物聯網為獲取實時數據提供了一個經濟高效的途徑。盡管數據在分析時被認為是有價值的，但潛在的、并且可以隨時間積累的數據量之大令人望而生畏。許多人都聽說過大數據，但對于那些利用實時數據來產生真正業務價值的人來說，這一術語可能不太適用。

人們很容易將物聯網和大數據的概念結合起來。物聯網當然可以產生大量數據，因為許多人設想數十億臺連網設備不斷將大量數據注入云端的數據湖。然后呢?面對如此“大”的數據問題，人們擔心自己會陷入困境，這就提出了一個問題，即是否應該繼續追求物聯網解決方案。

大數據問題并不是物聯網要解決的唯一問題。物聯網非常適合解決您的“小”數據問題。

大數據通常與數據挖掘、人工智能、機器學習、預測分析和其他處理密集型練習相關聯，這些訓練習側重于從隱藏在大數據集內的模式中獲得見解。換言之，如果不深入研究數據，這些見解可能無法從數據表面輕易看出。可用的歷史數據越多，從大量數據中獲得深刻見解的潛力就越大。

另一方面，“小”數據可以代表有限的數據池，無需進行深度處理即可提供見解。接下來，我們將探討物聯網為何是解決“小”數據問題的關鍵的3個原因。

1. “小”數據解決了當前正在發生的問題

“小”數據的一個簡單示例是告訴您當前正在發生什么事情。例如，實時數據可以告訴您設備、機器或系統當前正在做什么。實時查看當前機器的運行情況，可以洞悉影響運行的實際故障。知道一臺設備、機器或系統什么時候停止工作，難道對您沒有幫助嗎?

在一個簡單例子中，在正常情況下(例如，在長時間的暴雨期間)不運轉的抽水泵將立即向設施管理團隊發出警報，通知抽水泵可能發生故障。實時物聯網數據提供了抽水泵開/關操作的可見性，從而解決了一個即時的“小”數據問題。通過大數據深入了解可能有助于確定抽水泵的預測性維護，但解決最直接的運行問題(抽水泵故障)并不需要這些見解!

在許多情況下，少量的數據足以解決巨大的運營挑戰。

2. “小”數據不需要高級分析

對許多人來說，“分析”一詞通常意味著高級指標和固有的復雜性。這種感知偏差是“分析”與大數據融合的部分原因。大數據肯定會利用分析，而小數據也不會例外。

同樣，許多人從大量數據的角度考慮大數據。大量數據可以從單臺機器的大量歷史數據(大數據)中獲取，也可以從每臺機器的最新數據(小數據)中獲取。例如，通過分析一臺機器的三年數據模式，可以獲得大數據見解，而通過分析一組機器的一周數據狀態和條件，可以獲得“小”數據見解。

“小”數據也可以產生簡單而強大的分析結果，例如(a)一臺機器在過去24小時內運行了多少次?(b)最近24小時內機器最長的工作周期是多少?(c)在過去的24小時內，機器平均消耗了多少能源?對這些“小”數據關鍵績效指標中的任何一個或多個進行目視檢查，將提供對潛在問題的操作見解。

對于那些熟悉機器的專家(例如，設施管理人員)來說，當前和最近機器操作的“小”數據可見性，將在對“小”數據進行目視檢查時能夠立即提供見解。

3. “小”數據可以利用現有基礎設施

物聯網可以在不同的規模層次上解決問題，從針對性到全面性。從“小”數據的角度來看，物聯網僅可根據需要捕獲所需數量的運營數據。無需對數據收集基礎設施進行全面改革，直接從現有設備獲取運行數據將極大地減少總體項目支出并最大限度地提高回報。(來源物聯之家網)例如，改造后的物聯網解決方案可以數字化關鍵的暖通空調設備，如冷卻塔、冷水機組、RTU、AHU等。從暖通空調設備的“小”數據中獲得操作見解將大大提高效率并節約成本。

物聯網特別適合于在可能的范圍內充分利用現有基礎設施，以提取在該情境中所需的“小”數據。重點應放在獲取正確的傳感器數據以獲得運營見解，而不是獲取所有可能的傳感器數據。將正確的傳感器數據傳遞給正確的中小型企業比從IT部門角度解決數據架構模型更為重要。不要讓大數據思維干擾您的物聯網項目。

更重要的是，不要讓您的“小”數據項目變大。