你和数据分析高手之间，只差一个标签

问题场景

某同学提交了一份店铺分析报告，指出：A门店业绩排行靠后，低于其他店，建议搞高。然而没想到，这么平平无奇一句话，立马捅了马蜂窝了。业务部门同事开始七嘴八舌地争论：

甲同事：A是新开门店，不应该和其他店这么比，A其实很好

乙同事：虽然A是新开店，但是A是标准店，不能和mini店比，A其实不好

丙同事：虽然A是标准店，但A是捡漏店，不能和普通标准店比，A其实很好

丁同事：虽然A是捡漏店，但是A营销力度并不低于普通店，A还是不好

戊同事：虽然A营销力度很大，但是营销投入并不重，A还是很好

……

大家吵成一团。最后总结：“数据分析做得不深入，只有数字没解读，要结合业务深入分析”留下做数据的同学在风中凌乱：

“你们说的都是啥？？？”

“我要怎么深入法？？？”

那么，要怎么深入分析呢？

这里最大的问题，在于业务讨论的各种细节，无法直接表示成一个数据指标，导致量化都做不了，更不要提分析了。而量化业务的关键在于贴标签。注意！很多同学一提标签，本能地想到“性别、年龄、包装尺寸、包装颜色”这些数据库里现成的，直接从基础信息导入的标签。这些基础标签，大部分时候没有直接的业务含义，对业务解读能力很弱，需要二次加工才好用。

有业务含义的标签，则是直接指向业务关心的问题，对问题指标有区分度，对业务行为有指导能力的标签。比如“这个店长能力不行”，这就是个有业务含义的标签，如果确认了能力不行，那下一步就是换店长或者做培训，对业务行为指导很清晰。这种标签，需要复杂的转化过程与数据验证，不是一蹴而就的。

那么要怎么打呢？一步步来看。

从整理业务假设开始

既然是打业务标签，首先就得从整理“影响业务指标的假设”开始。这样打出来的标签才是直接指向业务问题的。比如开头的问题，我们可以根据业务部门七嘴八舌的议论，分别列出：

1、待描述的业务对象

2、衡量业务对象好坏的指标

3、影响指标的假设

4、假设的影响方向

这样就有了一张清晰的，待开发的标签列表（如下图）：

下一步可以一一进行开发。

先做简单的标签

在开发的时候，先做能用基础标签+现有数据指标，直接计算出来的标签。这种标签也被称作：规则标签。即业务给到计算规则后，可以基于基础标签+现有指标直接计算。这种标签获得速度快，也容易验证。

比如：是否新开店。理论上只要根据开店日期做分类即可。比如规定6个月及以内的都是新开店。那么大于等于7个月的就是老店，小于等于6个月的都是新店。

这里有个关键问题：这个“6个月”的标准要怎么来。这里有两种做法：

第一种，如果业务部门有共识的话，我们可以直接用业务的标准，比如大家共识了是6个月，那就是6个月。

第二种，业务没有具体数值的共识，但是有一个概念，比如：

1、新开店阶段，门店闭店概率很高

2、新开店阶段，门店营业额/订单量处于上升期

此时，虽然没有明确标准，但是业务给出找标准的方法。我们可以统计所有门店的生命周期数据，看闭店概率/营业额/订单量的拐点在哪里，从而清晰标准（如下图）。

原则上，即使业务口头给出了第一种标准，我也建议大家引导业务做出第二种标准。因为第二种才是有业务逻辑的标准。万一哪天不同业务部门吵架，或者业务换了领导，不再认可第一种标准，第二种标准就是调整的原则。

类似地，门店面积标签也可以这么打。先列出业务假设：

1、门店面积大，对应的成本就高

2、营业面积大，收入也应该高。

之后就可以把现有的几种店面面积列清单，看参数范围，做出标签（如下图）。

这里特别要提醒：很多同学做标签，不和业务沟通，自己凭感觉或者看数据分布下判断，比如怎么区分新店，丫自己拍个3个月……这种闭门造车的结果，很容易被业务挑战，也无法与业务场景结合，最终使标签工作沦为自嗨。

有了简单标签打底，可以再来处理复杂标签情况。

常见的复杂标签

常见复杂情况一：一个业务问题，需要分几个标签来描述。比如“促销”这个标签，促销形式，力度，可能需要分开描述。比如：

1、促销范围：参与促销的商品SKU数量

2、促销力度：按原价折算，用户拿到优惠比例

3、促销形式：买赠、满减、送礼、加一件……

（如下图）

可能一个业务场景，需要好几个标签组合才能说清楚。

常见复杂情况二：两个/多个基础标签合并出来的标签（又称综合计算标签）。比如“捡漏店”，潜台词是：这个店面积很大，但店租比正常低，同时客流并没有比正常少很多，因此被我们捡漏了。这个时候，捡漏店是有三个基础标签拼接出来的（如下图）。

类似的，比如：“这个店长能力不行”，怎么证明能力不行，可能得从业绩、工作数量、个人履历好几个维度来论证，考察的维度一多，就涉及如何付权重问题。付权重本身有一套方法论，同学们感兴趣的话，我稍后单独分享。

常见复杂场景三：标签是预测未来的情况，并非已发生的情况，比如我们预判这个店是“高潜力门店”，因此要求它表现比普通更好。注意！预测本身是个复杂的活，可以基于规则判断，可以建模，建模也有好几种方式，因此处理起来略复杂，有兴趣的话，也是稍后单独分享。

总之，经过这么一堆复杂计算，现在标签已经打好，可以利用分析了。

标签的综合利用

标签的直接应用，就是把复杂的业务问题量化，进而进行分析和检验。比如文章开头那一堆复杂的业务理由，用标签就可以直接做单维度对比，检验说法。

如果有多个标签叠加，则可以构建复杂的分析逻辑，一层层进行推导。这种复杂的分析逻辑，就是我们常说的“深入分析”，一般习惯性，把考虑了很多种情况，称为“分析全面”，把推导了多少层，称为“分析深入”（如下图）。

当然，标签不止这一种用法，比如标签可以作为进一步建模的特征值，输入模型做综合性评估/预测。很多同学的评估模型/预测模型做得不准确，就是因为缺少标签积累，直接把几个简单的原始数据怼进模型。

比如，标签还可以用来推导业务行动。诸如“店长能力不行”“营销力度不足”，可以直接导向“我要培训店长”“我要增加营销投入”这种结论。

综上，深入分析、建模、提业务建议，标签是很重要的一环。同学们可以试着多建有业务含义的标签，特别是涉及“盲盒”状态的业务，比如线上广告投放，线下销售跟进，商品选品等，标签的作用更大。有兴趣的话，记得本篇下方点个赞，集齐60赞，我继续分享更多利用标签做深入分析的案例，敬请期待哦。