读——快看漫画大数据平台的模型思维与用户增长实践
模型思维，从需求出发按照以往经验抽象联想出类似模型，可以使用哪些现有架构模型来解决该需求，并对该架构模型不断进行细粒度地划分，划分成若干模快，每个模块又是更细粒度的模型，直到划分到我们熟悉的技术板块。
优点：
- 架构落地是由底层到高层逐层实现的，从原子模型落地，通过层层组装实现整体架构的落地
- 能够平滑的实现架构升级、修复、替换
如图，谈到了大数据的应用无非三部分
- 数据存储和数据探索模型
- 数据分析与预测模型
- 商业智能与决策模型
数据存储我们需要对数据进行备份（冷备份、热备份），对数据进行查询和规律分析；数据分析和预测模型包含实时分析、批量分析，数据探查包含特征提取或个性化推荐；商业智能与决策模型在金融领域比较多，比如风控领域，对贷款人信用学习决策是否能贷款、收回贷款等。
在做大数据时总会接触到一些模型，如数据接入模型，做数据采集（web 数据、设备数据、业务数据，可能有不同形式的接入方式），接入之后做数据存储，结构化与非结构化、分布式存储，云存储或存储到传统的存储模型中。然后是数据处理模型，实时、离线，还有清洗模型，不同格式、形式的数据用何种方式、工具进行处理。最后是数据使用模型，做完处理后如何进行分析、可视化，如何查询，还有用户触达，做一些智能决策，以及自动触发模型。
