与数据分析相关的两种最为常见的技术是人工智能与机器学习。然而，尽管两者都有助于过程应用中的数据分析，但到目前为止，依然不确定人工智能与机器学习实际上可以发挥多大的作用。
我们听到了很多关于人工智能与机器学习的最新应用，以至于只要涉及到部署数据分析的情形，很多厂商都称他们的产品拥有“机器学习”，因为看上去所有人似乎都对此类应用感兴趣。然而，实际上这些所谓“创新”的应用可能都是一些大同小异的事情。其原因在于，他们只不过是将先进的算法应用于数据集，而且很多人单纯地创建显示数据仪表板的代码，并将其称为人工智能或机器视觉。目前的问题在于，虽然很多用户购买了机器学习解决方案，但他们并不能很容易地找出实际需要的东西，因为需要进一步让数据更加清洁，并且更好地汇总。
为了避免形式主义，并实现实用的解决方案，良好的数据分析策略需要建立在更充分的准备基础上。例如，假设您的工厂有1000台可以提供数据的设备，那么您需要从一个良好的模型和一个中央数据存储区入手。但是仅将数据分析系统放在首位是不够的。如果您希望从两个混合罐进行温度测量，但它们采用不同的报告方式，那么您就需要一种统一的方式采集数据，从其历史记录中获取数据进行分析，整合外部数据源，并制定出需要更少人为干预和更高效率的决策。
为了获得更有效的数据采集和分析，用户不仅需要决定收集哪些数据，而且还需要确定数据的表现形式，所使用的标记结构和流程，目标使用者以及需生成哪些报告。如果不进行计划就开始收集所有的数据，那么数据最终可能会成为“噪音”。例如，每秒钟收集没有变化的温度数据，但不给出为什么或如何使用这些数据的理论依据，可能会带来大量的干扰信息。如果用户有现成的应用基础架构，那么启动数据分析计划为时不晚。然而，由于处理全厂或全局的分析计划有时是相当困难的，可以通过可行性研究来确定已有的数据，和需要的其他数据，以及如何调整基础设施以获得其最终想要呈现的数据。
一些专家建议可以在企业的小型运营区域执行试点分析计划，并对应用程序进行为期4到6周的调研。通过评估现有操作、网络架构、所需数据以及如何收集数据和可能识别的其他要求，有助于进一步完善和优化实施效果。重要的是，要与人们讨论他们想要的数据分析，需要什么样的报告，希望实现什么样的效果。如果他们的工厂是新建的，那么他们会有什么可用的资源。如果他们能够确定当前和期望的状态，以及如何实现这一目标，这将有助于确定试点研究应该包括哪些内容。
此外，一些基于云的服务更容易构建和维护，因此可以更轻松地获得数据分析和优化项目所需的处理能力。未来，如果数据分析可以完全循环，用户便可以从情境化的信息中受益，并且当其系统可以开始自行更改时，就会产生巨大的关联和收益。
在制造业中，许多数据分析方法和工具都是为了解决各种问题而开发的。由于机器学习和人工智能技术是在IT行业中先开发的，因此并不能简单地将其应用于工业和过程应用程序。不过，人工智能技术与工业应用领域的融合正在不断加速，尤其是在资产系统中的异常检测、工厂流程优化和过往故障根源分析等方面，都带来了很多具有可操作性的解决方案。