随着新一代信息技术与制造业的深度融合，工业企业的运营管理，越来越依赖工业大数据。工业大数据的潜在价值也日益呈现。随着越来越多的生产设备、零部件、产品以及人力物力不断加入工业互联网，也致使工业大数据呈现出爆炸性增长的趋势。
工业大数据的价值体现
工业大数据是以工业4.0数据分析和特色收集为基础，对设备、装备的质量和生产效率，以及产业链进行更有效的优化管理，并为未来的制造系统搭建无忧的环境。它通过工业传感器、无线射频识别、条形码、工业自动控制系统、企业资源计划、计算机辅助设计等技术来扩充工业数据量。
从应用端来看，工业大数据的价值有以下几点：
第一，它能够以较低的成本满足用户的定制化需求;
第二，工业大数据分析使得制造过程的信息透明化，从而提高了效率，提升了质量，降低了成本和资源的消耗，实现了更有效的管理;
第三，工业大数据能够提供设备全生命周期的信息管理和服务，使设备的使用更加高效、节能、持久，并减少了运维环节中的浪费，提高了设备的可用率;
第四，它实现了全产业链的信息整合，让整个生产系统协同优化，使其变得更加动态灵活，进一步提高了生产效率。
此外，一提到大数据，人们首先会想到在互联网和商业等环境中，利用大量的行为数据来分析用户行为和预测市场趋势等应用。但是对工业大数据的定义和应用却很难直观地理解和想象，而工业大数据的挑战和目的则要通过“3B”和“3C”来理解。
工业大数据应用的“3B”挑战：
Bad Quality——在工业大数据中，数据质量问题一直是许多企业所面临的挑战。这主要受制于工业环境中数据获取手段的限制，包括传感器、数采硬件模块、通信协议和组态软件等多个技术限制。对数据质量的管理技术是一个企业必须要下的硬功夫。
Broken——工业对于数据的要求并不仅在于量的大小，更在于数据的全面性。在利用数据建模的手段解决某一个问题时，需要获取与被分析对象相关的全面参数，而一些关键参数的确会使分析过程碎片化。举例而言，当分析航空发动机性能时需要温度、空气密度、进出口压力、功率等多个参数，而当其中任意一个参数缺失时都无法建立完整的性能评估和预测模型。因此对于企业来说，在进行数据收集前要对分析对象和目的有清楚的规划，这样才能够确保所获取数据的全面性，以免斥巨资积累了大量数据后发现并不能解决所关心的问题。
Below the Surface——除了对数据所反映出来的表面统计特征进行分析以外，还应该关注数据中所隐藏的相关性。对这些隐藏在表面以下的相关性进行分析和挖掘时，需要一些具有参考性的数据进行对照，也就是数据科学中所称的“贴标签”过程。这一类数据包括工况设定、维护记录、任务信息等，虽然数据量不大，但在数据分析中却起到至关重要的作用。
工业大数据分析的“3C”目的：
Comparison(比较性)——从比较过程中获取洞察，既包括比较相似性，也包括比较差异性。比较的维度既可以是在时间维度上与自身状态的比较，也可以是在集群维度上与其他个体的比较。这种比较分析能够帮助我们将庞大的个体信息进行分类，为接下来寻找相似中的普适性规律和差异中的因果关系奠定基础。
Correlation(相关性)——如果说物联网是可见世界的连接，那么所连接对象之间的相关性就是不可见世界的连接。对相关性的挖掘是形成记忆和知识的基础，简单地将信息存储下来并不能称之为记忆，通过信息之间的关联性对信息进行管理和启发式的联想才是记忆的本质。相关性同时也促进了人脑在管理和调用信息时的效率，我们在回想起一个画面或是情节的时候，往往并不是去回忆每一个细节，而是有一个如线头一样的线索，你去牵它一下就能够引出整个场景。这样的类似记忆式的信息管理方式运用在工业智能中，就是一种更加灵活高效的数据管理方式。
Consequence(因果性)——数据分析的重要目的是进行决策支持，在制定一个特定的决策时，其所带来的结果和影响应该被同等地分析和预测。这是以往的控制系统所不具备的特性，也是智能化的本质。工业系统中的大部分活动都具有很强的目的性，就是把目标精度最大化，把破坏度最小化的“结果管理”。结果管理的基础是预测，例如制造系统中，如果我们可以预测到设备的衰退对质量的影响，以及对下一个工序质量的影响，就可以在制造过程中对质量风险进行补偿和管理，制造系统的弹性和坚韧性就会增加。
工业4.0的基础特征在于互联与高度融合，互联包括设备与设备、设备与人、人与人、服务与服务的万物互联趋势，高度融合包括纵向、横向的“二维”战略，它们的目标都是使设备数据、活动数据、环境数据、服务数据、公司数据、市场数据和上下游产业数据链等能够在统一平台环境中流通，这些数据将原本孤立的系统相互连接，使设备之间可以通行交流，也使生产过程变得透明。此外，由于企业的核心开始从“单点对多点”的数据中心模式转变成以用户为核心的平台式服务模式，从而形成了基于社区、以用户为核心的服务生态系统。
