第一是数据来源。

智能产品采集的数据所有权是属于工厂的，但是能对这些数据进行建模和分析，进而提供服务的，却是设备制造商。而在第一重天的智能制造阶段，可能还存在一个工业云平台运营商，数据也要经过这个管道。

这里面就有一个很大的矛盾，就是这三者的关系如何处理，工厂要以什么样的程度开放数据，开放哪些数据，数据的隐私保护怎么解决，设备制造商和工业云运营商对于数据权限的边界在哪里。

这些问题目前没有行业惯例或者统一的标准，导致除了航空发动机这类维护成本超高、垄断性比较强的设备外，工厂不愿意开放其他设备数据，这也是生产服务化很难落实的主要原因。

第二是数据分析。

我们要的服务结果不是在发生问题时报警，而是在可能发生问题时提前预警，这个对于数据分析的要求非常高。

比如上一个例子，燃气轮机很多不同问题反映到设备上，可能都是同一个结果——轴的震动。这个震动可能是因为机器故障，也可能是因为现场附近有施工，甚至可能是因为有人闲得没事拍了机器一下，所以一个震动可能代表了很多问题。如果我们仅仅对设备震动本身的偏差数据进行大数据分析，在有趋势的时候就给出报警，而没有考虑到现场工艺的其他条件，那这个结果错误的可能性就非常大。(www.daowen.com)

这就意味着工业大数据分析的行业经验门槛很高，这个其实是设备制造商往往不擅长的。比如一家电机制造商，其知识和经验积累更丰富的领域往往是电机本身，而不是千差万别的工艺流程和客户现场环境。服务商可能必须要非常了解每一台机器所处的不同环境，才能选取出适当的数据，并对轴的震动进行准确的分析。

这个数学模型的建立和积累比消费品大数据的难度要高出数十倍，而且要求建模的人要精通数据分析、产品和工艺流程，目前能做到的企业凤毛麟角，很多500强老牌制造商的预测性维护的准确率也不是非常高。

第三是数据存储。

一个人并不会24小时不停地上淘宝，所以消费品数据采集的量是有限的。但是工业设备要持续不停地运转，而且每台设备上可能有上百个传感器，产生的数据绝对是海量的。刚刚提到的燃气轮机，1亿多个运营小时产生的数据是45TB（1TB＝1024GB）。这还算少的，航空公司一次正常起降就会产生1TB的数据，这里面包括结构化和非结构化数据，总体来说价值比较低。

这里要插一句，可以用二维表结构来有逻辑地表达实现的数据叫结构化数据，不方便用数据库二维逻辑表来表现的数据叫作非结构化数据。简单地说，数字、符号这些就是结构化数据，办公文档、文本、图片、XML、HTML、各类报表、图像和音频/视频信息这些就是非结构化数据。这些有用的和没用的数据都混在一起，想想头都大了吧！由此可见清洗和整理数据的难度。

如何有效且低成本地储存这些海量数据，也是一个非常大的难题。目前来看，大多都是先把数据提取到工厂的本地服务器中，经压缩后传到云端，放在一个工业数据湖（Data Lake）里，然后通过统一集成处理来提升处理效率和成本。但即使是这样，一旦大量的工业设备联网后，数据存储技术仍然会成为一个非常大的瓶颈。