数据模型又叫黑箱模型，指基于数据的模型，相关的概念包括人工智能，数据挖掘，机器学习等。数据模型有几个不足，首先，得有大量的数据；其次，数据的分布必须合理；其三，分析方法得恰当，否则存在于数据之上的模型可能和事实并不吻合。数据建模的软件也很多，例如专业软件SAS，而Hadoop与Oracle也提供数据分析包，云计算服务商则提供物美价廉的计算服务，机器学习的研发人员可能还习惯用Python，R语言。还有很多计算工具，如Excel也是非常实用的工具，而Matlab提供非常丰富的机理仿真和数据分析工具。从人工经验，到数据分析，到机理规律，是对事物越来越理性的刻画。完美的建模过程，应该包括三个步骤。人工经验是模糊的，也是引发思考的；数据分析，已经在慢慢量化，初步揭示了事物之间的联系；深层次的机理规律才是真正揭示了事物因素间的必然联系。严谨的建模过程，最好是三者吻合，最起码是两者互相验证，互相补充，单纯依赖一种结果是可怕的。
例如，传感器装再多，也不可能无处不在，因为传感器需要成本，而且需要有合适的安装位置。合适的机理模型，加上传感器数据的验证（或者通过传感器数据确定机理模型的参数等，专业术语叫辨识），就可以获得空间、时间维度更完整的信息。
德国的优势在于人工经验和机理规律，弱势在于数据分析能力（德国人口少，信息技术和数据分析技术很难广泛频繁运用，所以数据分析技术并不发达）。所以德国的模型是基于机理规律的，是直观的。
日本的精益制造中，非常突出人工经验。而美国的优势在于数据分析和机理规律，弱势在于人工经验。美国NI公司的最新嵌入式控制器网络同步精度小于100ns，体现了美国人对数据的孜孜不倦的追求。TS16949质量体系，也体现了美国人对数据的钟爱，是早期工业化与信息化融合的优秀范本。
中国在数据分析上有一定的优势，弱势在于人工经验和机理规律，也就是专业软件。长期起来，各类专业软件都是盗版的。加上中国产学研脱节比较严重，很多大学的研究成果是无法深究的。如果建立合适的产学研通道，学校的老师和博士还是有能力的。研究成果无法深究，很多时候不是能力问题，而是和社会沟通不够，从论文到论文，没有把理论应用到实践。如何将院所研究与企业实践做到完美的融合，是当下中国智能制造急需克服的成果转化的事情。
综合起来，人工经验、机理规律和数据分析各有利弊。各个行业和公司，需要采用合适的建模方法，以最大程度提高公司和产品的核心竞争力。中国当下已经有非常低成本的获取工业数据的办法（得益于百度云、阿里云的飞速发展）。数据回来了，人工经验分析下曲线，也已经可以获得有意义的信息了；通过数据分析，即使是只用Excel，也可以解决很多问题。阿里云对于采集、存储与数据分析都非常低廉。建立统一的工业互联网也许痛苦，但子系统依靠仪表以及原有的控制系统，采集数据并不那么难。即使实在不行，还可以借鉴TS16949质量体系，采用表格，也可以回来有价值的数据。
工业化与信息化融合是智能制造的必经之路，打磨和应用这三把利刃是最大的基本功。
