工業大數據相對商務大數據更難判斷之處
如今工業界重視數據分析早已不是新鮮事了，人們很早就希望通過數據發現客觀規律、優化生產過程。對數據挖掘的價值，一種流行的觀點是：當企業競爭進入白熱化、所有手段都已用盡時，數據挖掘提供了半步的可能。與現在的觀點相比，這個認識是相當低調的。當然，低調背后是有原因的，因為業界真正成功的案例其實非常少。現在關于大數據的流行觀點，幾乎都是針對商務大數據的。然而，許多觀點可能并不適合工業界。工業大數據相對商務大數據更難判斷之處大概總結如下幾點：
1、分析難度高。工業系統往往是復雜的人造系統，包含大量復雜的前饋和反饋環節。這意味著，變量間的相關性往往不是自然的因果關系。這個問題很容易誤導分析和決策的過程。另外，工業數據的信噪比往往比較低，分析結果很容易出現嚴重偏離事實的畸變（即所謂的有偏估計）。
2、對分析結果的質量要求高。工業界對分析結果的精度和可靠度要求高。如果將不可靠、不的分析結果用于指導生產，不僅不能創造價值，甚可能導大的損失。與之相比，在許多商務大數據的應用場景下，即便分析錯誤，損失也不大。
3、相關性包含的信息少。在商務大數據中，數據之間的“相關性”本身往往就具有很大的參考價值，而在工業體系中則未必是這樣。
4、可發現的新知識少。一般來說，發現新知識是大數據分析的一個重要目的。然而，在工業領域，人們對生產過程的研究一般比較深入，專業知識也很豐富，很難從數據中發現新的知識。與之相比，商務活動的大數據分析往往涉及人的喜好，這些恰恰是過去難以量化研究的，故而大數據的含金量高。
很多企業急于搭上“工業大數據”這趟快車，然而在現實中遇到了很多的困惑。人們似乎都認為數據的作用很大，但從事過工業數據分析的人往往有這樣的體會：分析過程往往達不到預想的目標，數據似乎并不是傳說中的金礦，工業大數據之路還值得我們更加深思。
測試儀器引申閱讀：鐵素體測試儀、超聲波探傷儀。
