不過大數據的特性除了容量規模，也不能忽略
多元性與即時性；舉快遞當例子，早期貨運公司沒有GPS的時代，司機各自負責一個區塊、壁壘分明，貨車使用率非常差，而GPS導入也促成了快遞公司數位轉型的第一步，透過GPS車隊管理，後台可清楚知道每一輛貨車來回程狀況，可以在回程中間視情況安排再去其他地方接貨，提升貨車使用率，而有了Google Map這一類的開放資料後，又可以更進一步加入行車時間、到達時間，更精準判斷，當有一收件的需求產生，除了考慮貨車距離，還可以加上車流量與行車路徑順暢度的判斷，而若再更進一度，還可以加入RFID追蹤貨車載送商品明細，以確認當有收件需求產生時，貨車是否有適合的空間可以接貨。
從以上的例子可以知道，大數據除了提到資料的容量與規模，多元的資料來源與即時性也相當重要，同樣的快遞行為，透過三層數據分析，競爭力就不同了，數據分析業者表示，
大數據的觀念與精神是在於「利用多重來源的數據去mix起來，做出最精準的分析。」所以不是數據夠「大」就有用，正確的流程是先找到「痛點」，或是根據公司的策略出發再來做數據蒐集與分析，
重點不是big data，而是mixed data，透過一圈一圈向外疊加的資料，數據分析成熟度才會顯現。
迷思二:不做DI，直接做BI與AI
大數據(big data)一詞乃是2010年正式被IBM所提出，諸如Amazon、Google、Facebook都是業績為數據所驅動的代表大廠，不過台灣企業在大數據應用上則大多都不成熟。
數據分析業界人士指出，最大的問題就在於，企業大多連Data intelligence，也就是最基本的企業端資料與客戶互動訊息分析都沒有，就想要一步跳去做BI與AI，殊不知，DI沒有好好整合是很難找出各項資料的關聯性，數據分析業內認為，在整個資料處理流程中，DI下的功夫應該要占到80%，不過這一部分處理需要非常有經驗，而且清楚知道產業domain know how，也要與企業策略連結。
資深業內指出，台灣在DI做的相對好的，包括電信、金融、部分大型製造業、IC設計公司，與一些知名航空公司，而據他的了解，國內知名化工大廠甚至會分析全球原物料、以及不同產業數據情報，找出各種數據與其產能、銷售的關聯性，藉此精準備料與製造，而不是去猜測產業淡旺季。
為什麼數據分析這麼重要呢?資深業內人士指出，透過資料存取與分析能了解未來趨勢，以及產業的面貌，更重要的是，「世界是平的，如果大家都取得相關資料，你不取得，競爭力就會下降。」
清華暨美光講座教授、大數據專家簡禎富在《工業4.0新戰略與發展路徑》報告中指出，「在工業4.0 的時代，單憑經驗和直覺的決策，已經不足以快速應付不斷的挑戰，要藉由大數據和軟硬體之上的各種應用系統的輔助，才能精準快速進行複雜的決策。」
數據分析業者指出，AI是一定要發展的趨勢，但台灣現在的問題在於DI大多都做的不扎實，甚至有產業誤以為可以直接套用美國或其他國外業者現有的AI模組，不過看看IBM華生在醫療產業的挫敗，業者指出，AI是無法複製的，不同企業發展出來的AI都是獨一無二的，而若底層DI沒有做好，最終AI出來的東西都不會純。
