統計指標是數據分析的基本元素，變量之間的對比分析和綜合分析是最基本、最常用的統計分析方法。當統計指標的量綱不同或性質不同時，如果直接用原始數據進行數據分析，往往會得到不合理的結論。
為什么要進行數據標准化
對單個指標進行比較，假設對3名新生嬰兒體重（5，6，7）和3名成年人的體重（150，151，152）差異的大小進行對比分析，從表面上看，兩組人員的平均差異均為1斤，由此便得出兩組人員的體重差異程度相同顯然是不合適，因為兩者的體重水平不在同一等級上，即量綱不同；
對多個指標進行綜合分析，假設對商品的運營指標銷售量、銷售額、瀏覽量進行綜合評價或聚類分析，由於各指標間的水平相差很大，如果直接進行分析會突出數值較高的指標在綜合分析中的作用，從而使各個指標以不等權參與運算。
因此，常常需要先對數據進行標准化，對各統計指標進行無量綱化處理，消除量綱影響和變量自身變異大小和數值大小的影響。
常見的數據標准化方法
1、 Max-Min標准化/離差標准化
該方法將某個變量的觀察值減去該變量的最小值，然后除以該變量的離差，其標准化的數值落到[0,1]區間，轉換函數為：x’=(x-min)/(max-min)，其中max為樣本的最大值，min為樣本的最小值。
該方法對原始數據進行線性變換，保持原始數據之間的聯系，其缺陷是當有新數據加入時，可能導致max或min的變化，轉換函數需要重新定義。
該方法將某變量中的觀察值減去該變量的平均數，然后除以該變量的標准差，標准化后的數據符合標准正態分布，即均值為0，標准差為1，轉化函數為：x’=(x-μ)/σ，其中μ為所有樣本數據的均值，σ為所有樣本數據的標准差。
該方法對離群點不敏感，當原始數據的最大值、最小值未知或離群點左右了Max-Min標准化時非常有用，Z-Score標准化目前使用最為廣泛的標准化方法。
3、小數定標（decimal scaling）標准化
該方法通過移動數據的小數點位置來進行標准化。小數點移動多少位取決於變量取值中的最大絕對值。將某變量的原始值x使用小數定標標准化到x’的轉換函數為：x’=x/(10^j)，其中，j是滿足使max(|x’|)<1成立的最小整數。假設變量X的值由-986到917，它的最大絕對值為986，為使用小數定標標准化，我們用1000（即，j=3）除以每個值，這樣，-986被標准化為-0.986。