物聯網可以成為這些組織的數據源。但是關鍵不僅在于確定這些新數據來源，而且還在于實施正確的分析工具以將所有數據轉化為可操作的見解。

 

舉個例子：美國郵政總局估計，通過在車輛上安裝物聯網設備來收集引擎狀況等數據，每年可以節省7000萬美元。這樣，他們就能在問題導致昂貴的故障之前找出它們。

 

美國郵政總局經營著世界上最大的民用車隊，每年大約行駛15億英里。這意味著這些車輛非常適合收集有關道路狀況的信息——不僅是坑洼和裂縫的地方，而且也是郵政車頻繁突然剎車的地方，這表明道路有問題。

 

美國郵政希望與智慧城市共享其部分物聯網數據，因為智慧城市可以利用這些數據來擴大其交通預算。一個例子是查明需要增加車道或交通信號燈的道路，或者識別哪些路面出現了坑洼。還有潛在的副作用，例如，更少的交通堵塞意味著更少的污染和更健康的公民——這是大多數智慧城市倡議的兩個主要目標。

 

分析不同來源的物聯網數據可以發現更多見解。假設市政當局可以獲得車輛物聯網數據、公共衛生數據(如哮喘病例)以及來自城市一氧化碳/二氧化碳傳感器的數據。有了正確的分析工具，該城市現在就可以準確地了解污染水平如何影響某些社區，甚至可以了解社會成本，如殘疾索賠和因呼吸道問題導致兒童缺課的低考試分數。（來源物聯之家網）該城市還可以引入非結構化數據，如市民在社交媒體上發布的關于交通、污染、貧困和健康的帖子。

 

隨著內部和外部數據源數量的增加，挖掘這些數據源以找到見解的挑戰也隨之增加。這就是為什么智慧城市、企業和其他組織越來越多地轉向語義技術的原因，這種技術消除了傳統的、耗費時間和資源的流程，例如查詢多個數據庫以尋求答案。