策略产品经理如何对数据进行处理？这篇文章里，作者做了方法介绍以及相应的内容梳理，一起来看看吧。

在正式介绍推荐策略之前，我们需要了解推荐策略产品经理如何对数据进行处理，一切策略都离不开数据。重点在于：

1. 理清公司已有数据；
2. 了解公司有哪些数据表；
3. 判断数据表内的数据质量如何。

一、常见的底层数据表

电商领域常见的7张离线Hive表：

切片表：按照时间分区，将每天的新数据放在一个独立的时间分区里，例如：7月1日与7月2日的不同。

增量表：汇总所有数据，新增数据直接在原始表内添加，不增加新分区，订单表与卖点数据均是增量表，因为其需要选择某个时段or历史所有数据，直接截取即可，如果存在不同分区，截取就会很麻烦。

二、数据表加工

ETL（extract-transform-load，抽取——转换——加载）：从底层数据表抽取数据，然后再清洗加工，最终得到上层表，这一过程不断进行。

三、数据归一化与标准化

不同类型的数据需要转化为同一量纲才能进行比较，需要归一化/标准化，本质上是一种线性变换（缩放+平移）。（归一化≠标准化）

1. 归一化

Min-Max（最小最大值）归一化（最常用的方式）：

x* = ( x − min ) / ( max − min )

归一化后的数值处于[0,1]之间，实际数据中存在无解释度的极大（小）值，故需要挑选合适的最大（小）值。

适用场景：数据分布集中。

均值归一化：

x* = ( x − mean ) / ( max − min )

归一化后的数值处于[-1,1]之间

适用场景：数据存在极值，但在业务视角这一极值是合理的。

Log对数函数归一化：

归一化后的数值处于[0,1]之间，非线性的归一化方式，缩小数据间的差距，使之分布均衡。

适用场景：样本数据跨度大，头部极值出现频率相对高。

2. 标准化

归一化/标准化可以消除不同数据之间量纲差异巨大带来的无可比拟性：

• 若异常值和噪声较多，使用标准化数据处理方式可以消除不同特征差异权重的影响，使之权重趋同（归一化保留了潜在权重关系）。
• KNN和K-Means等涉及距离的业务中，若各特征变量对最终距离影响一致，需要用标准化处理，其余应用根据业务需求进行。

以上介绍的数据处理方法在策略产品工作中会经常用到，一定要熟悉哦！