维护工作做得好不好，很多时候不是看大修，而是看平时有没有把小问题处理掉。误区一在于简单地把物联网感知设备越多越好，布点密度高就能自动提升全局效率。没有明确业务需求与数据治理前提的扩点，常带来数据冗余和运维压力。为什么错：数量并不能等同于价值。

点多会增大数据采集、传输、存储和分析的压力，容易让告警崩塌；不同场景需要不同传感器组合，盲目追数量会削弱核心用例的可用性。正确做法：以场景驱动感知点的确定，优先覆盖关键环节；建立数据字典、统一时序、制定轮询和告警阈值的标准；

评估投入产出比，避免单点扩张造成系统复杂度上升。另一个误区：追求数据量而忽视数据质量与治理。海量数据若缺少标注、缺失值处理和源头校验，分析结果可信度下降，维护人员也难以追踪溯源。为什么错（二）：数据质量的软约束比数量的硬约束更关键。

若传感器差异、时钟错位、校准不一致，趋势判断和异常检测常出现偏差，导致误警与漏警并存。正确做法（二）：设定数据质量门槛，建立统一校准流程和时序对齐机制；引入缺失数据处理策略、数据源分级、元数据管理，确保分析团队能定位数据源头。案例复盘：在一个园区试点中，不同厂家传感器接口并非统一，导致网关对接频段混乱，传输稳定性下降，某些区域出现数据断层与误报警。

归因在材料差异和安装环境差异。实际建议：现场要有对照的材料差异清单，优选兼容性更好的传感器分组；要求统一接口标准、提供足够的供电冗余、设定冗余网关以避免单点故障；建立现场巡检与数据质量复核的常态流程。选型时多问几个现场问题，收集关键指标与现场约束，能帮助后期避免弯路。

对比时关注环境适配、校准周期、数据治理能力与维护成本，避免只看初始采购价而忽略后续代价。