数据质量
目前，我国大数据需求端以互联网企业为主，覆盖面不广，在O2O趋势下，大型互联网厂商尝试引入外部数据支撑金融、生活、语音、旅游、健康和教育等多种服务。
然而在具体的领域或行业内，我国普遍未形成成型的数据采集、加工、分析和应用链条，大量数据源未被激活，大多数数据拥有者没有数据价值外化的路径。
比如，各医疗健康类应用收集了大量的数据，但没有像Sermo那样面向医药公司售卖数据。
与国外相比我国的政府、公共服务、农业应用基本缺位，电信和银行业更缺少与外部数据的碰撞。
数据质量方面，即便是政府机构这样的权威数据持有方，也存在很多数据缺失、数据错误、噪音多各方面的问题。
理论上我们中国有很多数据，但不同部门数据存在在不同的地方，格式也不一样。
政府内部本身整合各部门的数据就已经是一件很头大的事情，更不要提大规模的数据开放。
同时数据开放面临一个严重问题就是隐私问题，脱敏远远不够，隐私问题是一个无底洞。
技术水平
同任何新兴产业一样，科学技术水平是推动产业发展的内在动力，是影响大数据产业发展最重要的因素。
但是目前由于我国科学技术水平等基础条件不够成熟，严重影响了大数据产业的发展速度。
随着大数据概念的火热，做大数据的公司越来越多，产品做得五花八门，但现在数据分析的技术，方法，模型，算法都有了非常大的改进，跟过去六七十年代完全不一样，不是说做几个SAAS软件或者RAAS软件就是大数据了，虽然短期看市场火热，但长远来说这条路是走不通的，大数据行业发展，技术才是真正的发力点，提高行业准入门槛尤为重要。
其次，中国的数据有它的特色，例如在金融行业，目前大部分银行采用的是风险评分卡，运用专家经验定义风险变量，基于定性认识进行评分，通过事后风险回检优化评分卡，风险预警功能较差。
虽然央行征信中心与国内少数技术领先银行使用的是风险评分模型，但模型方法相对陈旧，如央行所用FICO评分模型为上世纪80年代基于逻辑回归算法构建的评分体系，逻辑回归算法适合处理线性数据，但实际问题往往是非线性的，特别是信用风险评估场景下。
此外，FICO模型没有针对我国具体业务进行场景细分，建模逻辑并不完全符合我国实际情况，因此导致准确率不足，风险预警能力差。
专业人才
我们国家大数据发展最大的优势就是市场大，最大的劣势恰巧就是缺乏相应专业人才，人才缺乏的程度非常严重。
首先在国际市场方面，我们要跟国外公司争人才，然而国外大数据行业同样十分火热。
而不论在国内还是国外，跟企业竞争人才都是一项艰巨的事业，比如在世界上最好的大学之一的美国普林斯顿大学，想找数学家也是非常困难，人才很容易被大公司挖走，每年都有非常好的数据分析人才被企业挖走。
所以人才难觅不只是口头说说，更是一个亟待解决的问题。
目前为止，我们国家仍然没有良好的培育大数据人才的机制，大数据教育主要面临以下三个问题。
首先，大数据是一个交叉学科，涉及统计学,管理,编程等多学科，知识点复杂，培训课程编辑难度大，缺乏系统的学习教程;其次，现阶段大数据教育大多还停留在理论知识上，理论与实战严重脱节，学习者缺乏良好的实践机会;再次，大数据教育的根本目的是为了解决业务上面临的实际问题，用科学的手段推动业务的进展，然而现阶段的大数据教育机构普遍缺乏相应的业务经验，产学研结合并不密切。