商業數據分析相對來說是輕應用，工業數據分析是重應用。切忌不要簡單地把商業數據分析簡單和粗暴地復制和套用在工業數據分析上。

　　為了保證工業數據的質量，實現物聯網技術在工業數據采集環節的應用是較好的選擇和基礎。然而物聯網在工廠的應用并非一帆風順。在實踐中，很多公司提出這樣的困惑：我已經投入了大量的人力、財力和物力，物聯網已經建成，也產生了海量的數據，但就是實現不了我想要的功能呢？知道如何分析數據、如何應用數據才是工業數據價值的核心。

　　特別典型的一個案例是，國內某家大型重工設備企業，早在十年前就開始推動物聯網建設，在試點的600余臺設備上安裝了傳感器，所有傳感器采集的信息通過網絡遠程傳回總部數據中心。但這些數據傳回來之后并不知道該如何使用和挖掘，只能放在總部占用各類資源，造成了更大的經濟負擔。近年來，該企業再從數據應用的功能設計倒推發現，實際上大部分采集的數據都是無用的，最后僅僅保留了5%的測點信號傳輸；而這5%的數據不僅能夠滿足設備改進與優化的需要，甚至還能夠實現向產業鏈上游提供需求預測的信息服務。

　　也就是說，有了物聯網并不意味著一定能夠產生有價值的數據。搭建物聯網時，不能只是強調數據獲取的途徑和量級。
關鍵是要從兩個維度對其進行價值挖掘：
一、明確訴求，以結果為導向，即明確建立物聯網的目的和要實現的功能是什么。
二、從數據端出發，利用數據本身的統計特性挖掘關聯特征，由此發掘業務領域外的新價值。

還要指出的是：
　　物聯網還應該與務聯網 (服務互聯網，Service Network)、智能數據分析相配合，三者缺一不可，物聯網的核心是智能傳感和通訊網絡，智能分析的核心是數據模型和智能算法工具，務聯網的核心是業務運營網絡與客戶體驗。只有將三者有效地結合起來，才能最大化地發揮工業物聯網的效能，才是真正實現智能制造。

然而有了數據并不一定能產生價值
這要從三個層面來解讀。
首先是獲取的數據是否能夠被利用。
　　一要看數據的利用程度。比如盡管很多運營型企業會存儲大量的設備使用數據，但只有當設備出現問題時才會查看當前的數據是否出現了異常、并且只處理當前的問題，因此大量的使用數據實際是被浪費的。如果能通過一個統一的平臺分析、預測數據的關聯，可能就會避免不必要的問題或浪費；
　　另一方面還要看數據的可用程度。即有可能我們采集到的數據90%以上都是無用的數據，而技術人員卻需要為此花去大量的時間，這也對感知數據的采集與存儲提出了新的要求。
　　其次，即便有了可利用的數據，也必須能夠轉化為有用的信息
　　這種信息的轉化，類似于人的記憶過程，人類的大腦通過篩選、存儲、關聯、融合、索引、調用等形式將數據變為對人有用的信息，這是人類思維與行為的基礎。因此，能夠按照信息分析的頻度和重點重新進行自適應的、動態的“數據——信息”轉換，并解決海量信息的持續存儲、多層挖掘、層次化聚類調用，進而達到從數據到信息的智能篩選、存儲、融合、關聯、調用，這樣才是有效的信息提取過程。
第三是如何能夠從信息當中產生價值
　　過去，我們認為單一信息源產生單一價值，如今的工業4.0時代核心需要解決的是，在實時的動態過程中，多源數據的多維度關聯、評估及預測，實現多問題、多環節乃至全產業鏈的協同優化。由此才能解決針對用戶按需求的規模化與定制化矛盾，進而創造更多的應用價值。