随着数据库应用领域的进一步拓展与深入，传统的数据模型已逐渐不能满足实际工作对数据处理的需要。而对象数据、空间数据、图像与图形数据、声音数据、关联文本数据及海量仓库数据等出现，传统数据库在建模、语义处理、灵活度等方面都无法适应。为满足发展需要，数据模型向多样化发展，主要表现在以下几方面。
1、传统关系模型的扩充
2、面向对象数据模型
3、XML数据模型
4、发展出新的数据模型
物联云定制
随着数据库应用领域的进一步拓展与深入，传统的数据模型已逐渐不能满足实际工作对数据处理的需要。而对象数据、空间数据、图像与图形数据、声音数据、关联文本数据及海量仓库数据等出现，传统数据库在建模、语义处理、灵活度等方面都无法适应。为满足发展需要，数据模型向多样化发展，主要表现在以下几方面。
1、传统关系模型的扩充
2、面向对象数据模型
3、XML数据模型
4、发展出新的数据模型
数据模型按不同的应用层次分成三种类型：
1、概念模型
一种面向用户、面向客观世界的模型，主要用来描述世界的概念化结构，它是数据库的设计人员在设计的初始阶段，摆脱计算机系统及DBMS的具体技术问题，集中精力分析数据以及数据之间的联系等。
2、逻辑模型
一种面向数据库系统的模型，具体的DBMS所支持的数据模型。此模型既要面向用户，又要面向系统，主要用于数据库管理系统（DBMS）的实现。
3、物理模型
一种面向计算机物理表示的模型，描述了数据在储存介质上的组织结构。每一种逻辑数据模型在实现时都有其对应的物理数据模型。DBMS为了保证其独立性与可移植性，大部分物理数据模型的实现工作由系统自动完成。
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
数据建模步骤
结果呈现
结果呈现主要关注以下三个方面：模型解决了哪些问题？解决效果如何？如何解决问题？具体操作步骤是什么？
模型部署
通过大量数据解决了一个或多个重要的现实问题，需要将方案落实下去，一般情况下需要通过线上技术环境部署落实，从而为后面不断优化模型、更好地解决问题打下基础。
交由工程人员部署技术环境，需要数据建模团队撰写需求文档，并确保工程人员理解需求文档的内容，才能达到较好的模型部署效果。
（作者： 来源：）
