工業(yè)領域數智化起步相對較晚,，工業(yè)數據也更為復雜,，涉及研發(fā),、生產,、管理,、運維,、服務等多個環(huán)節(jié)，因而數據管理工作的推進也相對滯后,，和金融行業(yè),、電信行業(yè)相比還有較大的差距。主要問題和挑戰(zhàn)有以下四個方面：

1. 數據基礎薄弱
     我國工業(yè)企業(yè)的數據資源存量普遍不大,。同時,，管理手段比較落后，大多企業(yè)仍在使用紙質或更原始的方式進行數據管理,。數據孤島幾乎是所有企業(yè)都面臨的困境,。
     從單一企業(yè)內部來看，存在著不同時期由不同供應商開發(fā)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(tǒng),，可謂煙囪林立,。而要深度推進智能化，不僅信息系統(tǒng)要橫向互通,，還要進一步縱向打通IT和OT兩界的數據,，難度非常大。而且,，企業(yè)越大,，管理和技術包袱越重。
     從產業(yè)鏈來講,，工業(yè)企業(yè)的上下游供應鏈之間缺少數據的互聯(lián)互通,。大部分企業(yè)并沒有實現供應鏈協(xié)同，銷售訂單和采購訂單還依賴于傳統(tǒng)的電子郵件或者紙質傳遞,。這種傳統(tǒng)的方式很難做精準的銷售預測,，更別說做個性化的定制。

2. 數據治理滯后
     工業(yè)企業(yè)對于數據治理的重要性認識正逐步提高,，但實際進行的數據治理工作卻不容樂觀,。
     大多數工業(yè)企業(yè)缺乏專門的數據管理組織，投入數據管理的人力也有限,，且大部分做的是數據操作基礎工作,，缺少頂層規(guī)劃和管理的組織架構和人員。有部分企業(yè)建立了數據管理的相關制度,、標準,、流程及績效管理機制,，但很多企業(yè)在這方面都是缺失的,。
     數據管理的技術手段也相對落后。有部分大型企業(yè)實施了主數據管理平臺,，只有極少數企業(yè)實施了數據治理平臺,，而絕大部分企業(yè)都沒有任何數據管理的工具，對元數據,、主數據,、分析數據等缺乏標準管理、質量管理,、安全管理,、全生命周期管理的手段。
     因為數據管理缺失,，技術手段落后,，導致企業(yè)數據質量難以得到保障，數據共享困難，數據的價值不能得到充分的挖掘和變現,。

3. 數據交易法規(guī)尚不完善
     工業(yè)企業(yè)的數據價值體現在跨企業(yè),、跨行業(yè)的數據流通和共享，數據在流動過程中才能產生價值,。從全行業(yè)看,，發(fā)展工業(yè)互聯(lián)網，實現從單一企業(yè)內的局部優(yōu)化,，到整個產業(yè)鏈的全局優(yōu)化的跨越,，必然要實現整個供應鏈上下游企業(yè)的數據流通，實現產業(yè)鏈上的企業(yè)數據的共享,。
     目前,，雖有多家活躍于市場中的數據交易中心，但數據流通的合法,、合規(guī)性仍未得到應有的重視,，現行法律對于數據流通的很多問題都沒有明確，許多工作仍以行業(yè)自律的模式開展,。工業(yè)企業(yè)的數據流通需求與日俱增,，規(guī)范數據的共享和開放刻不容緩，需要有關方面的高度重視,，并有待相關法律規(guī)定和政策的完善,。

4. 數據價值難以量化評估
     盡管有很多人意識到數據是企業(yè)的核心資產，但是對無形資產的評估比較困難,，尤其是數據資產的量化和評估,。首先缺乏財務量化模型，不知道如何評價數據價值,；其次數據要在交易過程中才能變現,，而在內部流通的過程中卻不能折算成財務意義上的價值，因此其在企業(yè)內的價值無法體現在財務報表上,。
     數據在工業(yè)領域的流動,，橫向可以跨越設計、采購,、生產,、銷售、售后服務等價值鏈,，縱向可以跨越戰(zhàn)略層與設備控制層,。工業(yè)企業(yè)的特點是數據量大，不同類型,、不同層級數據產生的價值不一樣,。如何準確地評價這些數據的價值,，需要相關機構盡快研究和解決。
     數據治理投入大,，在短期內很難看到成效,，而數據價值的評估又很難量化。因此,，很多企業(yè)投入數據治理的意愿不大,，這反過來又影響了企業(yè)數據的使用。

     綜上所述,，數據治理會被越來越多的工業(yè)企業(yè)關注,，我們市場營銷側也出現了很多客戶已經在摸索或進行相關數據治理的工作。恒遠科技也在進行數據治理相關研發(fā),、合作和客戶賦能工作,，例如流程挖掘的研究、大數據平臺的技術研究應用等,，進一步實現數據價值挖掘和數據智能化,。