Volume

Ukuran data yang tak terhingga tersebut bisa berasal dari sumber yang berbeda, seperti catatan penjualan bisnis, dari hasil yang dikumpulkan sebuah eksperimen yang di sortir secara langsung di internet. atau mungkin data mentah sebuah software yang diproses secara terpisah sebelum analisis dilakukan.

Variety

Termasuk data yang terstruktur, seperti SQL store database, data tidak terstruktur, seperti file dokumen, atau flow data yang di filter. Selanjutnya mungkin akan melibatkan beberapa Big Data secara bersamaan dengan sumber data yang tidak mungkin jika tidak diintegrasikan. Misalnya sebuah proyek analisis big data, mencoba untuk mengukur keberhasilan penjualan suatu produk berikutnya, dengan menghubungkan data penjualan yang lampau, data penjualan yang di return, dan ulasan data pembeli secara online untuk produk tersebut.

Velocity

Mengacu pada seberapa besar kecepatan data yang harus dianalisa. Setiap proyek analisis Big Data akan memakan waktu yang cukup lama dalam menghubungkan dan menganalisis sumber data, dan kemudian membuat jawaban atau hasil yang didasarkan pada permintaan yang menyeluruh. Analisis yang dilakukan terhadap data harus memiliki pemahaman yang rinci dari data yang ada dan memberikan jawaban yang sesuai dengan data.

Kebutuhan Velocity (Kecepatan) Big Data memaksa untuk membuat perhitungan dasar infrastuktur yang baik, perhitungan yang diperlukan untuk mempercepat proses volume (jumlah) besar dan varietas (variasi) data dapat membanjiri server atau server tunggal. Organisasi harus menerapkan kekuatan perhitungan yang memadai untuk tugas-tugas Big Data untuk mencapai velocity (kecepatan) yang diinginkan. Hal ini berpotensi dapat memaksa ratusan atau ribuan server yang dapat mendistribusikan pekerjaan dan beroperasi secara kolaboratif.

Dengan menghemat biaya untuk mencapai Velocity (kecepatan) tersebut akan sangat memusingkan. Banyak pemimpin perusahaan yang enggan untuk berinvestasi di server dan penyimpanan infrastruktur yang luas, dan mungkin hanya digunakan sesekali untuk menyelesaikan tugas-tugas Big Data. Akibatnya, cloud computing publik telah muncul sebagai Provider utama untuk hosting proyek analisis Big Data. Server sebuah penyedia jasa cloud publik dapat menyimpan data berukuran petabyte dan skala ribuan dan cukup lama untuk mencapai proyek Big Data. perusahan hanya membayar untuk penyimpanan dan perhitungan waktu benar-benar akan digunakan, dan cloud dapat dimatikan sampai mereka dibutuhkan lagi.

Untuk meningkatkan layanan, beberapa penyedia cloud publik menawarkan kemampuan Big Data, seperti yang sangat terdistribusi di Hadoop, data warehouse, database, dan layanan cloud lainnya. Amazon Web Services Elastic MapReduce adalah salah satu contoh dari layanan Big Data di cloud publik.

Pada akhirnya, nilai dan efektivitas Big Data tergantung pada operator manusia yang bertugas memahami data dan merumuskan pertanyaan yang tepat untuk mengarahkan proyek Big Data. Beberapa tools Big Data niche yang khusus untuk pengguna teknis membuat berbagai prediksi dari data bisnis sehari-hari. Namun, tools lain yang muncul, seperti tools Hadoop, untuk membantu mengimplementasikan infrastruktur bisnis yang yang cocok untuk menangani proyek-proyek big data, dan meminimalkan kebutuhan untuk perangkat keras dan mendistribusikannya.

Tapi tools ini hanya menangani kasus penggunaan yang terbatas. Banyak tugas-tugas Big Data lainnya, seperti menentukan efektivitas obat baru, bisa membutuhkan keahlian dan komputasi besar dari staf analitis. Saat ini masih kekuranagan orang yang ahli dalam menganalisis Big Data dan memiliki pengalaman bekerja yang baik.