数据指标 VS 指标体系
比如：有一个小朋友身高150cm，是个男生，长得很强壮。这里150cm就是数据指标。数据指标通常是用数值衡量一个客观事实。只不过，只用一个指标是难把事情讲清楚的，你可能会怀疑“啥小朋友一米五高呀”，所以我们需要一些列指标，比如年龄12岁，身高150cm。描述事物的指标多了，就形成指标体系。
在企业里，常见的指标体系有3种形态：
第一种：并列式。经常用于多角度评估某个体的表现，比如评估员工绩效、评估供应商表现、评估新产品等等。之所以叫并列式，是因为参与评估的指标是相互独立，并列存在的（如下图）。
图片
第二种：总分式。经常用于描述一个整体由若干部分组成。最经典的就是利润拆解，把利润按收入/成本来源拆成若干部分，方便分析利润变化的原因（如下图）。
图片
在观察总分式指标体系的时候：
- 第一先看主指标大小
- 第二再看每个部分大小
这样更容易看出问题。在多个个体对比的时候也遵循这个原则。
第三种：流程式。经常用于描述一个从开始到结尾的流程。在销售端，它经常被称为：漏斗模型。因为在销售的过程中，每增加一步就会流失一些客户，形同漏斗。大部分销售流程都是漏斗式的（如下图）：
图片
在观察漏斗式指标体系的时候：
- 第一先看结果指标大小
- 第二再看全流程转化率
- 第三再看过程转化率
这样可以对整个流程情况加以了解。有些同学会一上来就陷在细节出不来，结果把自己绕晕了。
当然，流程式也不止漏斗这一种，比如在生产、服务、售后等环节，也是一个完整的流程，但不是逐步递减的。比如生产任务，是肯定要完成的，但随着生产工序增加，每一步会增加新的原料、生产费用、人工成本，此时整个流程所消耗的成本、时间是逐级递增的。
图片
有了数据指标体系，可以详细了解业务情况，但想促成业务行为，还需要标签的加持。
数据指标 VS 标签
比如：有一个小朋友身高150cm，是个男生，长得很强壮。这里“男生”就是一个分类维度，分类维度不是连续型的数值，一般是定性的描述，用来区分个体的。
“强壮”就是一个标签了。注意，帅也是分类维度，但是它在业务上的含义更明确，更容易让人们想到做什么业务动作。比如一个男生贴上“强壮”的标签，那么下次班级大扫除找劳动力的时候，目标就清晰多了：“把咱们班强壮的男生都召集过来！”业务含义清晰，促成业务动作，就是标签的作用。
有些标签是可以从数据指标里计算出来的。比如一个小朋友数学满分100，考了98。我们可以给个规则：考试95以上的都算“数学好”。于是这个98分小朋友就被贴上了：“数学好”的标签。
下次有数学竞赛，我们说：“选数学好的小朋友参加”，就可以直接把这个小朋友拉过来参加比赛。举办班会需要采购物资，我们说：“选数学好的小朋友去算账”，就又可以直接把这个小朋友拉去。可见：好的标签能提升业务行动效率。
这里会有个问题，经常困扰数据新人：怎么定义95分算“数学好”呢？为什么不可以是98分呢？
在通过指标计算标签的时候，一般有2种做法，第一种是业务上约定俗成的，比如大家习惯上都认为数学考95分已经很高了，那就这么定。毕竟标签是给业务用的，他们觉得好用才是最重要的。
第二种，可以根据打标签的目的，做数据检验。比如挑“数学好”的同学，是为了参加数学竞赛，那么打了“数学好”标签的同学，应该竞赛得分显著区别于普通同学。于是我们可以设计一个实验，来看不同得分的同学参加竞赛结果差异，从而找到一个合理的分段标准（如下图）。
图片
标签+指标体系=高质量数据分析
做分析的时候，经常有同学对着一个指标发呆：到底为啥它就涨了跌了呢？到底它说明了啥呢？这个时候，可以试着：
构建指标体系，观察数据细节
增加标签，量化影响因素，分析问题来源。
可对比的标签、可分析的指标丰富了，自然结论容易出来。
通过标签+指标，可以层层深入地看问题。比如分析推广效果的时候，
先看指标：哪些渠道转化率高？哪些不行？
再看标签：转化高的渠道，用的素材/商品/折扣是什么水平？
这样一纵一横，容易看出问题所在（如下图）。
图片
通过标签+指标，能发现不恰当的对比，从而避免判断错误。比如看到两个团队业绩有差异，不能简单地就说：谁业绩高谁是标杆，大家向他学习——
两个团队人员结构是否有差异
两个团队客户资源是否有差异
两个团队销售方法是否有差异
这时候需要对人员素质/客户资源/销售方法打标签，再观察相应指标差异，就能得出更准确的结论（如下图）。
