以數據為關鍵因素推動產業轉型升級，不僅成為行業在宏觀層面的共識，而且在微觀層面上也給企業帶來了實實在在的利益。然而，工業大數據的發展也面臨著數據資源不足、數據管理滯后、孤島普遍存在、應用深度不足等四大挑戰。因此，有必要鞏固企業層面的數據基礎，抓住技術創新的機遇，在行業層面建立數據互操作和流通的標準和規則。



　　工業大數據發展面臨四方面挑戰



　　挑戰1：工業數據資源不豐富



　　理論上，工業領域的數據應該是非常豐富的，麥肯錫2009年的報告顯示，美國的離散制造業是所有行業中數據儲量**的。但實際上，有價值的數據非常稀缺，原因是在工業領域，有分析利用價值的機器數據往往需要包含故障情形下的“壞”樣本。但很多工業系統的數據可靠性較高，觀測到故障并且已經標記的**樣本更是難能可貴。還有一些工業場景，只有在極短的時間內采集測量數據（如每秒上百萬個測點），才能捕獲機器設備的細微狀況，這就要求時序數據庫和流處理平臺等專用的新一代數據存儲軟件提供支撐。



　　很多工業企業面臨“數到用時方恨少”的尷尬。根據中國信息通信研究院和工業互聯網產業聯盟2018年年底對國內74家工業企業的調研，我國工業企業的數據資源存量普遍不大，66%的企業數據總量都在20TB以下，還不到一個省級電信運營商日增數據量的1/10。數據資源不豐富，與我國工業互聯網發展還處于起步階段有關。企業數字化、網絡化程度普遍較低，數據資源的積累尚需時日。而目前工業系統協議“七國八制”現象非常突出，很多軟件系統的接口不開放，也增加了數據采集的技術難度。



　　挑戰2：工業數據資產管理滯后



　　計算機科學家警鐘長鳴：警惕“垃圾進，垃圾出（Garbage in，Garbage out）”。數據質量問題是長期困擾數據分析工作的難題。權威數據專家估計，每年低質量的數據會給企業帶來10%~20%的損失。工業領域很多時候追求確定性的分析結果，對數據分析的可靠性要求高，因而對數據質量的要求也就更高了。美國一直重視數據質量，在1990年還專門頒布了數據質量法案（Data Quality Act），2016年美國《聯邦大數據研發戰略計劃》也專門把確保數據質量與提升數據分析可信性作為七大戰略之一。



　　用數據，更要“養”數據。從信息化程度較高的金融、電信、互聯網等行業經驗來看，如果不開展專門的數據治理，就難以確保數據質量。而調查顯示，我國工業企業只有不到1/3的企業開展了數據治理，51%的企業仍在使用文檔或更原始的方式進行數據管理。工業企業應該把數據視為與機器設備同等重要甚至更寶貴的資產，加強數據資產管理。好消息是，已經有越來越多的工業企業從主數據或元數據切入，著手開展數據資產管理。而且，隨著機器學習技術的發展，智能化的數據資產管理工具也越來越完善，工業數據資產的管理，可以更多依賴人工智能**完成。但相比信息化程度較高的金融、電信、互聯網等行業，工業數據的管理，還有很多欠賬要補。



　　挑戰3：工業數據孤島普遍存在



　　數據孤島幾乎是所有企業都面臨的困境。從單一企業內部來看，存在著不同時期由不同供應商開發建設的客戶管理、生產管理、銷售采購、訂單倉儲、財務人力等眾多IT系統，可謂煙囪林立。而要深度推進智能制造，不僅是上述IT系統要橫向互通，還要進一步縱向打通IT（Information Technology）和OT（Operation Technology）兩界的數據，推進難度非常大。而且，企業越大，管理和技術包袱越重。



　　從全行業看，發展工業互聯網，實現從單一企業內的局部優化，到整個產業鏈的全局優化的跨越，必然要實現整個供應鏈上跨企業的數據流通，這就進一步面臨著安全合規、商業模式和技術標準等方面的更大挑戰。前述調查顯示，超過半數的企業表示需要使用外部數據或對外提供數據，僅有2.7%的企業覺得不會涉及到數據合作，但數據流通由于涉及確權、安全合規等問題，風險和阻力都很大。



　　德國工業4.0計劃已經把數據流通作為重點議題，在構建工業數據空間（Industrial Data Space）方面進行模式上的探索。與此同時，同態加密（Homomorphic Encryption）、安全多方計算（Secure Multi-party Computation）、零知識證明（Zero-knowledge Proof）、區塊鏈與智能合約等技術正在走向實用，也為用技術打破數據共享僵局提供了一條有前景的路線。國內如何打破數據孤島，促進工業數據流通，仍需加快探索。



　　挑戰4：工業數據應用還不深入



　　大數據在工業領域的作用，縱向可以從3個層次來看：



　　最基礎的，是可以根據數據來描述工業產線、營銷和企業經營活動的歷史與現狀。



　　更上一層樓，可以基于數據預測設備、車間和整個企業的未來狀況。



　　**層次，是根據數據分析結果，繞過人工干預，自動地直接指導企業運作，形成智能化的數據閉環。



　　而大數據在工業領域的作用，橫向則可以跨越設計、生產、銷售、服務全鏈條。



　　然而，工業企業的數據分析應用還普遍處于淺層階段。最近，工業互聯網產業聯盟對國內外366個工業互聯網平臺應用案例進行了分析，40%的平臺應用集中在產品或設備數據的檢測、診斷與預測性分析領域，而在涉及數據范圍更廣、分析復雜度更高的經營管理優化和資源匹配協同等場景中，多數平臺現有數據分析能力還無法滿足應用要求，還需要進一步推動數據分析技術創新以及實現長期的工業知識積累。



　　未來，工業數據分析還需以問題為導向，把工業機理與數據科學方法緊密結合，讓數據應用的層次再上臺階，從而產出更大價值。



　　工業大數據的發展面臨哪四大挑戰.中琛魔方大數據（www.zcmorefun.com）表示工業互聯網的長期目標，是構建“數字雙胞胎”。只有工業數據越來越豐富、**，質量越來越高，“雙胞胎”才可能長得像，才能“心心相印”。也只有這樣，才能讓物理世界的萬物得以在數字世界重現，通過數字世界里的計算、分析、預測、優化，來指導物理世界的**運行，從而開辟新的增長空間。