在数据分析时，如何区别［维度］和［指标］？

说一点不同的看法；

个人认为城市、性别、时间段这类不能作为维度，这类变量属于分类变量，利用分类变量可以数据整体分为若干个组，并进行组与组之间的对比；在建模中这种分类变量一般作为控制变量出现；

维度应该是剖析事物的方法或者是分析问题的方向，例如我要建立一个【外卖平台竞争力模型】，从哪几个方向去考察外卖平台的竞争力呢？可以从配送方面、商家方面以及保障方面；也就是说可以从这三个维度去分析外卖平台的竞争力；

指标是用来具体衡量某个维度的，例如我们怎么衡量“配送”这个维度呢？可以从配送的平均时间、配送的准点率，自营配送队伍人员数，自营配送队伍占比；也就是说可以从这四个指标去衡量配送这个维度；

关于建模，首先要知道自己要干嘛，要解释或解决什么问题，确定要建什么模型，再看相关文献或资料总结可以从哪几个维度去分析，有的时候一个大维度下面还有若干个小维度，最后将维度细化到具体可衡量的指标，再选择合适的数学模型，一个建模就完成了。

当然在现在的研究中（我接触过的课题），也有不提维度，用一级指标、二级指标、三级指标来描述，但本质意思是一样的。

A：你选择女朋友有哪些（维度）上的要求？

B：身高要高，腿要长，三维要好。

A：具体指标是啥？

B：身高165cm以上，腿要80cm以上，三维是36 24 36。




数据是瞎写的，哈哈，36 24 36来自《独自等待》哈哈。

个人见解，供参考。谢谢。

数据分析其实是个很难的活，你需要考虑从哪些方面去分析，然后每个方面分析哪些数据才能得到一些结论。我理解哪些方面就是维度，每个方面下的具体数据就是指标。

举例：我在小区门口开了个小卖部，我想分析一下近一个月内各商品的销售情况，以决定明天的进货量（假设我每个月进一次货）。

分析过程：

一、确定三个大维度

      任何数据分析问题我都先拆解成三个维度：物，人，物+人；这里也就是商品，顾客，商品+顾客这三个大的维度。

二、大维度拆解成小维度

      1.就商品而言，我需要了解：

        A.一个月内商品的周转情况(进了多少货，卖出了多少)；

        B.一个月内，不同商品的盈利情况；

        C.此外，我还想从局部看下每天的分布是怎样的。（总体+局部）

     2.从顾客的角度，我想了解：

       A.顾客的人口统计特征分布（顾客都是些什么人）；

       B.单顾客创造的营业额、利润分布（顾客花多少钱，我能赚多少）；

       C.单天客流量及访问时间段的分布（大家都什么时候来）；

    3.从商品+顾客的角度，我想看：

       A.不同属性的用户，购买每类产品（零食，生鲜，日用品等）的转化，购买数量及分布（不同类别的人都最爱买什么）;

      B.不同（统计特征）属性的用户，不同商品类别带来的营业额、利润及其分布（不同类别的人都爱买什么，哪类人可以给我带来最高利润）；

      C.利润最高的用户，不同类别下购买时段的分布（利润最高的用户，都是什么时候来买东西）。

      D.利润最高的用户，购买商品的分布（利润最高的用户，都爱买什么）。

三、小维度下的指标

    1.就商品而言，需要分析的指标有：

     A&B的统计指标：商品ID，商品名称，商品单价，商品大小（特大/大/中/小四档），总进货量，总销售量，总营业额，总成本，总净利润；统计时间：近一个月，按月统计。

    C的统计指标：商品ID，商品名（筛选后），日期，销售量，营业额，净利润；统计时间：近一个月，按天统计。

   2.就顾客而言，需要分析的指标有：

    A&B的统计指标：顾客ID，性别，年龄，身份，月访问次数，月购买次数，月营业额，月利润；统计时间，近一个月，按月统计。

   C的统计指标：顾客ID，日期，访问时间段，访问次数；统计时间，近一周，按天统计。

   3.就顾客&商品而言，需要分析的指标有：

    A&B的统计指标：用户属性类别，商品类别，月访问次数，月购买数量，月营业额，月利润；统计时间：近一个月，按月统计。

    C的统计指标：用户属性类别，商品类别，日期，购买时间段，购买次数；统计时间，近一周，按天统计。

    D的统计指标：用户属性类别，商品类别，商品名称，购买次数。统计时间，近一个月，按月统计。

四、添删改查

   根据实际需求，投入产出比，优先级，对上述的维度进行筛选和修改；

   根据业务需求，对上述维度进行补充，例如：上述分析第三部分主要分析了高利润用户的特性和习惯，但对未购买的用户，购买次数多但利润不高的用户分析较少。更好地满足高利润用户的需求，转化低（无）贡献的用户是两种不同的思路。

   最后，上述数据如果能够结合模型和机器学习等智能分析手段，可以分析出更多更有价值的内容。如不同商品间的关联性（喜欢买A,B的人，都会喜欢买C），如不同类别用户之间的特性，大量购买XXX保健品的用户，一个月后都会大量购买婴儿产品（XXX保健品为孕期的常用保健品），如XXX季节，XXXX天气下，XXX和XXX商品的销量会激增。