تعداد دستگاه های متصل به اینترنت به میزان زیادی افزایش یافته است. شبکه‌های فناوری اطلاعات سنتی برای چنین بزرگی از دستگاه‌های شبکه آماده نیستند. با این حال، فراتر از خود معماری شبکه، به داده‌هایی که توسط این دستگاه‌ها تولید می‌شوند توجه کنید. اگر تعداد دستگاه‌ها فراتر از اعداد متعارف است، مطمئناً داده‌های تولید شده توسط این دستگاه‌ها نیز باید به طور جدی مورد توجه قرار گیرند. در واقع، داده‌های تولید شده توسط حسگرهای اینترنت اشیاء یکی از بزرگترین چالش‌های ساخت یک سیستم اینترنت اشیاء است.

در مورد شبکه‌های فناوری اطلاعات مدرن، داده‌های به دست آمده از یک رایانه یا سرور به طور معمول توسط مدل ارتباطات سرویس‌گیرنده/سرویس‌دهنده تولید می‌شوند و نیازهای برنامه‌ی کاربردی را برآورده می‌کنند. در شبکه‌های حسگر، بخش عظیمی از داده‌های تولید شده بدون ساختار و به تنهایی کاربرد بسیار کمی دارند. برای مثال، بخش اعظم داده‌های تولید شده توسط یک کنتور هوشمند چیزی جز داده‌های پرس‌وجو نیستند؛ سیستم ارتباطات به سادگی تعیین می‌کند که آیا اتصال شبکه‌ای به کنتور همچنان فعال است یا خیر. این داده‌ها به تنهایی ارزش بسیار کمی دارند.

ارزش واقعی یک کنتور هوشمند، داده‌های اندازه‌گیری خوانده‌شده توسط سیستم مدیریت اندازه‌گیری (MMS) است. با این حال، اگر به داده‌های خام از یک دیدگاه متفاوت نگاه کنید، این اطلاعات می‌توانند بسیار مفید باشند. برای مثال، یک شرکت تأمین‌کننده‌ی برق ممکن است میلیون‌ها کنتور را در کل منطقه‌ی تحت پوشش خود داشته باشد. اگر بخش‌های کلان شبکه‌ی هوشمند شروع به نشان دادن قطعی اتصال به کنتورها کنند، این داده‌ها را می‌توان تجزیه و تحلیل کرد و با منابع دیگر داده، مانند گزارش‌های هواشناسی و تقاضای برق در شبکه ترکیب کرد تا تصویری کامل از آنچه در حال وقوع است ارائه دهد. این اطلاعات می‌تواند به تعیین اینکه آیا قطع ارتباط با کنتورها واقعاً به معنای قطع برق است یا اینکه مشکل دیگری در شبکه به وجود آمده است، کمک کند. علاوه بر این، تجزیه و تحلیل این داده‌ها می‌تواند به شرکت تأمین‌کننده‌ی برق کمک کند تا به سرعت وسعت خاموشی سرویس را تعیین کند و اختلال را به موقع برطرف سازد.

در اکثر موارد، محل پردازش خارج از شیء هوشمند است. یک مکان طبیعی برای این فعالیت پردازش، ابر (cloud) است. اشیاء هوشمند نیاز به اتصال به ابر دارند و پردازش داده به صورت متمرکز انجام می‌شود. یکی از مزایای این مدل، سادگی است. اشیاء فقط باید به یک برنامه‌ی کاربردی ابری مرکزی متصل شوند. آن برنامه‌ی کاربردی به تمام گره‌های اینترنت اشیاء دسترسی دارد و می‌تواند تمام تحلیل‌های مورد نیاز امروز و آینده را پردازش کند. با این حال، این مدل همچنین محدودیت‌هایی دارد. 

با افزایش حجم داده، تنوع اشیاء متصل به شبکه و نیاز به کارایی بیشتر، نیازهای جدیدی پدیدار می‌شوند و این نیازها تمایل دارند تحلیل داده را به سیستم اینترنت اشیاء نزدیک‌تر کنند. این نیازهای جدید شامل موارد زیر هستند:

کاهش تأخیر: میلی‌ثانیه‌ها برای بسیاری از انواع سیستم‌های صنعتی اهمیت دارند، مانند زمانی که سعی می‌کنید از تعطیلی خط تولید جلوگیری کنید یا خدمات برق را بازیابی کنید. تجزیه و تحلیل داده‌ها در نزدیکی دستگاهی که داده‌ها را جمع‌آوری کرده است، می‌تواند تفاوت میان جلوگیری از فاجعه و خرابی متوالی سیستم ایجاد کند.

حفظ پهنای باند شبکه: سکوهای نفتی فراساحلی به صورت هفتگی 500 گیگابایت داده تولید می‌کنند. هواپیماهای مسافربری تجاری برای هر 30 دقیقه پرواز 10 ترابایت داده تولید می‌کنند. انتقال حجم عظیمی از داده‌ها از هزاران یا صدها هزار دستگاه لبه‌ای به ابر عملی نیست. همچنین ضرورتی ندارد زیرا بسیاری از تحلیل‌های حیاتی به پردازش و ذخیره‌سازی در مقیاس ابری نیاز ندارند.

افزایش کارایی محلی: جمع‌آوری و ایمن‌سازی داده‌ها در یک منطقه‌ی جغرافیایی وسیع با شرایط محیطی متفاوت ممکن است مفید نباشد. شرایط محیطی در یک منطقه باعث ایجاد پاسخی محلی می‌شود که از شرایط سایتی که صدها مایل دورتر است، مستقل است. تجزیه و تحلیل هر دو منطقه در یک سیستم ابری مشابه ممکن است برای کارایی لحظه‌ای ضروری نباشد.

همانطور که در شکل زیر نشان داده شده است، مدیریت داده در سیستم‌های سنتی فناوری اطلاعات بسیار ساده است. نقاط پایانی (لپ‌تاپ‌ها، چاپگرها، تلفن‌های IP و غیره) از طریق یک شبکه‌ی مرکزی IP با سرورهای موجود در مرکز داده یا ابر ارتباط برقرار می‌کنند. داده‌ها به طور کلی در مرکز داده ذخیره می‌شوند و لینک‌های فیزیکی از دسترسی به هسته معمولاً پهنای باند بالایی دارند، به این معنی که دسترسی به داده‌های فناوری اطلاعات سریع است.