01内容定义晦涩难懂。需要一定的深入思考和实践经验才能充分理解。因此，我们暂时先忽略定义，开始比较两者的特点。第一个特点是两者的内容。指标通常描述客观事实的通用指标，如宏观层面的GDP、CPI、PPI、存贷比、不良率、金融机构常用的AUM、产品运营的MAU、DAU、LTV等.,都描述了一个客观事实，通常以可量化的数字形式呈现，可以是数值，也可以是比率。指标通常由三部分组成：口径/逻辑、维度和限定符。口径和逻辑，也就是这个指标的具体含义，首先要有一个业务口径，然后技术把它实现成一个技术处理逻辑，从这些表中去get，count，sum，max，min或者avg。维度是指我们看这个指标的角度，无论是时间维度（年/月/日），组织维度（不同的分支机构）还是客户群体或产品维度。在SQL语句中，就是groupby。限定符在这个维度，我们具体选择哪个枚举值，对应的SQL语句就是where条件。比如AUM的业务口径是客户名下的所有资产，包括存款、理财、代销资金、保险等……该技术的处理逻辑会有一长串SQL，重点是总结所有金额。如果你只看整个银行的AUM，你不需要维度。如果要看具体维度，需要groupby，指标变成AUMbyorganization维度，即groupbyorg。限定符是看具体的分行，比如上海分行所有客户的AUM，其中需要在SQL语句中加上org='021'。不管怎么定义，你会发现每一个链接都是事实的陈述，实际价值多少就多少。指标只是以不同的方式显示这个值，这也带来了指标的另一个特点：指标基本上是数字的。当然，也不排除一些定性指标。例如，在KPI中，一些考核指标描述为：某项工作是否完成，但大部分核心指标都应该量化。标签通常有人为的划分。与指标不同，标签是人为划分的。比如AUM>=100万，在一些银行是私人银行客户，但在大银行估计是高净值客户。标签通常描述的是一些具体的实体，比如AUM>=100万，你肯定可以挑出一些符合这个特征的客户，但是指标通常描述的是抽象的概念，比如AUM本身，不能对应到一个或一组具体的客户端上的实体。有些标签似乎人为定义的成分比较少，也是根据事实来定义的，比如性别标签、汽车品牌标签、车主客户标签、代理客户标签……所以我在标题上加了“经常”.在标注的时候，我们的直觉也会告诉我们，这是一个标签，而不是一个指标。原因是指指标的另一个特征。是的，indicators基本上是数字，labels基本上不是数字。即便是基于数字标签，也必然会有人为划分的定义。例如，如前所述，客户级别标签是基于AUM构建的。AUM是一个数字指标。标签定义为AUM等于、大于或小于某个值，人为划分客户等级。因此，标签可以根据指标来定义，那么指标是否可以根据标签来定义呢？当然有可能。比如“私人银行客户转化数”，这里用了一个标签“私人银行客户”，私人银行客户本身依赖于AUM等指标。所以标签和指标可以相互转化。02分类指标分类指标的分类比较统一，通常分为原子指标、派生指标、派生指标。原子指标不叠加任何维度，只是对商业事实最基本的描述。通常，一些整体指标是通过SQL直接计算出来的，比如客户数、留存率、交易量……但是在实际业务使用中，我们更关注某个特定维度的某些指标，比如移动数银行客户、7天留存率、长尾客群交易量……所以我们得出了指标。派生指标是叠加了一个或多个维度的原子指标。手机银行客户数是产品或渠道维度上叠加的客户数；7天留存率是叠加在时间维度上的留存率；长尾客群交易量是叠加在客群维度上的交易量（这里客群是一个标签）。仅仅叠加维度是不够的。有时我们需要在不同的指标之间相互计算。最常见的就是找人均总和比，比如客户群AUM，贷存比……这些都是派生指标，也就是通过原子指标或者派生指标。处理。标签分类标签由于其人为的分类特性，并不是那么统一。比较常见的分为事实标签、规则/统计标签和模型标签。事实标签也是描述实体的客观事实，比如上面提到的性别、车主等，描述了一些特定实体的特征。规则/统计标签是根据基于事实的统计结果结合一些人为判断生成的，例如年轻客户（18-35岁）、中年客户（36-55岁）、老年客户（55+）)等。模型标签更主观。它们是通过事实标签和规则/统计标签抽象出来的群体特征。划分的组通常比前两种标签更详细。比如《月光族》、《消耗大师》等等。03应用场景既然大家对于标签和指标的概念已经比较清晰了，那么我们就来看看这两种应用场景的区别。指标的应用场景通常是拆解使用。指标的使用场景一般是一个大的指标，拆解成一个或多个维度，加上一个或多个限定符，用于业务分析、监控、评估和建模。在分析中，用于监控和评估业务效果、考核状态等。所有KPI都是评估和监控业务效果的指标。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。我们希望描述某一类实体的特征。通过标签，我们必须能够定位到一组特定的实体，这些实体可能是客户，也可能是产品。标记、分类、刻画群体特征的核心其实是分类。对于每个分类，希望能够给出不同的营销策略、产品策略、触达策略。不过，由于labels和indicators是可以相互转化的，所以在实践中，不必过分担心两者的区别，因为两者通常是结合使用的。04总结综上所述，指标描述的是客观事实，通常是抽象的概念，主要是量化指标，拆解成不同的维度，用于业务分析、监控、评估和建模；标签是人为划分的，用来描述特定群体的实体特征，可位于特定实体中，难以量化、归纳和抽象形成，用于标记、分类、刻画群体特征。
