对于车企来说，如果说过往把注意力更多投到技术的获取和应用上，那么现在是时候把聚光灯打向信息本身了，这是一个大规模生产、分享和应用数据的新时代。
2008年，《连线》杂志主编安德森语出惊人：“数据爆炸使得科学的研究方法都落伍了。”为了进一步阐明自己的观点，他随后又在《拍字节时代》的封面故事中讲到，大量的数据从某种程度上意味着“理论的终结”。安德森的这一系列言论迅速引发业内外的广泛热议，其中也有不少持怀疑论者，但是汽车业早已用实际行动在探索着如何更好的开发这个“大数据”金库。
从2000年起，UPS国际快递公司就开始使用预测性分析手段来让自己从“大数据”中获益。该公司在全美有60000辆规模的车队，以往UPS每两三年就会对旗下车辆的零部件进行统一更新换代，这也是大运输集团的国际通行模式。但是UPS后来发现，这种做法效果很差，因为有的零部件还没出什么毛病就被强制换掉了，这其实是一种巨大的浪费。所以他们通过在车辆的各个部位安装传感器来实时监测零部件的运行情况，因为零部件某个部位要出故障往往不是瞬间的，而是有一个过程，传感器的作用就是可以预先捕捉到要出故障的信号，然后及时进行防御性修理，避免了车辆抛锚等待救援的巨大花费，也消除了不必要的快递运输延误现象。
随后，UPS又利用地理定位数据和以往累计的行车数据来实现最佳的路径指导，让货车“减少左转”次数，实现最短距离行驶。后来的数据显示，仅2011年一年，UPS的驾驶员少跑了近4828万公里的路程，节省了300万加仑的燃料并且减少了3万公吨的二氧化碳排放量，因为只更换需要更换的零部件，每年可节省好几百万美元的花费。
UPS的预测性分析模式后来被不少大型工厂效仿，因为在大型工厂的制造车间，一旦运行设备的某个零部件出了问题，厂家往往就得停止整个生产流程，在检查和分析出问题所在并更换了具体零部件后才恢复生产，这个过程既影响了效率，也会容易因为工程人员忽略了某个小零部件的质量而最终生产出有问题的批次性产品。这些工厂后来还发现，其实安装传感器进行收集和分析数据的花费比停产的损失小得多。
