数据建模是一门复杂的科学，需要组织企业数据以适应业务流程的需要。 必须设计逻辑关系，以便数据相互关联并支持业务。 然后将逻辑设计转换为物理模型，该模型由存储数据的存储、数据库和文件组成。
1、不要把传统的建模技术强加给大数据
传统的固定记录数据在增长中稳定、可预测，因此比较容易建模。 相比之下，大数据的指数增长是不可预测的，其无数形式和来源也是如此。 在网站上考虑建模大数据时，建模工作必须集中于构建开放、灵活的数据界面。 这是因为不知道新的数据源或数据格式何时出现。 这在传统的固定记录数据世界中不是优先事项。
2、设计系统而不是模式
在传统的数据领域，关系数据库模型涵盖了业务支持信息所需的数据之间的大多数关系和链接。 大数据不是这样的。 可能没有数据库，或者使用了不需要数据库架构的数据库，如NoSQL。
因此，大数据模型应该建立在系统上而不是数据库上。 大数据模型应包括系统组件，如业务信息要求、公司治理和安全、数据物理存储、所有类型的数据集成、开放接口和处理各种类型数据的功能
3、寻找大数据建模工具
有一个业务数据建模工具支持大数据报告软件，如Hadoop。 在考虑大数据工具和方法时，IT决策者必须包括构建大数据数据模型的能力。
4、关注企业业务需求数据
企业每天都输入大量数据，但这些大数据中的大部分并不重要。 建立包含所有数据的模型是没有意义的。 更好的方法是识别对企业来说重要的大数据，并对这些数据进行建模。
5、提供高质量的数据
如果组织专注于准确定义数据和开发完整的元数据，说明数据来自哪里、目的是什么等，就可以为大数据模型创造更好的数据模型和关系。 可以更好地支持支持业务的数据模型。
6、寻找数据的关键切入点
当今最常用的大数据载体之一是地理位置，这取决于企业的业务和行业以及其他用户所需的大数据的一般密钥。 企业越能识别数据中的这些常见入口点，就越能设计支持企业关键信息访问路径的数据模型。
大数据时代，企业迫切需要建立以用户为中心的自助大数据管理，信息整理、数据管理、用户连接、智能化是实现自助大数据管理的四个主要阶段，掌握一系列关键技术和技术原则是自助大数据管理的关键