至于：
做了干啥？
哪个部门用？
用在什么场景？
提升什么指标？
这个指标当前是多少？
预计提升多少？
提升指标需要什么配套。
对应到工作中，就是我们常说的数据质量。数据质量是一切分析的前提，而很多公司是低估了数据采集的严谨性的。在所谓“标签扩散法”出来以后，更有一帮做数据的新人，自己都以为不要采集，只要有算法就能算出真实数据了，这就真的是自断生路了。数据质量，永远都是越高越好。
这就是标签作用的直观体现：含义丰富，使用方便。这也是为啥采集了数据，还得继续打标签的原因。标签是经过提炼，有含义的数据分类，比原始数据要有用的多。
说到标签有用，于是就有人患上了标签狂热症，疯狂打标，不管丫有用没用，有多大用，总之标签越多越好。可没有验证过效果的标签，跟没有一样。更不要提基于初级标签，再制作更复杂的二级，三级标签了。
这里还有一个小问题，看起来这个过程很简单呀，为啥还需要专业的数据分析师来做呢？业务人员自己也能总结呀。答：两个原因，一来实际商业场景中数据量大，维度多，处理起来非常耗费时间，需要专业人员来做。如果你看到你的运营不是在设计方案、选礼品、调查用户，而是一天8小时在搞数据，那这公司离倒闭也不远了。 二来，业务人员的经验很容易被短期效应打脸，进而做出错误判断（如下图所示）。业务人员KPI挂帅，容易选择短期见效的，忽视长期效应。这时候就需要数据分析师，沉住气，长期观察，沉淀经验。才能更好指导业务。
