摄影和摄像的区别在哪（摄影和摄像的区别哪个是拍照的）

小编简介：作为一名产品经理，很多行业概念需要一一理解。本文作者分享了产品经理必知概念——标签、维度、指标的相关内容，并分析了其概念以及与各方面的联系。我们一起来学习一下吧。

最近一直在讲数据产品的基本概念，发现可以串联讲这些基本概念。

今天，我将重点讨论：标签、维度和指标。在开始之前，我想先定个基调：抽象的词无法用语言来解释，我无意为这些词构建标准化的定义。

我希望读者能像我一样借用费曼学习方法来建立对这些抽象概念的理解。

一、什么是标签

标签是描述和区分事物的缩写。

我们日常用语中经常提到的一个词就是：标签。生动形象，感觉就像给某人贴了一张便利贴或便条一样。

比如，做完核酸检测后，孩子们给自己贴上了冰冷的卡通标签。

每个人都可以创建标签。

比如，大家看到下面两段文字后，可以用文字来形容自己的感受：

我家门前有两棵树，一棵是枣树，一棵也是枣树。

情况就是这样，还需要相关部门介入了解实际情况。

比如“废话文学”、“没有营养”等，这些描述性内容都可以用来标签。

再比如，产品经理回到家乡后，应该如何向非网民的亲戚介绍自己？

你可以这样介绍：我们小管理者根本不关心人，只负责做事。互联网人给我们起这样的名字只是为了听起来好听。我们每天都在加班，就像工厂里的其他普通员工一样。

“我不关心人”、“只负责做事”、“要听起来好听”、“每天加班”、“就像工厂里其他普通员工一样”，你可以提取几个标签并贴上标签。他们对你自己。

标签更具体、更随意。

标签也用于区分和描述。标签可以是随机的、庞大的、非常有创意的或非常具体的，并且可以很长或很短。

“五一节我不会走太远”、“我是来拍照的”。放在一起，这些标签都非常具有代表性。

事实上，任何描述性文字都可以用作标签。它可以是一个习语，一个单词，或者一个不完整的句子。

然而，为了简单性、可读性和传播性，我们通常会用更短、更简洁的词语来描述一类事物，以更清晰、更具有穿透力的观点。

它甚至可以是图像、图片、符号或标签。一张笑脸、一颗红心、一颗太阳，可以代表很多很多的东西。一张图片胜过千言万语。当然，每个人都有自己的解读。

另外提前说一下，标签和维度值的概念有比较高的重叠度。

二、什么是维度

人们常说，物以类聚，人以群分。

一个自然的逻辑是：首先有事物和人，然后有类别和群体。

当面对新事物时，人类最自然的反应是描述它们或引用它们。对应标签和维度，一般来说是先做标签，再分类。

比如关于印第安人的起源，哥伦布的团队其实以为他们已经到达了印度，然后用了这样一个类似的词来命名。印第安人用印度语称自己为“我们，我们”，他们可能也称哥伦布为外国人。

我们习惯给事物贴上标签，但当我们遇到太多新类型的事物、有太多标签时，我们需要不断区分、整理和总结，就必须有“类别”和“群体”。

什么是尺寸？简单理解就是上面提到的“类”和“组”。建立维度实际上是一个归纳分类，并继续创建一个抽象层。

最简单的维度是二元的：是/否。例如核酸已检测/核酸未检测。

1.维度是灵活变通的，可以持续细化，不同维度可以相互组合的

为了把维度解释清楚，不得不引入另一个相关的词，粒度。

粒度实际上是描述事物和过程的详细程度。

为了更细粒度的分类描述，我们可以使用更多不同的前缀和后缀修饰符来创建新的维度。

以核酸检测为例。

如果一开始只是区分是否进行过核酸检测，后来病毒不断进化，抗疫变成了持久战，那么就开始区分时间：是否进行过核酸检测过去30天、过去7天和过去3天。

为了进一步精细化防控，增加社区的维度，变成：社区A近7天内是否检测过核酸，社区B近3天内是否检测过核酸。

2.维度之间也可以合并和归总

向前就可以，反之亦然，我们还可以将细粒度的维度合并成较粗的维度。

如果我们从一开始就高瞻远瞩，根据实际情况，设定一个更合适的粒度，把统计维度设定为最近N天、社区、是否检测核酸。

后续抗疫效果显着，粒度不需要那么细。当只需要按月份和城市统计时，还可以汇总这些维度：月份、城市、是否进行过核酸检测。

3.维度的下钻和上卷

根据许多文章，这两个模块称为维度下钻和上卷。

然而，向下钻取和向上滚动是相对抽象的，我建议您通过实际示例来加深理解。

事实上，我们可以看到维度和粒度是相互影响和解释的：维度越多，粒度越细。

为了方便起见，也可以将常见的特别细粒度的维度组合组合成新的维度进行统称。

任何维度的设置，以及维度的下钻和上卷，都是基于我们想要了解的信息的粒度。

三、什么是指标

在日常生活中，我们听到很多故事。有些故事丰富而精确，而另一些则模糊而朦胧。

丰富而精确，其实描述的层次是模糊而朦胧的。

判断一个东西有多好，必须根据一定的标准或数据来明确衡量和衡量。

指标用于客观地量化某些事物，一般用数据来表示。

比如，下属向老板汇报：老板，我们这个季度的用户增长率非常高，达到了200%！老板问，具体有多少人？下属回答：从1000到3000！

用数据来描述指标，这样的概括性描述是非常准确的，反映了客观事实。

四、差别和联系

尺寸和标签的区别前面已经提到过。您可以阅读这篇文章：数据产品经理必读知识：标签和维度

区别在于：维度和标签用于分类，而指标用于量化。联系是：维度、标签和指标需要一起出现，共同描述客观事物和过程。如果只有灯光指示器，没有尺寸或标签，那么读者可以在头脑中填写尺寸，或者自动认为这都在认知范围内。

