近年来，工业大数据逐渐从概念走向落地阶段，数据基础较好的一些细分工业领域，已经在利用新兴的大数据技术手段创造价值。
　　真正的大数据应用不是有了数据，把这些数据采集存起来就可以了，真正要做的事情是智能分析和智能决策，通过构建数据分析平台——“工业大脑”进行相应的智能应用，诸如分析、推理、判断、构思和决策等。这些智能分析与决策离不开原有的信息化系统和自动化系统的支撑，更离不开产生这些数据的实体设备与装备。工业大数据的来源其中一部分是生产经营领域的数据，另外很大一部分则是生产设备和生产出来的高端产品与装备在运营过程中产生的机器数据。基于这些数据集成实体运行所在环境数据，在信息管理系统和自动化系统基础之上，构建具备智能分析优化能的大数据平台 ，达成提质、增效、降耗和控险的目的。

工业大数据的特点是多模态、高通量以及强关联。
多模态。
　　在工业系统里数据种类、数据格式以及数据结构非常多，结构关系复杂。一部汽车里面会有上万个零部件，一个复杂装备的制造企业，它的数据种类多达三百余种，所以在工业领域里会存在数据多模态特征。

高通量。
　　即无论是生产设备还是智能装备有可能是24小时不间断产生数据的，我们以分、秒的频率采集数据，在很多应用场合甚至是毫秒级的数据。这些数据的数据量非常大，海量的设备与测量点，数据采集频度高、数据吞吐总量大、数据的实时性要求高，呈现出工业大数据的“高通量”特征。
 
强关联。
　　真正做一个产品设计的时候，它涉及到学科与专业是非常多的，比如设计复杂装备的时候，不仅仅是涉及到结构分析，机械量、几何量、状态量、流体力学、声学、动力学、电磁辐射等等各个学科的数据都要进行关联。数据之间的“强关联”反映的就是工业的系统性及其复杂的动态关系。

　　基于工业大数据的特点，工业大数据的数据分析与消费互联网领域里的数据分析是有相当大的差别的。消费互联网大数据的分析对象更多的是以互联网为支撑的交互，工业大数据实际上是以物理实体和物理实体所处的环境为分析对象，物理实体就是我们的生产设备以及生产出来的产品或零部件。在商业数据里面关注数据的相关性关系，但是在工业领域里面一定要强调数据因果性，以及数据分布模型的可靠性，一定要提升分析结果的准确率才能把分析结果反馈到真正的生产控制过程中。

工业数据面临的难点：
　　企业面临应用数据的技术挑战，对数据应用认知不足，不会或乱用数据分析。企业面临数据基础薄弱的境况，数据收集不够，不知道该收集什么数据，收集的数据没有价值，甚至没有数据。没有数据专业人才，不愿或很难负担起专业数据人才成本。不清楚数据和业务问题之间怎么关联，不清楚怎么和业务结合，不知道数据到底能不能解决业务问题。即使有用工业数据愿景，但是不知道如何统一业务和数据的实施路径。另外每个工业领域里都有独特的知识领域和机理形成的行业门槛，没有一个普适性的解决方案可以在工业领域里通用。行业解决方案，只会对某一个行业才能发挥相应的价值。

　　工业大数据不仅仅是物联网数据采集与存储，包括数据的管理、分析与反馈，需要在数据生命周期内构建一个闭环系统。同时，大数据的应用会涉及到企业内部管理流程和经营理念的变革,这是企业在管理方面面临的最大的挑战。所以有时候大家会看到，工业企业的大数据应用甚至都不是某个部门所能牵引的，这需要整个企业在战略层面去推动，要有明确的数据驱动的业务战略规划。

　　通常来讲，企业规划工业大数据业务落地可以从两个维度进行思考。一方面是从业务驱动角度来看，要思考企业的整体业务目标是什么，为了实现这个业务目标要做什么样的转型以及哪方面的能力提升，具体的业务提升和转型方向是什么；为了实现业务目标，理想的业务流程是什么，如何让这个流程跟数据流进行相应的结合和映射。这是一个由上而下的思考过程，是企业的高层管理者、战略管理者进行思考并牵引，通过中间管理层完善与丰富，最后落地实施的过程。很多时候大数据应用确实可以解决业务问题，但也可能解决不了所有的业务问题。大数据应用真正帮助企业的不仅仅是在于具体业务问题的解决层面，它是要让企业构建对数据驾驭的能力，当企业具备了这种能力后，才能够真正让企业在内部的生产管理、对外的经营模式上产生变化，真正形成持续的创新与应用的能力，“数据驱动”价值得以体现。
 
　　如何利用数据进行驱动。第一是去看现在手里有什么样的数据，这些数据从哪儿来，如果没有这些数据要怎么收集，以及这些数据的特点到底是什么，是工艺数据、环境数据、产品产生的数据、生产设备产生的数据，数据量到底有多大；第二是对这些数据有了了解以后，这些数据怎么保存、管理、使用？另一个比较重要的则是数据质量怎么保证？第三是用什么样的系统、什么样的工具保证数据的采集、存储、管理、分析处理？同时这些数据到底如何进行结构化关联？不仅仅要把设备产生的数据拿来进行分析管理，还要在分析过程中关联人、机、料、法、环等跨界数据。