挑战1：工业数据资源不丰富

从理论分析，工业领域的数据应该是非常丰富的。根据麦肯锡2009年的报告分析得出，美国的离散制造业是所有行业中数据储量最大的。但实际上，其中有价值的数据非常欠缺，而问题主要在于工业领域，有分析利用价值的机器数据往往需要涵盖故障情形下的“坏”样本。但很多工业系统的数据可靠性较高，观测到故障并且已经标记的有效样本更是罕见。还有一些工业场景，只有在极短的时间内采集测量数据（如每秒上百万个测点），才能捕获机器设备的细微状况，这就要求时序数据库和流处理平台等专用的新一代数据存储软件提供支撑。

很多工业企业面临“数”到用时方恨少的难题。根据中国信息通信研究院和工业互联网产业联盟2018年年底对国内74家工业企业的统计，我国工业企业的数据资源存量普遍不大，66%的企业数据总量都在20TB以下，还不到一个省级电信运营商日增数据量的十分之一。数据资源不丰富，与我国工业互联网发展还处于起步阶段有关。企业数字化、网络化程度普遍较低，数据资源的积累尚需时日。而目前工业系统协议“七国八制”现象非常瞩目，很多软件系统的接口不开放，也提升了数据采集的技术难度。

挑战2：工业数据资产管理滞后

计算机科学家警钟长鸣：警惕“垃圾进，垃圾出（Garbage in，Garbage out）”。数据质量问题是对数据分析工作产生了长期困扰。权威数据专家估计，每年低质量的数据会给企业带来10%~20%的损失。工业领域很多时候追求确定性的分析结果，对数据分析的可靠性要求高，因而对数据质量的要求也就更高了。美国一直重视数据质量，在1990年还专门颁布了数据质量法案（Data Quality Act），2016年美国《联邦大数据研发战略计划》也专门把确保数据质量与提升数据分析可信性作为七大战略之一。

用数据，更要注重数据的“养护”。从信息化程度较高的金融、电信、互联网等行业经验来看，如果不开展专门的数据治理，数据质量就很难保证。据相关调查显示，我国工业企业只有不到三分之一的企业实施数据治理，51%的企业仍在使用文档或更原始的方式进行数据管理。工业企业应该把数据视为与机器设备同等重要甚至更宝贵的资产，加强数据资产管理。值得庆幸的是，已经有越来越多的工业企业从主数据或元数据切入，着手开展数据资产管理。而且，随着机器学习技术的发展，智能化的数据资产管理工具也越来越完善，工业数据资产的管理，可以更多依赖人工智能高效完成。但相比信息化程度较高的金融、电信、互联网等行业，工业数据的管理，还有很多欠账要补。

挑战3：工业数据孤岛普遍存在

数据孤岛几乎是所有企业都面临的困境。从单一企业内部来看，存在着不同时期由不同供应商开发建设的客户管理、生产管理、销售采购、订单仓储、财务人力等众多IT系统，可谓烟囱林立。而要更深层次推进智能制造，不仅是上述IT系统要横向互通，还要进一步纵向打通IT（Information Technology）和OT（Operation Technology）两界的数据，推进难度非常大。而且，企业越大，管理和技术包袱越重。

从全行业看，发展工业互联网，实现从单一企业内的局部优化，到整个产业链的全局优化的跨越，必然要实现整个供应链上跨企业的数据流通，这就进一步面临着安全合规、商业模式和技术标准等方面的更大挑战。前述调查显示，超过半数的企业表示需要使用外部数据或对外提供数据，仅有2.7%的企业觉得不会涉及到数据合作，但数据流通由于涉及确权、安全合规等问题，风险和阻力都很大。

挑战4：工业数据应用还不深入

大数据在工业领域的作用，纵向可以从3个层次来看：

最基础的，是可以根据数据来描述工业产线、营销和企业经营活动的历史与现状。

更上一层楼，可以基于数据预测设备、车间和整个企业的未来状况。

最高层次，是根据数据分析结果，绕过人工干预，自动地直接指导企业运作，形成智能化的数据闭环。

而大数据在工业领域的作用，横向则可以跨越设计、生产、销售、服务全链条。

然而，工业企业的数据分析应用还普遍处于浅层阶段。最近，工业互联网产业联盟对国内外366个工业互联网平台应用案例进行了分析，40%的平台应用集中在产品或设备数据的检测、诊断与预测性分析领域，而在涉及数据范围更广、分析复杂度更高的经营管理优化和资源匹配协同等场景中，多数平台现有数据分析能力还无法满足应用要求，还需要进一步推动数据分析技术创新以及实现长期的工业知识积累。

未来，工业数据分析还需以问题为导向，把工业机理与数据科学方法紧密结合，让数据应用的层次再上台阶，从而产出更大价值。

天游ty8游戏官网为企业提供“机器人换人”智能制造解决方案等技术服务，工业机器人是系统集成性产品，本体配合不同的末端执行器，可实现码垛、上下料、冲压、焊接、打磨、注塑、切割等多种自动化生产线，公司根据客户需求推荐方案，合作洽谈：孙总经理 13771299527  微信：jsltzn