款、投资理财或其他业务模块，同时用户也可以拆解为活跃用户和非活跃用户等。以此基础可以梳理出整体的指标框架，从而指导业务。

在标签的使用场景上更多的偏向一线的营销场景，包括客户的经营、精准营销和资格判断等。通过不同客户的标签将其分成不同的类别，并进行不同的活动、资格或者产品的推送。也可以给产品打标签，用来标识产品适合哪类人群，在平安银行口袋 APP 这样的平台就做到了千人千面，每个人进去看到的具体内容是不一样的，这就是通过标签去筛选圈定的。

参考：数据指标与标签体系概述

02、如何建立指标体系？

指标体系的建设需要自上而下与自下而上相结合，建立指标体系要基于银行整体发展战略为基础进行拆解。

比如零售今年提出了要发展高效的运营，如何理解具体包括哪些要素，如何布局等都可以成为指标梳理的逻辑，并通过价值驱动因素梳理成为一级指标。这是自上而下，随后会构建一个多维多层的框架以及对应的应用和管理体系。

除了自上而下将业务发展战略价值分解形成指标外，同时也要自下而上进行梳理。因为自上而下的指标虽然符合企业战略，但并不一定能够被一线业务人员所理解，一线业务人员更加关注的是一些日常方便使用和理解的，关忽自身 KPI 的指标，所以需要收集业务人员实际使用的指标进行归类整合，形成一个自下而上的指标体系，并与自上而下梳理的指标相结合，最后形成一个完整的指标体系。

指标自上而下演绎过程为：首先制定北极星指标，该类型指标不会太多。可能是三到五个核心的战略目标和价值，根据业务类型场景拆解成许多的关键因素，根据不同的关键因素和优先级去实现。

比如提升客户的留存活跃的宏观指标，可以拆解为提升留存、提升产品销售能力和提升审批效率等等。提升客户留存，又可以分为增加客户粘性和忠诚度，或是促进交易量，一步一步细分就可以得到一些具体的经营指标。这样的好处是底层的指标一定能够支撑大的目标。

梳理过程中首先要去做业务访谈从而将指标归类。按照组织架构可以按部门划分，分类不能一概而论，因为不同银行中小微的业务有可能在小微部，有可能在个人部，也有可能在零售部等。

数据梳理的过程要做到不重不漏，首先是要互斥的，其次要覆盖全部业务范围。每一个场景根据不同的业务类型需要重新拆分形成不同的流程，不同的流程中也要将其拆分成不同的环节，从而得到业务的完整的全景链路，确保数据指标都能够赋予在业务链路环节中，若发现数据指标并不能被归纳则说明业务环节梳理有缺失。

按体系化去梳理的好处是可以进行数据补充，可以看到每个环节有多少、哪个环节数据较少、是否需要补充、是否可以合并等。

指标的定义也是需要标准和规范的，与底层的数据规范、数据标准是一致的。需要有业务属性、技术属性和管理属性：

• 业务属性能够定位指标的唯一识别编号，指标的名称、指标的含义以及业务口径等等。
• 技术属性需明确指标在系统中的字段名称、数值类型以及指标的统计口径等等。
• 管理属性最重要的是指标的分类及其属主部门，也就是哪个部门需要对指标负责，当指标出现波动和出入时可以进行核验。

03、如何建立标签体系？

标签体系的核心是以整个业务经营为目标，因为标签需要在实际一线营销中应用，所以最好从业务的实际目标出发去梳理标签的需求。同指标体系相同，有固定的形式和属性，并且需要定义完整的标签管理机制。

和指标的梳理过程一样，需要清晰的知道标签属于业务价值体系中的哪一类，在此基础上才能够知道标签是在哪个环节缺失并完成针对性的补充。

04、如何用好标签与指标？

如何用好标签

在使用标签的过程中会遇到一些常见的问题。比如标签实际匹配出的客户数目与预期不同，在业务理解下的标签圈定的实体数量是可估量的，若实际数据与估计值相差过多时，需要核实标签的计算口径。比如标签是否重复加工，需要统计标签的使用量，便于业务收集哪些标签是热门，哪些标签是可以被废弃的。

如何用好指标

指标通常是拆解使用的，核心点在于如何将大的指标拆解为子指标，比如消费放款增速这个指标发生异动，可以将其分解成为外部因素和内部因素，并继续拆分，拆分到原子指标就可以大概得知是放款审核的原因还是外部的一些经济政策原因等。