物聯網數據分析指對物聯網數據資產進行統一的管理、分析，助力物聯網企業實現數據化，通過數據分析產生更多的業務價值。
物聯網中的數據分析
數據的處理包括兩個方面：業務處理：通常來說，這樣的處理是根據數據完成相應的業務，通常來說是對每一條提交的數據做對應的處理。分析處理：通常是對所有的數據，或者具有某些共同特征的數據進行統計和分析。業務處理和具體的業務邏輯相關，我們這里就不涉及了。關于數據的分析，我們這里只是范范的介紹一下相關的概念和開源的實現。畢竟任何一個方面展開了講，都是一個很大的話題。
海量數據的分析物聯網的一個特征就是海量的數據。因此在進行數據分析的時候，我們面臨的主要的問題就是海量數據如何進行分析。其實這一部分在大數據中已經有了很多方案。其中最出名的就是MapReduce和Spark。
1. MapReduce
出現的就是MapReduce，其中最的就是Hadoop MapReduce。MapReduce的思路就是分而治之。將海量的數據劃分為多個數據塊，在每個數據塊上分別進行分析。這個過程稱為Map。然后將分析的結果合并起來，這個過程稱為Reduce。但是Hadoop MapReduce無法應對越來越復雜的分析需求，主要體現在計算模型過于簡單，以及多次落盤帶來的性能問題。2. Spark
為了解決Hadoop MapReduce的弊端，出現了Spark。Spark的計算模型是DAG （Directed Acyclic Graph， 有向無環圖）。同時，Spark會將數據保存在內存中，直到最后結果才會落盤，大大提升了效率。13.2 批處理和流處理無論是MapReduce還是Spark，最開始要解決的都是批量數據處理的問題。這種方式我們稱為批處理。通常來說，批處理的特點是吞吐量大，但是延遲長。這種處理方式能夠應對很多場景，但是也有很多場景是應對不了的，尤其是對延遲要求比較高的場景，例如個性化的廣告、商品推薦等待。這些場景也有一些共同的特點：會不斷的收到數據（或者說數據會不斷的“流入”系統中）要求能夠快速的分析處理數據，快速的返回結果。（實時計算）因此，這樣的處理方式被稱為“流處理”。目前業界使用的泛的流處理框架包括：
2.1. Storm
流處理的代表性框架是Storm。Storm提出了Stream的概念，一個Stream就是元組（Tuple）的無限序列。這些Tuple從Spout（噴嘴）中流出，經過一個個bolt（螺栓）的處理，最終得到我們需要的結果。如下圖所示：
image其實從上圖中也可以看出，Storm的拓撲結構，也是一個DAG。
2.2. Spark
不是說Spark是批處理嗎？怎么變成了流處理？Spark中也提供了Spark Stream用來做流處理，但是本質上還是批處理，只不過是將海量的數據劃分為一小塊一小塊，當每一塊都足夠小的時候，就變成流處理了。（感覺在說微積分 :-) )。這種方式被稱為“微批處理”。
2.3. Flink
Spark通過“微批處理”的方式模擬了流處理。那么有沒有同時支持批處理和流處理的框架呢？答案是Flink。Flink出現的比Storm和Spark要晚一些，它最初是為了解決流式處理問題的框架，但是它將數據塊作為一種特殊的數據流，提供了批處理的能力。
優勢
低成本存儲&分析
低成本的海量數據存儲能力，可存儲102年數據，滿足對歷史數據分析需要
IT/OT數據融合
業務數據可方便連接，融合設備數據，構建物聯網數據價值
多樣的分析能力
支持時序分析/流分析等多樣的數據分析能力，滿足物聯網的復雜分析需要
簡單的分析操作
通過拖拽、可視化等方式，讓運營同學也能輕松分析物聯網數據
豐富的可視化能力
與IoT Studio深度無縫打通，可滿足物聯網場景的所有可視化展現需要
功能
低成本存儲&分析
低成本的海量數據的存儲計算能力，滿足對物聯網歷史數據的分析存儲需要
物聯網數據資產
全面管理物聯網數據資產，從設備數據到業務數據，并且提供底成本的存儲方案。
物聯網數據分析
時序分析、物分析等多種分析能力，配合簡單操作，運營同學也能輕松使用
物聯網數據開發
離線、實時數據開發能力，可完成IoT數據的深入加工分析
