无论哪种方式，企业都是主要的受益者-他们收集的数据将是无限的-但是他们将如何在拥有更多数据和拥有更多信息之间跨越鸿沟？他们将如何成功地将更多数据问题转化为新机遇？在大数据和物联网时代，众所周知但常常被误解的主数据管理（MDM）领域是为大量原始数据带来意义和见解的必不可少的工具。

随着物联网设备流式传输的数据量，智能地掌握这些数据并为与之相关的复杂关系网络提供上下文的能力变得越来越重要。例如，如果无法将数据连接到客户的订单上，则在运送途中的运输卡车上进行实时遥测几乎没有用。知道特定的交付是准时到达还是延迟的，是一个简单但必不可少的环节，可以防止服务问题或订单取消。

企业因大量数据涌入而遇到的另一个问题是，数据弊大于利。随着数据的增长，数据可能会变得不一致，从而给企业造成严重破坏。难以维护客户，产品和供应商数据的完整视图的企业可能会遇到客户满意度下降，错失交叉销售和追加销售机会的情况，并陷入潜在的法律问题。例如，当明年在欧盟实施《通用数据保护条例》时，公司将有责任删除其客户的数据-这意味着他们必须首先清楚地了解这些数据。

如果看起来像是常见的数据输入错误-意外的名字拼写错误，地址不完整，电话号码输入错误-仅在几年前才使系统受阻，请考虑仅在本月Amazon Web Services 因日常维护期间的输入错误而停机。这影响了成千上万家公司的文件共享和数据加载，虽然真正的效果仍然未知，但却引出了诸如以下的问题：如果医疗设备中的数据与错误的患者相关联会发生什么？当设想这种情况在大数据和物联网的更大扩散下跨所有领域成倍增长时，不难理解为什么《福布斯》（Forbes）估计低的客户满意度使公司每年损失620亿美元。

这些问题说明了为什么智能MDM将成为物联网时代的主要资产。传统的MDM系统是为单个域（例如客户或产品）而专门设计的。通过依靠植根于数十年历史的数据管理解决方案中的刚性模型结构和开发流程，他们现在不适合理解从互联网连接设备中流出的成熟“大数据”中复杂，相互联系的任务。

当今的MDM解决方案使用智能算法和基于规则的自动化来为用户提供各种级别的技术知识。它们既流畅又敏捷，可以同时灵活地解释多个数据域，并且随着数据的增长和数据集中关系的改变，可以随着时间的推移以迭代方式进行构建。这些系统可与各种传统系统进行互操作，从跨域的数据，实体和事件之间的关系继承和学习。