隨著成熟度日益上升，加之使用案例的延展，制造性企業在享受過去的成果的同時，也在慢慢掌握并且啟用新的數據源，包括逐步開始著眼從資產/設備中增加數據。
李杰教授在8月3日的全球首席信息官論壇的發言中談到，沒有背景的數據是沒有價值的、不可用的，同樣也是無法分析的。這也是工業物聯網的融合全面多元數據的核心意義所在。這讓我不禁想起宋代詩人楊萬里的那首傳世佳作：《曉出凈慈寺送林子方》的傳世佳作。
畢竟西湖六月中，風光不與四時同。
接天蓮葉無窮碧，映日荷花別樣紅。
蓮花雖較為常見，但尤以西湖的蓮花名聲遠揚。西湖六月風光有其特色，楊萬里在詩句中并沒有流露出對酷暑的不耐煩，而充分肯定了朋友林子方的高潔品格。如果沒有那碧波萬頃的西湖與荷葉的背景信息，www.dekuna.com，現代的我們似乎很難體味詩人此刻的心態與心事。從今天的大數據分析角度來看，這與環境數據有異曲同工之妙。讓我借此來簡略分析一下架構工業物聯網的數據流構架與大數據。
我們不要太早地去設定框架
當企業在考慮采用工業物聯網（IIoT）鏈接與工業大數據分析的時候，最好的方法是找到一個適合企業的案例或應用作為入口。這已經是一種較為普遍的慣性思維模式。但這似乎并不是我們想像中的那么簡單，因為我們很容易發現，要找到非常通用的、適合眾多企業的單一使用案例并不存在。相反地，這些應用場景卻分布在制造業企業部門的各個傳統驅動要素里面，包括能源、可靠性、質量、生產、設計等等。換句話來講，就是工業物聯網與大數據的結合沒有固定的模式，沒有固定的架構，可是，我們今天卻給出了太多的框架。
過緊或過松的工程與制造公差所引發的故障導致客戶無法享用產品或者是成品的貨到即損質量問題等，都屬于成功的工業物聯網的應用案例。在結合多方實地調研以及與企業的項目合作之后，我們發現，遠程監控在這兩年依然居于工業物聯網與大數據結合案例的首位。能源效率的管理緊隨其后，而資產可靠性與設備智能所帶來的質量提升則位居第三。業務轉型措施被多數企業看作長期使用案例，更有可能成為明年及以后的目標。
正是這些早期的成功案例，使得新的應用創新以及應用的方向轉變成為可能。例如，從出售資產變為出售能力等共享經濟的模式。美國NSF智能維護系統中心主任李杰教授在《工業大數據》一書中指出，實現制造業的價值化，實現用戶需求、產品設計、制造和營銷的配合，根據生產狀況實現系統自我調整，降低生產過程中的浪費以及制造工業環保與安全是大數據工業制造的五大核心支撐。
重視顯性因素和不顯性因素的必要融合
五大支柱的焦點就是顯性因素和不顯性因素的融合。我們曾經關心的是產品的制造、產品的制造工藝、產品本身的質量等顯性因素。考慮的因素都是可以觸摸的、可直觀判斷的。在工業大數據里，要解決的問題卻是那些不顯性因素。設備處在一個在亞健康狀態，我們不僅看不到，更不明白問題的根源在那里。
由于問題大部分與顯而易見的關系有關，其中包括隱形的訊息、零配件供應商、復雜的制造流程、多變的環境狀況和客戶使用方案等。對于未來的智能制造而言，想要達到零宕機、零排放或是零維修等目的，我們必須突破的一個關鍵點，就是關注相關隱形的因素，做好量化與數據交叉關聯分析。
今時今日，www.dekuna.com，多數公司依然通過信息系統層次結構的控制來實現對數據流的管理，我們已經看到不少企業開始嘗試從下至上、向頂層的企業應用系統和分析管控平臺輸送IIoT的數據的方式。而另外一種嘗試就是從外源數據層，數據也同時通過企業各種門戶流向的工業物聯網的云端。現在的問題就是，外源的數據能否在直接與現有自動化設備相連的門戶的物的一側實現，或通過傳感器和連接器的第二系統實現對接。
傳感器門戶云的這種方案有利有弊。好的一面是，基于傳感器的解決方案，尤其是專注于提供這些傳感器產生的數據所形成的價值，比現有的自動化解決方案的部署更快更方便，也會經常提供積極的短期投資回報率。而不足之處便是，所產生的數據大多是控制系統內已經收集到的數據，畢竟，缺乏控制系統環境的測量數據點與環境數據的采集是較為突出的問題。
無法產生價值，沒有人會在意數據的所有權
伴隨著對數據所產生的價值驅動被大眾廣為接受后，數據所有權及數據共享的問題變得越來越突出。那么究竟是資產設備的制造者，還是用戶的機器擁有數據，目前市場沒有定論。如果我們沿用信息管理的最佳實踐，認同客戶擁有這些數據，而設備制造者的角色是配合用戶，以做好數據保管者的工作為主。的確，有一些設備供應商比較堅持自己擁有數據，而且并不愿意與客戶分享原始數據，但多數供應商至少傾向為客戶提供原始數據訪問的有效途徑，來共同參與全制造鏈的改進與提升。
數據的所有權與資產/設備是否為企業帶來競爭優勢有密切的關系。當機器的使用還不具備競爭優勢，或是沒有真正為企業帶來新的競爭優勢的時候，數據所有與分享一般都不會得到太多的重視。一直到當機器的使用確實產生了競爭優勢時，資產使用者會更多地保護數據。
伴隨著大數據理念井噴式的發展，用戶對于大數據理解的成熟度也迅速提升。能夠很明確的一點是，當客戶沒有擁有數據時，他們是不會為原始數據買單的。相反，對于供應商而言，只有通過共享數據并且提供給客戶有價值的服務，才能從工業物聯網的設備數據中獲得回報。
考慮到各種各樣的工業物聯網應用案例與場景，其中也包括新數據源，改變系統架構的數據以及多結構化數據等因素，我們今天的制造企業并不完全擁有適當的分析能力與相關的人才。不少制造業企業的確有很多數據分析的經驗，但主要是集中在結構性數據集的基礎上進行描述性分析，而不是利用大數據，融合實時與各種非結構化數據共同進行預測性和規范性分析。
那么，這也意味著產業鏈需要全面緊密的合作，企業不僅既需要投資合適的技術，更重要的是更為重要的是，也也需要投資過程和培訓。正如西格瑪和精益已被融進持續改進措施之中，數字建模，機器自學習等大數據工具也需要進行深化改造，進入到制造業的每一個環節，每一個細小的功能，讓制造業專家來充分使用這些大數據工具，而不僅僅專屬于數據科學家的專屬。
需要加速實施智能連接資產實現智能運營
在工業大數據的推動下，趨勢分析，統計分布分析，統計過程控制與優化，包括回歸分析等開始運用到大量資產連接后所提供的數據。工業物聯網平臺技術的出現不僅僅是提升了分析的廣度，更出現了加速淡化了傳統分層模型的趨勢與可能性。