商业数据分析相对来说是轻应用，工业数据分析是重应用。切忌不要简单地把商业数据分析简单和粗暴地复制和套用在工业数据分析上。

　　为了保证工业数据的质量，实现物联网技术在工业数据采集环节的应用是较好的选择和基础。然而物联网在工厂的应用并非一帆风顺。在实践中，很多公司提出这样的困惑：我已经投入了大量的人力、财力和物力，物联网已经建成，也产生了海量的数据，但就是实现不了我想要的功能呢？知道如何分析数据、如何应用数据才是工业数据价值的核心。

　　特别典型的一个案例是，国内某家大型重工设备企业，早在十年前就开始推动物联网建设，在试点的600余台设备上安装了传感器，所有传感器采集的信息通过网络远程传回总部数据中心。但这些数据传回来之后并不知道该如何使用和挖掘，只能放在总部占用各类资源，造成了更大的经济负担。近年来，该企业再从数据应用的功能设计倒推发现，实际上大部分采集的数据都是无用的，最后仅仅保留了5%的测点信号传输；而这5%的数据不仅能够满足设备改进与优化的需要，甚至还能够实现向产业链上游提供需求预测的信息服务。

　　也就是说，有了物联网并不意味着一定能够产生有价值的数据。搭建物联网时，不能只是强调数据获取的途径和量级。
关键是要从两个维度对其进行价值挖掘：
一、明确诉求，以结果为导向，即明确建立物联网的目的和要实现的功能是什么。
二、从数据端出发，利用数据本身的统计特性挖掘关联特征，由此发掘业务领域外的新价值。

还要指出的是：
　　物联网还应该与务联网 (服务互联网，Service Network)、智能数据分析相配合，三者缺一不可，物联网的核心是智能传感和通讯网络，智能分析的核心是数据模型和智能算法工具，务联网的核心是业务运营网络与客户体验。只有将三者有效地结合起来，才能最大化地发挥工业物联网的效能，才是真正实现智能制造。

然而有了数据并不一定能产生价值
这要从三个层面来解读。
首先是获取的数据是否能够被利用。
　　一要看数据的利用程度。比如尽管很多运营型企业会存储大量的设备使用数据，但只有当设备出现问题时才会查看当前的数据是否出现了异常、并且只处理当前的问题，因此大量的使用数据实际是被浪费的。如果能通过一个统一的平台分析、预测数据的关联，可能就会避免不必要的问题或浪费；
　　另一方面还要看数据的可用程度。即有可能我们采集到的数据90%以上都是无用的数据，而技术人员却需要为此花去大量的时间，这也对感知数据的采集与存储提出了新的要求。
　　其次，即便有了可利用的数据，也必须能够转化为有用的信息
　　这种信息的转化，类似于人的记忆过程，人类的大脑通过筛选、存储、关联、融合、索引、调用等形式将数据变为对人有用的信息，这是人类思维与行为的基础。因此，能够按照信息分析的频度和重点重新进行自适应的、动态的“数据——信息”转换，并解决海量信息的持续存储、多层挖掘、层次化聚类调用，进而达到从数据到信息的智能筛选、存储、融合、关联、调用，这样才是有效的信息提取过程。
第三是如何能够从信息当中产生价值
　　过去，我们认为单一信息源产生单一价值，如今的工业4.0时代核心需要解决的是，在实时的动态过程中，多源数据的多维度关联、评估及预测，实现多问题、多环节乃至全产业链的协同优化。由此才能解决针对用户按需求的规模化与定制化矛盾，进而创造更多的应用价值。