1. 数据模型开发
关系模型是一种逻辑模型，用于表示数据在计算机系统中存储时所采用的逻辑结构和特征。比如，我们经常使用的表格结构就是一种典型的逻辑结构，而使用表形结构作为数据存储结构的关系模型就是逻辑模型。通过使用逻辑模型，可以进一步降低用户理解数据存储管理的难度，屏蔽物理实现算法的复杂性。
实体关系模型是一种概念模型，用于将人的思维意识中的抽象概念用一种可以存档的方式在纸面上绘制出来，从这点上将，实体关系模型和类图及思维导图有共通之处。
只不过，实体关系模型的特殊之处在于，它是以一种数据特征为导向的概念表示方法，因此在数据库技术领域里面是一种非常重要的数据建模方法，也是数据库设计里经常使用的工具，应用在概念结构设计这一步骤之中，作为其成果得到。个人感觉，这位仁兄的之所以问这个问题八成是因为两个模型中都有关系这两个字。这里就要说说了。这两个“关系”表示的含义是不同的。关系模型中的关系表示的含义是在此模型中是以表格形态存在的“关系”作为数据存储方式的，“关系”这种结构是关系模型的核心和基础。
实体关系模型中的“关系”指的是现实世界中客观存在的个体（也就是所谓的实体）之间存在的的联系，类似于人际关系中的“关系”含义。
2. 数据挖掘模型应用
数据挖掘是指从大量的数据中通过算法搜索隐藏于其中信息的过程。
数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。
数据挖掘对象
1.数据的类型可以是结构化的、半结构化的，甚至是异构型的。发现知识的方法可以是数学的、非数学的，也可以是归纳的。最终被发现了的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等。
2.数据挖掘的对象可以是任何类型的数据源。可以是关系数据库，此类包含结构化数据的数据源；也可以是数据仓库、文本、多媒体数据、空间数据、时序数据、Web数据，此类包含半结构化数据甚至异构性数据的数据源。
3.发现知识的方法可以是数字的、非数字的，也可以是归纳的。最终被发现的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等。
数据挖掘步骤
在实施数据挖掘之前，先制定采取什么样的步骤，每一步都做什么，达到什么样的目标是必要的，有了好的计划才能保证数据挖掘有条不紊地实施并取得成功。很多软件供应商和数据挖掘顾问公司投提供了一些数据挖掘过程模型，来指导他们的用户一步步地进行数据挖掘工作。比如，SPSS公司的5A和SAS公司的SEMMA。
数据挖掘过程模型步骤主要包括定义问题、建立数据挖掘库、分析数据、准备数据、建立模型、评价模型和实施。下面让我们来具体看一下每个步骤的具体内容：
(1)定义问题。在开始知识发现之前最先的也是最重要的要求就是了解数据和业务问题。必须要对目标有一个清晰明确的定义，即决定到底想干什么。比如，想提高电子信箱的利用率时，想做的可能是“提高用户使用率”，也可能是“提高一次用户使用的价值”，要解决这两个问题而建立的模型几乎是完全不同的，必须做出决定。
(2)建立数据挖掘库。建立数据挖掘库包括以下几个步骤：数据收集，数据描述，选择，数据质量评估和数据清理，合并与整合，构建元数据，加载数据挖掘库，维护数据挖掘库。
(3)分析数据。分析的目的是找到对预测输出影响最大的数据字段，和决定是否需要定义导出字段。如果数据集包含成百上千的字段，那么浏览分析这些数据将是一件非常耗时和累人的事情，这时需要选择一个具有好的界面和功能强大的工具软件来协助你完成这些事情。
(4)准备数据。这是建立模型之前的最后一步数据准备工作。可以把此步骤分为四个部分：选择变量，选择记录，创建新变量，转换变量。
(5)建立模型。建立模型是一个反复的过程。需要仔细考察不同的模型以判断哪个模型对面对的商业问题最有用。先用一部分数据建立模型，然后再用剩下的数据来测试和验证这个得到的模型。有时还有第三个数据集，称为验证集，因为测试集可能受模型的特性的影响，这时需要一个独立的数据集来验证模型的准确性。训练和测试数据挖掘模型需要把数据至少分成两个部分，一个用于模型训练，另一个用于模型测试。
