近年來，工業大數據逐漸從概念走向落地階段，數據基礎較好的一些細分工業領域，已經在利用新興的大數據技術手段創造價值。
　　真正的大數據應用不是有了數據，把這些數據采集存起來就可以了，真正要做的事情是智能分析和智能決策，通過構建數據分析平臺——“工業大腦”進行相應的智能應用，諸如分析、推理、判斷、構思和決策等。這些智能分析與決策離不開原有的信息化系統和自動化系統的支撐，更離不開產生這些數據的實體設備與裝備。工業大數據的來源其中一部分是生產經營領域的數據，另外很大一部分則是生產設備和生產出來的高端產品與裝備在運營過程中產生的機器數據。基于這些數據集成實體運行所在環境數據，在信息管理系統和自動化系統基礎之上，構建具備智能分析優化能的大數據平臺 ，達成提質、增效、降耗和控險的目的。

工業大數據的特點是多模態、高通量以及強關聯。
多模態。
　　在工業系統里數據種類、數據格式以及數據結構非常多，結構關系復雜。一部汽車里面會有上萬個零部件，一個復雜裝備的制造企業，它的數據種類多達三百余種，所以在工業領域里會存在數據多模態特征。

高通量。
　　即無論是生產設備還是智能裝備有可能是24小時不間斷產生數據的，我們以分、秒的頻率采集數據，在很多應用場合甚至是毫秒級的數據。這些數據的數據量非常大，海量的設備與測量點，數據采集頻度高、數據吞吐總量大、數據的實時性要求高，呈現出工業大數據的“高通量”特征。
 
強關聯。
　　真正做一個產品設計的時候，它涉及到學科與專業是非常多的，比如設計復雜裝備的時候，不僅僅是涉及到結構分析，機械量、幾何量、狀態量、流體力學、聲學、動力學、電磁輻射等等各個學科的數據都要進行關聯。數據之間的“強關聯”反映的就是工業的系統性及其復雜的動態關系。

　　基于工業大數據的特點，工業大數據的數據分析與消費互聯網領域里的數據分析是有相當大的差別的。消費互聯網大數據的分析對象更多的是以互聯網為支撐的交互，工業大數據實際上是以物理實體和物理實體所處的環境為分析對象，物理實體就是我們的生產設備以及生產出來的產品或零部件。在商業數據里面關注數據的相關性關系，但是在工業領域里面一定要強調數據因果性，以及數據分布模型的可靠性，一定要提升分析結果的準確率才能把分析結果反饋到真正的生產控制過程中。

工業數據面臨的難點：
　　企業面臨應用數據的技術挑戰，對數據應用認知不足，不會或亂用數據分析。企業面臨數據基礎薄弱的境況，數據收集不夠，不知道該收集什么數據，收集的數據沒有價值，甚至沒有數據。沒有數據專業人才，不愿或很難負擔起專業數據人才成本。不清楚數據和業務問題之間怎么關聯，不清楚怎么和業務結合，不知道數據到底能不能解決業務問題。即使有用工業數據愿景，但是不知道如何統一業務和數據的實施路徑。另外每個工業領域里都有獨特的知識領域和機理形成的行業門檻，沒有一個普適性的解決方案可以在工業領域里通用。行業解決方案，只會對某一個行業才能發揮相應的價值。

　　工業大數據不僅僅是物聯網數據采集與存儲，包括數據的管理、分析與反饋，需要在數據生命周期內構建一個閉環系統。同時，大數據的應用會涉及到企業內部管理流程和經營理念的變革,這是企業在管理方面面臨的最大的挑戰。所以有時候大家會看到，工業企業的大數據應用甚至都不是某個部門所能牽引的，這需要整個企業在戰略層面去推動，要有明確的數據驅動的業務戰略規劃。

　　通常來講，企業規劃工業大數據業務落地可以從兩個維度進行思考。一方面是從業務驅動角度來看，要思考企業的整體業務目標是什么，為了實現這個業務目標要做什么樣的轉型以及哪方面的能力提升，具體的業務提升和轉型方向是什么；為了實現業務目標，理想的業務流程是什么，如何讓這個流程跟數據流進行相應的結合和映射。這是一個由上而下的思考過程，是企業的高層管理者、戰略管理者進行思考并牽引，通過中間管理層完善與豐富，最后落地實施的過程。很多時候大數據應用確實可以解決業務問題，但也可能解決不了所有的業務問題。大數據應用真正幫助企業的不僅僅是在于具體業務問題的解決層面，它是要讓企業構建對數據駕馭的能力，當企業具備了這種能力后，才能夠真正讓企業在內部的生產管理、對外的經營模式上產生變化，真正形成持續的創新與應用的能力，“數據驅動”價值得以體現。
 
　　如何利用數據進行驅動。第一是去看現在手里有什么樣的數據，這些數據從哪兒來，如果沒有這些數據要怎么收集，以及這些數據的特點到底是什么，是工藝數據、環境數據、產品產生的數據、生產設備產生的數據，數據量到底有多大；第二是對這些數據有了了解以后，這些數據怎么保存、管理、使用？另一個比較重要的則是數據質量怎么保證？第三是用什么樣的系統、什么樣的工具保證數據的采集、存儲、管理、分析處理？同時這些數據到底如何進行結構化關聯？不僅僅要把設備產生的數據拿來進行分析管理，還要在分析過程中關聯人、機、料、法、環等跨界數據。