虽然数据本身是客观存在的，但是它的范畴是随着文明的进程不断变化和扩大的。在万物互联时代，大数据的几个重要特征将会被成倍放大，并最终形成特殊的应用场景及商业模式。

　　数据的体量将会成倍增加

　　正如移动互联网时代，核心网络节点从PC转换为人一样，在万物互联时代，无数的物理硬件将成为核心网络节点，数据来自无数自动化传感器、自动记录设施、生产监测、环境监测、交通监测、安防监测等;来自自动流程记录，刷卡机、收款机、电子不停车收费系统，互联网点击、电话拨号等设施以及各种办事流程登记等。由于连接数的增加，不间断的数据收集、存储、回传，以及更高清的图片和视频应用，都会让数据的体量有惊人的爆发。

　　比如Google街景服务，每辆车每天产生的数据将达到1TB，加入分三个拷贝，一年就是1PB，而目前最大容量的存储硬盘不过是10TB。

　　在万物互联的场景下，每天都会有大量的终端在进行类似Google街景这样的数据回传，而大数据的理念，要求数据尽可能庞大且非刻意收集。

　　伴随着物联网技术的成熟，产业的爆发，各种随身设备、物联网和云计算、云存储等技术的发展，万物都将被联网，物的所有轨迹都可以被记录，一切皆被数字化，因此产生的数据可以想象，比之今天，会有多大量级的增加。数据存储、数据计算与挖掘技术，都将成为万物互联场景下大数据应用的核心能力。

　　数据的及时性特征将会被放大

　　在互联网甚至是移动互联网时代，数据的及时性并没有那么重要，大量的统计结果是基于过往数据的挖掘而产生的，这些不及时的数据意义也是非常巨大的。Google利用不同地区人们的搜索习惯，成功预测了流行疾病的爆发。Facebook利用网民在无压力情况下浏览网页、评论、点赞、社交言论的情况，成功预测了美国各州总统大选的结果。这些都属于利用过往大数据的成功应用案例。

　　但是在万物互联场景下，由于物联网可以实现微量数据的不间断回传，人们对于数据的及时性需求将越来越旺盛，无等待服务将被更多的行业提供，从而产生更多的应用场景。

　　比如在智慧交通上，百度、高德等地图厂商，已经可以通过智能手机的数据回传，动态监控整个城市的交通情况，从而为用户提供实时的路况信息。目前这种路况信息已经取代了传统的交通广播模式，能够实现个性化地关注出行路线的路况，并根据交通情况，自动设计、自动更改。

　　目前，在物联网应用领域，缺乏一个类似iPhone之于移动互联网一般里程碑的产品。而大多数人都将此寄希望于无人驾驶，因为人类如果能将汽车这样一个工业时代最重要的个人产品进行智能化、数字化，那么将极大带动其他产业物联网化发展。而无人驾驶的前提，除了提前将整个街区数字化以外，不间断的数据回传也非常重要。在物联网环境下，随着车与更多物品连接起来，将会形成更大范围的网络效应，交通这个生态也将进一步丰富起来。

　　而在车联网普及方面，也许到来的速度要比我们想象的还要快一些。欧盟已经提出打造数字化大市场，首先在车联网领域进行突破，2018年3月31日开始，所有的汽车必须配备ecall装置，每个ecall设备中需要放入SIM卡。欧洲运营商Vodafone，自建并运营了全球第三大M2M平台(GDSP)，确保M2M SIM 卡在全球无缝漫游，保证持续使用。截至2016年第一季度，Vodafone M2M连接数超过2000万，收入增速达到21%。到2019年，M2M计划新增覆盖50个国家，覆盖全球90%以上区域。

　　数据的完备性将得到极大提升

　　在大数据时代，数据格式变得越来越多样，涵盖了文本、音频、图片、视频、模拟信号等不同的类型;数据来源也越来越多样，不仅产生于组织内部运作的各个环节，也来自于组织外部。

　　例如，在交通领域，北京市交通智能化分析平台的数据来自路网摄像头/传感器、公交、轨道交通、出租车以及省际客运、旅游、化危运输、停车、租车等运输行业，还有问卷调查和地理信息系统数据。

　　4万辆浮动车每天产生2000万条记录，交通卡刷卡记录每天1900万条，手机定位数据每天1800万条，出租车运营数据每天100万条，电子停车收费系统数据每天50万条，定期调查覆盖8万户家庭等，这些数据在体量和速度上都达到了大数据的规模。

　　数据的完备性，尤其是跨界数据的交叉运用，将会产生意想不到的应用场景。亚马逊正是此中高手，更加完备的数据，让亚马逊在个性化推荐的时候，并不用如沃尔玛一样思考为什么买啤酒的用户会买尿不湿，他们只是通过统计学发现数以百计的类似关联现象，配合更多诸如年龄、消费习惯、性别等标签数据，将结论直接用于精细化营销。

　　总 结

　　物联网大数据的故事还有很长很长，数据的爆发只是一个开始，我们如何收集海量的数据，如何储存，如何设定算法，如何运用机器智能实现自动运算，如何将运算的结果用于预测未来或者更多的商业场景，最后如何确保我们的数据安全。

　　这里的每一个步骤，都是一个细分领域，我们在大数据应用的路上才刚刚起步。