逻辑模型是严格定义的一组概念的集合，主要由数据结构、数据操作和完整性约束部分组成，通常称为数据三要素。
数据模型是用于描绘、沟通数据需求的一组简单易懂、标准的，并且便于计算机实现的标准符号的集合。数据库很强大，但数据在其中的关系却错综复杂，成千上万个表通过各种关系或约 束互连以形成复杂的结构。
没有数据模型，利益相关者很难看到现有数据库的结构、理解关键概念，当需要描
物联云定制
逻辑模型是严格定义的一组概念的集合，主要由数据结构、数据操作和完整性约束部分组成，通常称为数据三要素。
数据模型是用于描绘、沟通数据需求的一组简单易懂、标准的，并且便于计算机实现的标准符号的集合。数据库很强大，但数据在其中的关系却错综复杂，成千上万个表通过各种关系或约 束互连以形成复杂的结构。
没有数据模型，利益相关者很难看到现有数据库的结构、理解关键概念，当需要描述数据需求的时候，也很难准确地表达出来，这也是数据模型很重要的一个主要的原因。
与实物模型不同，数据模型不是等比例模拟出来的真实事物，而是一组能表示数据需求、数据结构的符号集合。
在房屋平面图中，中间有条线的矩形表示窗户，用直角扇形表示门。在数据模型中，用矩形框或圆角矩形表示实体；用线以及线上的符号表示实体之间的关系、基数或约束；用写在线上的词或词组表示标签，所有的这些符号组成了各种各样的数据模型。
雪花模型
当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。雪花模型是对星型模型的扩展。它对星型模型的维表进一步层次化，原有的各维表可能被扩展为小的事实表，形成一些局部的 "层次 " 区域，这些被分解的表都连接到主维度表而不是事实表。雪花模型更加符合数据库范式，减少数据冗余，但是在分析数据的时候，操作比较复杂，需要 join 的表比较多所以其性能并不一定比星型模型高。
数据建模，通俗地说，就是通过建立数据科学模型的手段解决现实问题的过程。数据建模也可以称为数据科学项目的过程，并且这个过程是周期性循环的。
数据建模的具体过程可分为六大步骤：
一、制订目标
制订目标的前提是理解业务，明确要解决的商业现实问题是什么？
如：在社交平台KOL中，存在假粉丝的情况，如何识别假粉就是一个要解决的现实问题。
二、数据理解与准备
基于要解决的现实问题，理解和准备数据，一般需要解决以下问题：
1.需要哪些数据指标（即特征提取）？（如：哪些指标能区别真粉和假粉？）
2.数据指标的含义是什么？
3.数据的质量如何？（如：是否存在缺失值？）
4.数据能否满足需求？
5.数据还需要如何加工？（如：转换数据指标，将类别型变量转化为0-1哑变量，或将连续型数据转化为有序变量）
6.探索数据中的规律和模式，进而形成假设。
需要注意的是，数据准备工作可能需要尝试多次。因为在复杂的大型数据中，较难发现数据中存在的模式，初步形成的假设可能会被很快推到，这时一定要静心钻研，不断试错。
数据建模后需要评估模型的效果，因此一般需要将数据分为训练集和测试集。
（作者： 来源：）
