完整性是最基础的要求。比如有的场站，可能有大几千个，甚至几十万个这种规模的采集测点，首先要能够把这些数据完整地取回来。
稳定性要求。数据是不是能很稳定地上传，并且收回来？数据采集质量如何？如果数据经常有缺失有异常，采集精度肯定会影响后续数据分析。
时效性要求。毫秒级采集的设备，尤其是希望做到实时优化控制的，对时效性的要求就比较高。比如电网，有时需要在几十毫秒内能够把相关数据分析完，同时做出控制动作的响应。采集频次上对时间的要求不是那么高的，可以隔一段时间一传，比如工程机械领域某些测点是40秒传一次，或者是几分钟传一次。传的有可能是当时那个时点的数据，也可能是前几分钟或者几十秒的数据。
非侵入式要求。很多时候，数据是从原有的一些信息化系统，或是监控、控制类的系统中取。想拿的数据越全、越完整、量越大的时候，不可避免地对原有的系统会产生一定的冲击，。为了保障生产的平稳，很多企业会要求尽可能用非侵入式的监测采集，不要动原有的系统，不要影响原有的技术框架，不要去从底层的数据库去拿。这种非侵入性或者非干扰性，在工业现场也是很现实的诉求。
安全合规要求。特别是在影响国计民生的行业，大家越发重视数据的安全性，像电力系统的数据，在电站里其实散在一区、二区、三区，取数据要符合不同的防护等级要求。
成本因素。在一些从零开始建设的新兴工厂或者需要做技改的项目中，很多企业会根据业务场景倒推，做数据分析需要什么样的数据，来决定数采怎么做。很多装备制造企业，希望先在样机上多布一些传感器，通过数据分析的方式来进行降维。不影响分析场景和业务价值实现的前提下，结合设备的物理特性和机理模型，把传感器的数量降下去，先加后减。比如从1000个降到100个，这100个有代表性的测点能表征这台设备运行的特征，那将来生产这个设备或者做大规模改造的时候，只需要去加装这100个传感器就行。从数据分析的数据诉求和加装传感器的成本控制之间找平衡。
另外，在某些现实条件下，有一些很恶劣的工作环境，传感器根本就没法安装，只能用少量的测点、少量的传感器，通过一些相关性分析，间接推导出来想要发现的趋势。在条件允许的前提下，我们还是希望能够有尽量多维度的数据。因为推导过程越长，中间的变数越多，准确度就会影响最终的诊断结果。
数据采集也是一种技术架构，但决定技术架构的并不是技术架构本身。它受制的因素有很多，有总体投入的因素、现场环境的因素、技术限制因素，例如有些点我想采但现在没能力采。采用哪些点？采什么频率？如何去管控风险？业务方推数据还是技术方拉数据更合理？从硬件到软件，从远端源头的传感器到后台的传输、应用各种问题。
