精准地根据用户喜爱（用户观看前史、观看不同品类的时长、次数等目标），产品司理增加了新功能

为什么会出现标签

为什么会出现标签？

有时分数据很简略，穷举很简略。

比方，冬奥会奖牌榜上（金牌）前三名分别是：挪威队（16枚）、德国（12枚）、我国（9枚）。

但有时分，数据许多，且咱们不想知道全部的细节。比方，只重视我国美国，这时分少废话，直接概括：我国队排前三，美国队不在前三。

许多时分，数据是离散的、无限的，或者说样本极大的时分，近乎无限。

比方，全国的的身高、体重，样本的数据就许多了，十几亿数据，怎样描绘呢？

「一览众山小」、「怎样吃都不胖」便是咱们很简略了解的描绘。

不同的标签，概括的粗细粒度不相同。

标签组合越多，概括的粒度就越细（和维度是相同的）。

许多事物，是能够被直接度量的。比方，一个板凳多长多宽多高、一个学期几个月几天、篮子里有几个鸡蛋。

可是，有的事物是没法直接度量的，比方颜值。

这时分，只能通过另外的事物去直接度量。而且，咱们要抽象和总结，去概括。

一个人很美丽，多美丽？粗暴地分两个标签：美丽，不美丽。

小李（莱昂纳多，电影《盗梦空间》的男主角）走在路上，碰到 100人， 99 人回头看他，美丽不？

另一个小李也走在路上，碰到 100个人， 1 人回头看 ta，美丽不？

多少人回头，是客观的，可是究竟漂不美丽，每个人心里都会有片面答案的。

标签也能够通过某些标签的基础上，持续划定更细区间的方式进行界说。

这个层面，标签和维度是类似的。

六、看待这些概念的两个视角

光讲概念，不结合数据产品的实践使用，也是没用的。所以在这个模块，我带着咱们从事务、技能两个视角来看更多的例子。

1. 事务视角

事务视角简略来说，便是给普通人描绘一件工作。咱们不要被我带坏了，问我什么是「事务」，不纠结哈。

比方，咱们看到某个新闻：A 集团本季度 GMV 增长率为 45%，发展缓慢。

公式版本：

GMV 增长率 = （本季度 GMV – 上季度 GMV） 上季度GMV

（后续用GMV代指 A 集团本季度GMV）

2. 技能视角

技能视角，则是给计算机描绘一件事。

比方，咱们要将刚刚说的规矩、共识，翻译成技能言语。

这儿，我给出伪代码版本（SQL什么的，我就不写了）：gmv_growth = （cur_gmv – last_gmv ）/ last_gmv 。

3. 两者的联系

标签的技能界说，来源于标签的事务界说。

再来举例，标签和目标的关系。

当然，这儿的例子，仅仅是举例哈，没结合行业特性，也没说具体粒度和维度。

七、一个虚拟的例子来了解这些概念

拿我非常了解的视频、直播来给咱们举例吧（这些例子都是虚拟的）。

随着硬件、互联网、移动网络、移动付出的发展，某视频网站 Dilidili 开端上线了。

D 站学习了其他的网站，上线的时分就开发了点赞、谈论、打赏服务。也对内容进行了划分：番剧、科技、娱乐、体育、资讯、时髦。

网站开端有了第一个UP主上传了视频，有了第一个观众，观众看完视频：留下了谈论，哇， 太实在了吧，太搞笑的吧，说的便是我吧。

数据分析师和产品司理，在上线的时分就制定了初版的目标体系，定了许多维度和目标，比方不同区域、不同品类、不同年龄段人群的观看时长、观看次数、观看人数、打赏人数等等。

大的视点，会分几个：内容供给（上传视频数、有效播放视频数、直播人数、次数等）、内容消费（观看停留时长等）、金钱消费（营收维度）

当然了，傍边的一些目标，产品司理们也会让 UP 主们在后台也能看到，以便调整自己的视频内容和方向。

后来为了精准地根据用户喜爱（用户观看前史、观看不同品类的时长、次数等目标），产品司理增加了新功能：UP主上传视频的时分能够带一些关键词，也便是给视频打标签。