数据建模是一种用于定义和分析数据的要求和其需要的相应支持的信息系统的过程。因此，数据建模的过程中，涉及到的数据建模工作，与企业的利益和用户的信息系统密切相关。从需求到实际的数据库，有三种不同的类型。用于信息系统的数据模型作为一个概念数据模型，本质上是一组记录数据要求的规范技术。数据首先用于讨论适合企业的要求，然后被转变为一个逻辑数据模型，该模型可以在数据库中的数据结构概念模型中实现
web组态定制策略
数据建模是一种用于定义和分析数据的要求和其需要的相应支持的信息系统的过程。因此，数据建模的过程中，涉及到的数据建模工作，与企业的利益和用户的信息系统密切相关。从需求到实际的数据库，有三种不同的类型。用于信息系统的数据模型作为一个概念数据模型，本质上是一组记录数据要求的规范技术。数据首先用于讨论适合企业的要求，然后被转变为一个逻辑数据模型，该模型可以在数据库中的数据结构概念模型中实现。一个概念数据模型的实现可能需要多个逻辑数据模型。数据建模中的后面一步是确定逻辑数据模型到物理数据模型中到对数据访问性能和存储的具体要求。数据建模定义的不只是数据元素，也包括它们的结构和它们之间的关系。
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。
建立模型的步骤：
三、建立模型
在准备好的数据基础上，建立数据模型，这种模型可能是机器学习模型，也可能不需要机器学习等高深的算法。选择什么样的模型，是根据要解决的问题（目标）确定的。
当然可以选择两个或以上的模型对比，并适当调整参数，使模型效果不断优化。
四、模型评估
模型效果的评估有两个方面：一是模型是否解决了需要解决的问题（是否还有没有注意和考虑到的潜在问题需要解决）；二是模型的准确性（误差率或者残差是否符合正态分布等）。
如：在识别KOL假粉的问题中，需要评估的是：模型能否识别出假粉？识别的误差率是多少？粉丝识别误差率=（假粉误认为真粉的数量+真粉误认为假粉的数量）/总粉丝数
（作者： 来源：）
