大数据的理念已经广为大众所接受，其核心都强调价值。目前，除了大数据的基础建设之外，从数据到信息的工作，更多的是停留在社交或商业数据挖掘上。例如，销售预测、用户关系挖掘与聚类、推荐系统、观点挖掘等。这些研究都非常重要，也极具创新意义，特别是对拉动消费很有帮助。但是，这些实践都只关注了“人为数据或与人相关的数据”，而忽略了“机器数据或工业数据”，如设备控制器、传感器、制造系统等。
产品做出来之后，到底如何使用它？以前关心的是如何生产最好的产品，现在关心的是产品怎么去用，消费体验在哪里？第一，我们现在对工业价值的认知必须从后往前移，从消费端走到生产价值链前端。第二，从关注机器与机器的数据或工业环境数据，到全面协同优化，关注这个价值体系，实现我们对工业4.0的完整理解。
在工业大数据的实践中，宏观与微观、规模与定制、个性与共性必然成为主要的几个矛盾。在这三大矛盾的背后，我们要通过工业大数据看到我们以前看不到的因素，处理好这些数据，就像jay lee教授讲的，让数据成为有价值的信息。工业4.0的五个支撑力值得我们关注。一是降低生产过程中的浪费。生产过程中的消耗来源于组织与组织之间、人与人之间、材料与工艺之间、流程之间，所以我们首先要考虑的问题是，如何降低消耗、浪费。二是制造工业环保与安全。没有碳排放是不现实的，但排放怎么转移，怎么去消费它是问题。三是根据生产状况，实现系统自我调整。在工业大数据里，我们称之为自适应。整个工业4.0讲的就是自适应、自感应、自调理。大数据分析到最后有很大程度取决于人工智能，指的是自适应能力的强弱，机器自我学习能力的强弱。四是实现制造业的价值化。五是实现用户需求、产品设计、制造和营销的配合。
这五大支柱的焦点就是显性因素和非显性因素。我们曾经关心的是产品的制造、产品的制造工艺、产品本身的质量等显性因素。考虑的点都是可触摸的或可量化的。在工业大数据里，想要解决的问题就是那些非显性因素。
设备处于亚健康状态，我们看不到。对于未来的智能工业来说，想要达到零宕机、零排放、零维修等目的，必须突破的一个关键点就是关注相关的隐形因素，做好量化与数据交叉关联分析。