物聯網平臺的價值在于對海量數據進行分析計算處理，從而進行終端節點設備管理并進行業務建模幫助決策。因此節點網絡越大產生的數據量也就越大，如果將所有的原始節點數據全部傳送給平臺終端處理，不僅會導致信息傳輸效率緩慢，同時還會導致云端平臺數據處理量級過高。

正是因為大量的冗余數據產生，造成不必要的資源浪費，因此借助邊緣計算在節點進行數據的初步篩選處理，比如異常檢測以及進行預測性維護，從而更好的實時、快速分析數據提升物聯網平臺的效率。

一個典型物聯網系統要維持正常工作，就要在反饋回路中不斷發送、接收和分析數據。而分析既可以由人進行，也可以由人工智能和機器學習（AI/ML）代勞，邊緣計算可以在用戶或數據源的物理位置或附近進行計算，從而降低整個物聯網節點間的數據延遲節省帶寬。甚至可以物聯網網關可以將數據從邊緣發回云端或集中式數據中心，或者送到邊緣系統進行本地處理。

物聯網需要擁有更接近物理設備或數據源實際位置的計算能力。為了能夠快速對物聯網傳感器和設備生成的數據進行分析，從而加速響應或解決問題，人們需要在邊緣進行分析，而不是將數據傳回中央站點再進行分析。

邊緣計算能夠充分利用物聯網設備創建的海量數據，通過將分析算法和機器學習模型部署到邊緣，從而實現數據的本地處理并將它們用于快速決策，甚至對數據進行整合，再由平臺中心進行進一步處理或長期存儲。