编辑导语：在如今的大数据时代，用数据说话更能体现出差异点，很多时候数据是最实际的表达手法，比如你的年度指标用数据来定义等等；除了这些之外，标签也是重要的一点，如今标签已经成为了各大企业都在做的一个目标；本文作者分享了指标和标签有什么异同点，我们一起来看一下。

自从大数据概念开始兴起后，好像人们都不怎么谈指标了，而津津乐道于标签。

数字经济时代，谈论指标真的落伍了吗？其实未必！指标也好，标签也罢，只要用好都能发挥其价值。

怎样才能用好它们呢，我觉得要从懂它们开始；说到懂它们，就要清楚它们的异同点，到底指标和标签有什么异同点呢？今天就来探讨一下。

一、概念不同

指标是用来定义、评价和描述特定事物的一种标准或方式；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、根据业务场景需求，对目标对象运用一定的算法得到的高度精炼的特征标识。

可见，标签是经过人为再加工后的结果；比如：说某个人是个“酒鬼”，这里“酒鬼”就是标签，一看到“酒鬼”这个标签人们就能很快知道，这个人肯定是经常喝酒、喜欢喝酒的人。

二、构成不同

指标通常由两部分构成，即名称和取值；名称是指标的外在标识符号，取值是指标的具体内容。

指标名称是对事物质与量两方面特点的命名；指标取值是指标在具体时间、地域、条件下的数量表现。

当然，指标取值可以是定量的数值，有时候也可以是定性的描述；比如描述一个人时，性别、年龄、身高和体重是经常用到的指标，以体重是220斤为例，指标的名称体重，指标的取值就是220斤；指标如果可以数量化的话，那么都是有单位或量纲的；从词性上说，指标几乎都是名字。

标签通常就是简单的几个字或符号；还是以某人体重为220斤为例，用标签的方式来描述的话，“大胖子”就是一个可用的标签；标签一般是不可量化的，通常都是形容词或形容词+名词；比如“大胖子”就是形容词+名词的结构；标签通常是孤立的，除了基础类标签，通过一定算法加工出来的标签一般都没有单位和量纲。

三、属性与特征不同

1）指标是ICT时代和BI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，指标的描述范围更广泛，既包括过程也涵盖结果；指标更注重与业务的结合，逻辑上更严谨，表现风格也比较严肃刻板；指标更侧重业务化、严格化和数量化。

2）标签是大数据与人工智能时代的通用语言

标签比指标更有深度、更凝练，是对指标深度加工的结果；标签注重人物和实体对象的描述，标签一般侧重对局部特征和结果的描述，注重与具体业务场景的结合，描述的范围相对较窄； 标签更侧重生活化、口语化和符号化。

总之，标签源于指标，却高于指标；指标更理性，标签更感性；标签比指标更有趣、更形象化、人格化，更有画面感，但指标比标签更讲求精确性、合理性、全面性和体系化。

四、价值评价方式不同

对指标与标签的价值评估方式、评估内容与它们的应用场景相关，也与使用者的感受有关系。

对指标的价值通常用“好不好用”、“全不全面”来评价，对标签的价值通常用“准不准”、“像不像”来评价。

指标的评价较易量化，通常有一定的标准和尺度；标签的评价一般与使用者的感受、应用的结果有强关联关系，不同的人、不同的应用场景，标签能发挥的效果可能大相径庭。

还有一点，由于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，标签有时候具有一定的商品属性。

在大数据价值链上，标签是可定价、可售卖、可交易的一种数据产品；比如：在个人征信服务领域，用户的三要素、四要素在合规使用的前提下都是可以按条收费的；而指标通常是不具备售卖价值的，指标的价值可在具体应用场景里或者被融合到产品中才能体现出来。

对价值的认知上，指标可以按照重要性分为关键指标、一般指标等，或者说高价值指标、低价值指标之类的；而标签较少提及这种说法，比如有关键指标一说，而没有关键标签一说。

五、分类不同

1）指标有很多种分类方式

比如：

• 按照指标计算逻辑，可以将指标分为原子指标、派生指标、组合指标三种类型；
• 按照对事件描述内容的不同，分为过程性指标和结果性指标；
• 按照描述对象的不同，分为用户类指标、事件类指标等；
• 按照指标的变化频率，分为静态指标和动态指标；按领域划分，有用户类指标、收入类指标、行为类指标等；
• 按照重要程度，分为主要指标和次要指标等；按职能来分，分为观测指标、管控指标和挑战指标。

