典型的传统数据分析的数据模型通常是静态的，它在解决快速变化和非结构化数据方面的使用是有局限性的，当涉及到物联网时，通常需要确定几十个传感器的输入与迅速产生数百万个数据点的外部因素之间的相关性。
传统的数据分析需要基于历史数据和专家意见的模型来建立变量之间的关系，而机器学习从结果(比如节能)出发，自动寻找预测变量及其相互之间的关系。
一般来说，当你知道你想要实现的目标是什么，但你不知道实现这个目标需要哪些重要变量的时候，机器学习是非常有价值的，你给机器学习算法一个目标，然后它从数据中“学习”哪些因素对实现这一目标很重要。
一个很好的例子是去年Google在数据中心应用机器学习。数据中心需要保持低温，因此需要大量的能源才能使冷却系统正常工作(除非像微软一样将数据中心建在海底)。这对Google来说是巨大成本，所以目标是通过机器学习提高冷却效率。
因为有120多个影响冷却系统的变量(即风扇，泵速度，窗户等)，用传统的方法构建模型将是一项巨大的任务。相反，Google通过机器学习，将整体能源消耗降低15%。 在未来几年，Google将节省数亿美元。