工业大数据具有一般大数据的特征(海量性、多样性等)，此基础上具有价值性、实时性、准确性、闭环性四个典型的特征。工业大数据与互联网大数据最大的区别在于工业大数据有非常强的目的性，而互联网大数据更多的是一种关联的挖掘，是更加发散的一种分析。除此之外，两者在数据的特征和面临的问题方面也有不同。有别于互联网大数据，工业大数据的分析技术核心要解决"3B"问题：

1、Below Surface——隐匿性，即需要洞悉背后的意义

工业环境中的大数据与互联网大数据相比，最重要的不同在于对数据特征的提取上面，工业大数据注重特征背后的物理意义以及特征之间关联性的机理逻辑，而互联网大数据则倾向于仅仅依赖统计学工具挖掘属性之间的相关性。

2、Broken——碎片化，即需要避免断续、注重时效性

相对于互联网大数据的量，工业大数据更注重数据的全，即面向应用要求具有尽可能全面的使用样本，以覆盖工业过程中的各类变化条件、保障从数据中能够提取以反映对象真实状态的信息全面性。因此，工业大数据一方面需要在后端的分析方法上克服数据碎片化带来的困难，利用特征提取等手段将这些数据转化为有用的信息，另一方面，更是需要从数据获取的前端设计中以价值需求为导向制定数据标准，进而在数据与信息流通的平台中构建统一的数据环境。

3、Bad Quality——低质性，即需要提高数据质量、满足低容错性

数据碎片化缺陷来源的另一方面也显示出对于数据质量的担忧，即数据的数量并无法保障数据的质量，这就可能导致数据的低可用率，因为低质量的数据可能直接影响到分析过程而导致结果无法利用，但互联网大数据则不同，其可以只针对数据本身做挖掘、关联而不考虑数据本身的意义，即挖掘到什么结果就是什么结果，最典型的就是经过超市购物习惯的数据挖掘后啤酒货架就可以摆放在尿不湿货架的对面，而不用考虑他们之间有什么机理性的逻辑关系;换句话说，相比于互联网大数据通常并不要求有多么精准的结果推送，工业大数据对预测和分析结果的容错率远远比互联网大数据低的多。互联网大数据在进行预测和决策时，仅仅考虑的是两个属性之间的关联是否具有统计显著性，其中的噪声和个体之间的差异在样本量足够大时都可以被忽略，这样给出的预测结果的准确性就会大打折扣。比如当我觉得有70%的显著性应该给某个用户推荐A类电影，即使用户并非真正喜欢这类电影也不会造成太严重的后果。但是在工业环境中，如果仅仅通过统计的显著性给出分析结果，哪怕仅仅一次的失误都可能造成严重的后果。

工业大数据面临的挑战

第一是数据搜集，要对来自网络包括物联网和机构信息系统的数据附上时空标签，去伪存真，尽可能收集异源甚至是异构的数据，还可与历史数据对照，多角度检验数据的全面性和可信性。

第二是数据存储，要达到低成本、低能耗、高可靠性目标，要用到冗余配置，分布和云计算技术，存储时对数据进行分类，并加入便于检索的标签。

第三是数据处理，利用上下文关联进行语义分析，现在关于上下文这种关联，也是一个国际上比较热门的一个领域。

第四是可视化呈现，目前计算机智能化有了很大的进步和发展，但是谈不到深层次数据挖掘，现有数据挖掘算法在行业中难以应用，就是我们谈到的智能之路进步很大，但还很遥远。

应用工业大数据的考虑因素

在我国大数据采集技术和处理技术不断优化的今天，相关的大数据处理技术结合了物联网的实时采集能力已经在我国更多领域之中展现了非凡的科技效果，特别是在我国工业领域之中专业的工业大数据处理技术为我国现代化工厂的建设带来了更好的技术保障，而工业企业想要实现转型更好的应用工业大数据则必须综合考虑如下因素：

1、注意大数据计划的完善程度

众所周知大数据处理技术结合了众多的技术类型和设计层面，因此企业想要利用强大的工业大数据来实现转型和变革，则必须要建立完善的分析基础和应用环境，消费者在选用工业大数据之前必须要考虑企业实施的基础环境是否适宜，并且经过专业的工业大数据机构进行全方位的分析提供可靠的发展基础才能够确保这种优质技术获得完美的落实。

2、注意分析应用后的实际效果

在应用大数据之前企业必须要对这种数据应用之后可能应对的情况和实际效果进行综合分析，通过品牌的工业大数据来确认数据采集和处理工艺能够满足企业的实际需求，在应用该种工业大数据之后能够为企业带来的实际经济效益和实际效果尤为重要，因此企业也可以通过工业大数据机构来进行全方位的测评来确保为技术使用奠定良好的基础。

应用工业大数据之前必须要进行基础环境和实际效果等多方面的考虑，分析工业大数据应用所能够带来的好处和困境才能够确保工业大数据的利用得以完美实现，也可以经过专业的工业大数据机构来进行更好的辅导确保该种技术的应用之下能够为企业的现代化管理带来更好的帮助。