当然，还有很多其它的分类方法，不再一一列举。

2）标签的分类方法通常比指标要少一些

之所以这么说，是因为指标能描述的对象范围更广，对事物的描述能做维度更全面、颗粒度更细，而标签对事物（用于对人的描述比较多）的描述则是更深入、更形象的。

• 按照标签的变化性分为静态标签和动态标签；
• 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；
• 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；
• 按照复杂程度分为：基础标签、规则标签和模型标签——基础标签通常是写实的，与指标有较高的重合度，比如身高、体重等；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；模型标签一般需要通过某些机器学习算法来生成。

六、表现形态不同

指标的表现形态相对简单，通常以格式化的报表、直方图、趋势图、看板等图形来表示。

标签的表现形态相对复杂，我们通常说的标签是数据化的标签，数据化标签的表现形态以可视化的图表或大屏为主；比如，我们在客户画像时通常以词云图的形式来表现其特征。

事实上，在现实世界中标签还有三种表现形态：实物标签、网络标签和电子标签。

• 实物标签是用于标明物品的品名、重量、体积、用途等信息的简要标牌，例如：商品标签、价格标签、车检标签、服装吊牌、车票、登机牌都是实物标签；
• 网络标签(Tag)是一种互联网内容组织方式，是相关性很强的关键字，它能帮助人们通过关键词快速建立对内容总体印象；
• 电子标签又称RFID射频标签，是一种识别效率和准确度都比较高的识别工具，通过射频信号自动识别目标对象并获取相关数据，识别工作无须人工干预，可工作于各种恶劣环境。

七、生产过程不同

指标是生产性思维、拆解式思维，讲究的是化整为零，将事物分解开来进行多角度的描述，得到很多的指标；标签则是合成性思维、聚合式思维，讲究的是化零为整，将多个分散的指标按照一定的原理进行综合加工，得出概括性的结果。

一般情况下，先有指标，后有标签；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，面向业务可随时增加；

指标的生产通常先要扫平数据质量问题，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。

八、应用场景不同

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。

标签的应用场景主要集中于CRM领域，尤其适合于用户运营。比如：客户画像、新增获客、沉默用户激活、存量客户维系、数据建模、数据可视化等。

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。

特别需要指出的是，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，只是单纯的指标难以做到的；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。

九、管理与维护的内容不同

原则上来说，指标与标签都需要建立体系化的管理机制。就指标的管理机制而言，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、应用过程的管理；所以，对指标的管理动作主要就是：做指标、管指标、控指标。

指标的日常管理涉及指标的定义、指标的分类、指标的权限管理等；对指标的监控与维护通常涉及缺失值、异常值、勾稽关系等方面的检查。

对标签的管理与维护通常按照标签的生命周期来开展的，涉及标签开发与发布、标签应用、标签价值评估和标签优化及下线四个阶段。

对标签的管理动作主要就是：打标签、贴标签、用标签和改标签等；为做好标签管理与维护，有必要设立专门的标签管理团队，建立标签分类、命名、描述、和实施等方面的规范，完善配套的数据采集流程、标签加工流程、标签问题处理与反馈流程等；建立标签全生命周期管理体系，与数据资产管理制度相统一，为标签在各层面的落地及管理提供建设依据。

十、小结

以上是笔者从9个方面详细解读了指标与标签的不同点。

当然，两者还是有不少共同点的，比如：指标和标签都是对事物的一种描述和解读，都是对数据加工的结果，都可以分维度拆解，都是企业的数据资产等等，还有一些共同点就不再一一展开。

剖析指标和标签的异同点是为了更好的使用它们、驾驭它们；所以，希望以上我关于指标与标签的分析能够对诸位有所启发。

#专栏作家#

黄小刚，微信公众号：大数据产品设计与运营，人人都是产品经理专栏作家。拥有超过10年的BI应用咨询与解决方案实战经验、5年大数据产品设计与管理经验。一个非主流的大数据应用专家，一个非著名的数据产品经理。

本文原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自Unsplash，基于CC0协议