大数据一词已被广泛使用，每个人似乎都对使用大数据工具和技术感兴趣，其中也包括工业应用。本文将通过揭开大数据的神秘面纱和相关挑战，帮助您在实施工业物联网（IIoT）方面取得更大成功。
1.数据类型和结构
在制造业领域中，大多数人都听说过“大数据”，但大数据的构成是什么，却不太清楚。乍看之下，大数据是无所不包的术语，包括传统数据以及传统数据之外的数据源。在工厂环境中，这些传统数据可被分成两种类型的数据流：运营技术（OT）数据和信息技术（IT）数据。
传统的IT和OT数据存储在相对独立的系统和结构中。 而大数据是“多结构化的”，意味着它具有必要的知识管理工具，可以访问来自不同来源的数据，并将其进行情景化以进行分析和报告。
2.数据的可扩展性、情境化
除了数据存储和采集之外，大数据系统还需要能够快速地按需解决并分析数据，而不受数据采集和查询的规模和速度的影响。 这被称为大数据的可扩展性，它是大数据系统首先需要关注的问题之一。 其它问题包括系统可靠性（性能）和对实时分析的决策支持。数据分析包括机器学习和人工智能，它可以帮助发现数据异常，预测生产、设备和未来行为，并为决策支持提供详细方案。
3.数据集成的效率
建立大数据情境后，确定需求变得更加简单。 何时以及如何需要大数据是一个更细微的问题。 大数据系统集成需要整个企业、而不仅仅是IT团队的广泛努力和支持。
在微观级别，信息单元可以在企业中被隐藏，或者有时故意保密以避免“霍桑效应”（当观察可以改变行为时）。 忽略这些细节，可能意味着带来投资增加一百万美元和节省数百万美元的差异。
4.数据存储
当现有数据已经被结构化的存储，并且仅需要与其它数据（例如通过OPC服务器）进行分析和情境化，如果需要在本地存储所需数据（出于安全性或隐私考虑），使用仪表板和数据连接器进行远程分析和可视化，从成本方面考量更有效，在提供与大数据实施类似的决策支持时更是如此。
5.大数据升级
大数据所面临的最大挑战之一可能就是如何规划大数据升级。强大的解决方案可以不断扩展，以便集成更新的数据源，在设计时已经考虑了升级而不会影响功能和性能。
对于大多数企业而言，这意味着将服务切换到云，升级系统以实现更好的数据监控和日志记录，并且由于跨部门和功能实施大数据解决方案所需的技能，可能会带来人力资本的增加。那些关注内部安全问题的人，需要考虑使用专门的系统支持团队维护内部数据服务器所带来的更高成本。系统可扩展性可能也不如基于云的部署更有效。
经过精心规划的传统数据分析技术需要先于大数据实施。只有这样，企业才能看到大数据系统可以切实可行的目标。（作者：Qasim Maqbool）