(6)评价模型。模型建立好之后，必须评价得到的结果、解释模型的价值。从测试集中得到的准确率只对用于建立模型的数据有意义。在实际应用中，需要进一步了解错误的类型和由此带来的相关费用的多少。经验证明，有效的模型并不一定是正确的模型。造成这一点的直接原因就是模型建立中隐含的各种假定，因此，直接在现实世界中测试模型很重要。先在小范围内应用，取得测试数据，觉得满意之后再向大范围推广。
(7)实施。模型建立并经验证之后，可以有两种主要的使用方法。第一种是提供给分析人员做参考；另一种是把此模型应用到不同的数据集上。
3. 模型与数据挖掘的关系
数据挖掘的过程可以分成以下 6 个步骤。
1. 商业理解：数据挖掘不是我们的目的，我们的目的是更好地帮助业务，所以第一步我们
要从商业的角度理解项目需求，在这个基础上，再对数据挖掘的目标进行定义。
2. 数据理解：尝试收集部分数据，然后对数据进行探索，包括数据描述、数据质量验证
等。这有助于你对收集的数据有个初步的认知。
3. 数据准备：开始收集数据，并对数据进行清洗、数据集成等操作，完成数据挖掘前的准
备工作。
4. 模型建立：选择和应用各种数据挖掘模型，并进行优化，以便得到更好的分类结果。
5. 模型评估：对模型进行评价，并检查构建模型的每个步骤，确认模型是否实现了预定的
商业目标。
6. 上线发布：模型的作用是从数据中找到金矿，也就是我们所说的“知识”，获得的知识
需要转化成用户可以使用的方式，呈现的形式可以是一份报告，也可以是实现一个比较
复杂的、可重复的数据挖掘过程。数据挖掘结果如果是日常运营的一部分，那么后续的
监控和维护就会变得重要。
4. 数据分析挖掘模型
《应用数学》，《非线性数学》，《数据挖掘模型分析》，《神经网络模型》
5. 数据模型与分析
这个要看不同学校的吧…… 反正我们学校经济本科毕业论文不需要数据模型，但是需要一些数据来支撑你的论点，作为论据还是需要的。
。。
6. 模型与数据挖掘的区别
OLAP与数据挖掘DM具有本质区别
（1）功能不同
数据挖掘DM的功能在于知识发现KDD。如：数据挖掘DM中的“分类”包括：贝叶斯分类、粗糙集分类、决策树分类等，是从数据中发现知识规则，是“透过现象看本质”；
而联机分析OLAP的功能在于“统计”和统计结果的展示，是“现象”和“表象”，不能实现数据挖掘DM的知识发现KDD功能。
（2）数据组成不同
数据挖是从混沌的、具有巨大噪声的数据中提炼知识规则；
而联机分析OLAP只是从已经规范化的、纯净的关系数据库中组织数据。
（3）知识与数据的关系不同
数据挖掘DM是从数据中发现知识KDD；
而联机分析OLAP是利用人已知的知识来有意识地组织和使用数据。
（4）基本方法不同
数据挖掘的基础是数学模型和算法；
而OLAP不需要数学模型和算法支持，只与数据仓库和OLAP自身知识相关。
7. 数据挖掘模型设计
六个步骤是:
1. 定义问题
2. 准备数据
3. 浏览数据
4. 生成模型
5. 浏览和验证模型
6. 部署和更新模型
数据挖掘(DataMining)，就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程，简单的说，数据挖掘就是从大量数据中提取或“挖掘”知识。
此过程包括以下六个基本步骤进行定义：
1. 定义问题
2. 准备数据
3. 浏览数据
4. 生成模型
5. 浏览和验证模型
6. 部署和更新模型
8. 数据分析 数据挖掘 数据建模
我做数据挖掘相关的工作很多了。简单来谈一下个人对这个问题的看法。有说的不对的地方，欢迎各位同行批评指正：
数据挖掘大概可以分成四类问题，问题不一样，对应的处理方法也不同
1.预测问题：建模数据集合中有X和Y，Y是连续变量。通常用线性模型、随机森林、xgboost算法来解决。评估主要基于测试集上的均方误差或者相对误差。或者计算cross-validation的平均均方误差或者相对误差
2.分类为题：建模数据集合中有X和Y，Y是类别变量。通常用logistic回归、cart、随机森林、xgboost来解决。评估主要基于测试集合上的准确率和召回率或者计算cross-validation的平均准确率或召回率
3.聚类问题：建模数据集合只有X，没有Y。需要把X里面的样本分成多个群组。一般采用K-MEANS算法。不过业界没有统一的评估标准
4.异常检测问题：建模数据集合只有X，没有Y。需要把X数据里面的异常点找出来。这个相对而言比较麻烦。一般用Isolation Forest。业界似乎也没有统一的评价标注。