在瞬息万变、竞争激烈的全球市场，企业需仔细考虑数据在哪里里及如何将数据转化为商业价值，以强化营运、改善客户体验。有时数据和分析需集中处理，如储存在云端的数据；有时营运决策则需立即进行，因此集中式方案无法提供分析，而需要导入边缘分析。
据Automation World报导，边缘分析发生在营运网络边缘或附近，通常亦称为分布式分析或边缘运算。然而，由于成本、复杂性、安全性和技术障碍等综合因素，直到最近仍无法在行业边缘进行分析。
但情况正在改变，数码化正在所有工业环境中发生。棕地基础设施正在借助增设传感器和闸道器等设备来增加智能，新的基础设施则能透过嵌入式软件和智能设备实现数码化。
美国顾问公司ARC Advisory Group研究主管Michael Guilfoyle表示，随此变化的发生，市场焦点已从集中式的大数据和分析，转向边缘数据管理和分析。这点很合理，因为物联网(IoT)边缘设备及其相关数据已大增，而且将持续下去。
但过度依赖设备及相关数据的边缘分析，忽略了工业企业可获得的一些最有价值的数据和见解，即操作数据(operational data)及流程知识。
传统上，采用分层结构来撷取、存取和传递整个企业的数据，但在使用数据上存在很多限制。早在互联网之前，此数据结构就已存在。随着互联网成为商业和营运环境中无处不在的一部分，这种传统的数据结构正在被取代。
企业现在开始看到更全面的数据和分析的价值。这种改进的观点包括集中式处理，例如在云端中，并且无缝地延伸到营运边缘。由于企业领导者苦于处理爆炸式成长的数据，将云端运算视为相关数量、速度和复杂性问题的解决方案。
云端方案可将复杂和大型数据集与先进的分析技术相结合，带来能解决问题的庞大运算能力。例如，将机器学习应用于声学数据以预测资产故障；集成文本分析以优化流程，或使用图象分析进行产品保证。
而为因应云端应用的不断成长，企业边缘的概念被定义为企业营运环境的最远延伸，无论是实体基础设施、分布式营运点还是客户互动。边缘分析则将数据处理和运算扩展到数据源或其附近。在工业营运中，边缘执行的分析通常支持提升效率、可靠性、意外停机时间、安全性和客户体验的战术用例。
在考虑边缘分析的数据时，常见的误解是它们仅包含串流数据，即基于输入源的时间标记。而其背后构想是联机、自动化、边缘分析和工作流程自动化的组合，是从数据中获取价值的关键。
尽管这是正确的，但仅描述工业物联网（IIoT）策略中的部分情况。缺少的是对操作过程及其相关数据的价值的理解。这些数据通常是由主题内容专家(Subject Matter Expert；SME)产生和撷取，因此常包含高价值的信息。
操作数据，特别是在边缘产生的数据，通常未获充分利用。除非存在正式流程，否则这些数据很少被系统化为营运数据库的部分来源。除了营运数据，SME还了解营运流程和最佳实践。这些高价值的员工具备如何操作设备、执行维护和确保安全程序的具体知识。
例如，原油工程师就很了解精炼过程中的原油类型对设备故障的影响。当然，这种智能产权非常宝贵，企业担心会在工人退休或跳槽时跟着离开公司。
好消息是，现在已有技术能对数据进行数学建模，并在分析后取得这些专业知识。而此流程知识可透过操作和IIoT数据来增强，知识和数据的融合可用来推动IIoT策略所需的优化决策流程和设备性能。