例如，参加北京奥运会的总人数为23,452人。

大家会问：哪届奥运会？这个总人数指的是谁？运动员还是开幕式演员和工作人员？

下面这张就更清楚了：

北京冬奥会中国代表团总人数为387人，其中运动员176人，教练员、领队、科技医务人员等运动队工作人员164人，随队工作人员47人。

五、为什么会出现标签

为什么会出现标签？

有时数据很简单，详尽的分析也很容易。

例如，冬奥会奖牌数前三名分别是：挪威、德国、中国。

但有时，数据很多，人们不想知道所有细节。打个比方，如果只关注中国和美国，那我们就别废话了，直接总结一下：中国队进前三，美国队不在前三。

很多时候，数据是离散的、无限的，或者当样本极大时，几乎是无限的。

比如全国身高、体重的样本数据很多，超过十亿个数据，怎么描述呢？

“一眼望去小山”、“无论怎么吃都不会发胖”这些都是大家都很容易理解的描述。

不同的标签有不同的摘要粒度。

标签组合越多，摘要的粒度越细。

很多东西都可以直接测量。比如，一张长凳有多长、多宽、多高，一个学期有多少个月、有多少天，篮子里有多少个鸡蛋等。

然而，有些东西是无法直接测量的，比如外观。

这个时候就只能通过其他东西来间接衡量了。而且，我们需要抽象、总结、概括。

一个人很美，到底有多美呢？大致分为两个标签:漂亮和不漂亮。

小李走在路上，遇见了100个人，有99个人回头看他。他不漂亮吗？

另一位小李也在路上行走，遇见了100个人。一个人回头看了他一眼。他不漂亮吗？

有多少人回头看是客观的，但美不美，每个人心里都会有一个主观的答案。

还可以通过基于某些标签定义更精细的间隔来定义标签。

在这个级别上，标签和尺寸是相似的。

六、看待这些概念的两个视角

光讲概念而不结合数据产品的实际应用是没有用的。那么在这个模块中，我将带大家从业务和技术两个角度来看更多的例子。

1.业务视角

简单来说，商业视角就是给普通人描述一些东西。别让我让你误入歧途。问我什么是“生意”。别纠缠。

比如我们看到一些消息：A集团本季度GMV增速为45%，发展缓慢。

公式版本：

GMV增长率=上季度GMV

2.技术视角

技术角度就是向计算机描述一些东西。

例如，我们需要将刚才提到的规则和共识翻译成技术语言。

这里，我给出伪代码版本：gmv_growth=(cur_gmvlast_gmv)/last_gmv。

3.两者的联系

标签的技术定义源自标签的业务定义。

再举个例子，标签和指标的关系。

当然，这里的例子只是举例，并没有结合行业的特点，也没有结合具体的粒度和维度。

七、一个虚拟的例子来理解这些概念

我给大家举一个我非常熟悉的视频和直播的例子。

随着硬件、互联网、移动网络、移动支付的发展，某视频网站滴滴滴开始上线。

D站借鉴其他网站的经验，上线后开发了点赞、评论、打赏服务。内容也分为：剧、科技、娱乐、体育、资讯、时尚。

该网站开始有了第一个上传视频的UP所有者，并获得了第一批观众。观众看完视频后纷纷留言：哇，好真实，好搞笑，就是我。

数据分析师和产品经理在上线时制定了第一版指标体系，定义了很多维度和指标，比如不同地区、不同类别的人的观看时长、观看次数、观看人数、奖励数量等。和年龄组。ETC。

从大的角度来看，可以分为几类：内容供给、内容消费、和货币消费

当然，产品经理也会让UP主在后台看到一些指标，以便调整自己的视频内容和方向。

后来，为了准确根据用户喜好，产品经理添加了一个新功能：UP主在上传视频时可以添加一些关键词，即，标记视频。

该功能发布后，其他UP主开始丰富视频标签。

慢慢地，内容运营和产品经理注意到一个词开始流行：鬼兽。

随着越来越多的视频被打上了这个标签，产品经理干脆将其设置为一个新的类别，并将其放在网站的首页。后来它成为该网站的一大特色。

这些类别和标签不断演变和变化，最终变得相对固定：

D已经在视频领域站稳了脚跟。在众多精神股东的真金白银支持下，公司成功上市！

在这个故事中，我借用了一个半虚构的故事来讲述关于标签、维度和指标的故事。当然，在实际工作场景中，会更加复杂和困难。

希望对你有所启发~

八、总结

由于我比较笨，不太适应逐个概念的学习方式，所以在写作过程中，我尽量不抽象，尽量用我理解的例子来解释。

总结来说，我给大家回顾一下几个要点：

尺寸和标签用于分类。标签是具体的，尺寸更加抽象，并且是根据需要创建的。指标是为了衡量。没有尺寸和标签，单纯的指标就毫无意义。有必要从业务角度和技术角度来理解和应用这些概念。维度、标签、粒度、指标，这些概念都相得益彰。有必要结合实际案例系统地理解这些概念。

相关知识可以查看：

做数据产品时不妨先了解一下这五个概念

一篇文章帮助您更好地理解指标

避免数据仓库中的陷阱：清楚地考虑维度

避免数据仓库中的陷阱-清晰并理解粒度

作者：数据产品小李；公众号：乐说乐言

标题图片来自Unsplash，并获得CC0许可。