工业4.0的两个主要方面是连接和分析。在工业数字化转型中，连接性通常被视为实现分析目的的手段，从而更好地为工业业务的开展方式提供信息。
虽然大多数人都很清楚工业分析技术的目的是什么(例如，将工厂系统和设备产生的数据转换为直接应用，以改善运营和决策)，但这就是清晰度的终点。除此之外，“分析”的定义可以有很大的不同——尤其是在不同的技术供应商之间。
提供工业分析软件的Seeq公司的迈克尔•里斯表示，“分析”一词可以指从数据可视化、机器学习、商业智能到仪表板和关键绩效指标的任何东西。Risse认为，无论如何定义分析，最重要的问题是从数据中获得洞察力的压力。
Risse说，在这种背景下电子表格,作为行业长期以来首选的分析工具，它无法胜任对工业物联网和工业4.0项目创建的越来越大的数据集进行高级分析的任务。需要很长时间才能发现的见解(电子表格往往就是这种情况)，因为它们不容易发布并与他人分享而变得萎靡不振。尽管电子表格在过去30年里一直是制造业分析工作的支柱，但在未来30年里，电子表格将无法满足需求。数据太多，工程专业人员太少，对改进电子表格分析的洞察力的需求太多，这是主要的解决方案。
从这个角度来看，Risse认为工业公司在寻求超越电子表格作为数据分析的主要来源时应该注意三个趋势。
第一个趋势是通过自助服务分析对员工授权的认可。Risse表示，电子表格作为主要分析工具取得成功的原因是，知道该问什么问题的员工可以使用它们。所以，如果你缺乏工厂车间的专业知识，你可能不知道该问什么问题。
“工程师是最重要的分析用户群体，”Risse说。“他们拥有工厂和工艺所需的经验、专业知识和历史。自助服务分析使工程师能够在应用程序级别工作，具有生产力、授权、交互和易于使用的优点。然而，在未来，分析用户的范围将从工程师扩展到操作员、管理人员和会计师——所有这些人都将受益。
Risse提到的第二个趋势是高级分析的出现。他说:“这类新的分析表明，将认知计算技术纳入到可视化和计算产品中，这些技术已经使用了多年，可以加速最终用户的洞察力。”“机器学习和其他分析技术的引入加速了工程师在寻找相关性、聚类或任何其他过程数据的大海捞针分析时的工作。这些功能建立在多维模型上，并通过收集来自不同来源的数据，工程师的分析能力得到了数量级的提高，类似于30年前从纸笔到电子表格的转变。”
Risse强调的第三个趋势是分析向云的转移。他说:“分析工作负载特别适合这种迁移，因为大多数用例需要云提供的可扩展性、敏捷性、上市时间和降低成本。”
虽然这种将分析转移到云端的趋势仍处于起步阶段，但Risse指出，一些行业在这方面走在了前面。他指出，微软、亚马逊和谷歌都特别关注石油和天然气行业，并将其作为目标云分析工业应用的起点。
为了提供一些真实的环境来支持他对这些发展趋势的看法，Risse举了一个化学公司的例子，该公司选择了一个运行在云中的基于浏览器的高级分析应用程序，通过安全的HTTPS连接和远程连接代理连接到其内部部署的数据。他说:“该解决方案在几小时内就部署好了，并且可以访问，数据保持在原来的位置，可以在几天而不是几个月的时间内获得洞察力。”“另一种选择是将云作为从远程或工业物联网端点收集的数据集的目的地。这是一个更自然、更容易的选择，而不是试图将数据从运营商和无线系统重新路由到IT系统，然后再到云。在这种情况下，最终用户可以通过在云中运行分析或通过远程连接到基于云的数据在内部运行分析解决方案来访问数据。”
工业公司的另一个选择是使用基于云的分析软件来访问多个站点。这种应用有助于跨植物比较产量和质量分析。Risse补充说，它也可以作为一个简单的远程连接，用于偶尔的查询和比较，这取决于最终用户的频率和要求。
Risse指出，在这些场景中，监控数据可以通过将分析解决方案连接到其他数据源(历史记录或制造执行系统)来进行补充或上下文化，以获得所有数据的完整视图。
