一、数据建模的定义 　　

　　数据建模是指对现实世界中的各种数据进行抽象组织，确定数据库需要管辖的范围、数据的组织形式等。直到它被转换成一个真正的数据库。系统分析后抽象出的概念模型转化为物理模型后，在visio或erwin等工具中建立数据库实体及其相互关系的过程(一般实体就是表)。 　　

　　二、数据建模的基本流程 　　

　　1.确定数据和相关流程。事实上，销售人员需要查看在线产品目录并提交新的客户订单。 　　

　　2.定义数据，如数据类型、大小和默认值。 　　

　　3.确保数据的完整性，并使用业务规则和验证检查。 　　

　　4.定义操作流程，如安全检查和备份。 　　

　　5.选择数据存储技术，如关系、层次或索引存储技术。 　　

　　6.一定要知道，建模通常会以意想不到的方式涉及到公司的管理。例如，当对哪些数据元素应由哪些组织维护有了新的认识时，数据所有权和数据维护的隐含责任、准确性和及时性往往会受到质疑。数据设计往往促使公司认识到企业数据系统是如何相互依赖的，并鼓励公司抓住协同数据规划带来的效率提升、成本节约和战略机遇。 　　

　　三、数据建模的类型 　　

　　1、ER模型 　　

　　OLAP的ER模型不同于OLTP的ER模型。其本质区别在于，它是从企业的角度进行的面向主体的抽象，而不是针对具体业务流程的实体-对象关系的抽象。 　　

　　2、星型模型 　　

　　星型模型是维度模型在关系数据库中的一种实现。该模型表明，每个业务流程包含一个事实表，该事实表存储事件的数值度量，以及围绕该事实表的多个维度表，该维度表包含事件发生时的实际文本环境。这种星形结构通常被称为‘星形连接’。它着眼于用户如何更快地完成需求分析，对大规模复杂查询有更好的响应性能。在星形模型的基础上，可以进一步推导出复杂场景中的雪花模型。 　　

　　3.多维模型 　　

　　多维模型是维度模型的另一种实现。当数据被加载到OLAP多维数据库时，维度数据所涉及的格式和技术被用于索引这些数据的存储。性能汇总或预计算汇总表通常由多维数据库引擎建立和管理。由于预先计算、索引策略和其他优化方法，多维数据库可以实现高性能查询。 　　

1、Smartbi大数据挖掘平台算法丰富，而且可扩展

数据挖掘平台支持多种高效实用的机器学习算法，包含了分类、回归、聚类、预测、关联，5大类机器学习的成熟算法。其中包含了多种可训练的模型：逻辑回归、决策树、随 机森林、朴素贝叶斯、支持向量机、线性回归、K均值、DBSCAN、高斯混合模型。除提供主要算法和建模功能外，数据挖掘平台还提供了必不可少的数据预处理功能，包括字段拆分、行过滤与映射、列选择、随机采样、过滤空值、合并列、合并行、JOIN、行选择、去除重复值、排序、增加序列号、增加计算字段等。

2、Smartbi 大数据挖掘平台功能完备，无缝集成到企业BI应用

1）适合大型企业

分布式云计算，线性扩展，保证性能，与BI平台无缝整合，一键发布挖掘模型，模型库提高知识复用，减少重复投入，支持跨库查询，统一控制数据访问权限，训练自动化、模型自学习。

2）适合普通用户

直观的流式建模，极简风格的节点配置界面，支持可视化探索，轻松理解数据质量和数据并联，流程节点在线帮助，模型超参数自动调整。

3）专业算法能力

内置５大类机器学习成熟算法，支持文本分析处理，支持使用Python扩展挖掘算法， 支持使用SQL扩展数据处理能力。

三、Smartbi大数据挖掘平台易学易用，一站式完成数据处理和建模