فصل سوم کتاب تحلیل عظیم داده، سیستم‌ها، الگوریتم‌ها و کاربردها، به بررسی دقیق‌ مدل‌های تحلیلی برای جریان‌ داده می‌پردازد و مدل‌های تحلیلی، محاسباتی و برنامه‌نویسی که قابلیت کاربرد در تحلیل عظیم داده را دارد مورد بحث قرار می‌دهد. تحلیل عظیم داده می‌تواند پیچیدگی‌های درون یک مجموعه داده را به هوش تجاری قابل استفاده تبدیل کند و تصمیم‌گیری‌های دقیق‌تری را موجب شود.

"عظيم‌داده، چگونه داده‌ها، كسب‌وكارهاي بزرگ را قدرت مي‌بخشند" "Big Data, Understanding How Data Powers Big Business" بخش يازدهم:" Big Data Architectural Ramifications" شاخه‌هاي معماري عظيم‌داده

مهندسی راه‌کار این چنین تعریف می‌شود: “فرایند شناسایی و طبقه‌بندی تواناییهای بالقوه یک سازمان و تبدیل آنها به قابلیت‌های کسب‌و کار و و مولفه‌های پشتیبانی از فناوری تا بتوان با استفاده از آنها از تصمیم‌گیری های درون سازمانی و فعالیت‌های پول ساز داده ها حمایت کرد.”

آپاچی اسکوپ یک ابزار متن باز است که به کاربران اجازه استخراج داده‌ها از منبع داده ساختاریافته و وارد کردن آن به هدوپ جهت پردازش‌های بیشتر را می‌دهد. این پردازش می‌تواند توسط MapReduce یا ابزارهای سطح بالاتر دیگر نظیر Hive انجام بگیرد.

Apache Pig سطح کیفیت پردازش مجموعه عظیم‌داده‌ها را افزایش می دهد. در مورد Pig، ساختار داده‌ها بسیار غنی‌تر است و به طور معمول به صورت چند منظوره و تو در تو قرار دارند و تغییراتی که می‌توانید بر روی داده‌ها اعمال کنید بسیار قدرتمندتر هستند.

"عظيم داده، چگونه داده ها، كسب و كارهاي بزرگ را قدرت مي بخشند" Big Data, Understanding How Data Powers Big Business""  بخش نهم :”Identifying Big Data Use Case”

در فصل 1، یک نمای کلی از تجزیه و تحلیل داده‌های بزرگ ارائه داده شده است. در این فصل بیشتر به یادگیری ماشین و سیستم‌های هوشمند پرداخته خواهد شد.

در این فصل، پایگاه داده‌های HDFS ، MapReduce ، Pig ، Flume ، Sqoop ، Mahout ، Ganglia ، Kafka ، Spark و NoSQL، یعنی MongoDB و Cassandra ارائه شده است.

"The Hadoop Distributed Filesystem" نويسنده در اين فصل سيستم فايل توزيع شده هادوپ HDFS را مورد بررسي قرار داده است، در بخش اول طراحي HDFS را مورد بررسي قرار داده است.

در فصل دوم کتاب مفهوم MapReduce تشریح می گردد که یک مدل برنامه نویسی ساده بوده و برای حل مسائل محاسباتی در مقیاس وسیع و نیز به صورت توزیعی، مورد استفاده قرار می‌گیرد. MapReduce، به زبان‌های مختلف پیاده‌سازی شده است.

Apache Spark یک چارچوب محاسباتی خوشه‌ای برای پردازش داده در مقیاس بزرگ است. برخلاف بسیاری از چارچوب‌های پردازش دیگر که در این کتاب مورد بحث قرار گرفته است، Spark از MapReduce به عنوان موتور اجرا استفاده نمی‌کند. در عوض، برای اجرای کار روی یک خوشه از زمان اجرای توزیع شده خود استفاده می‌کند. Spark  طوری با Hadoop یکپارچه شده است که می‌تواند YARN را اجرا کند و با فرمت‌های فایل Hadoop و پشتیبان‌های ذخیره‌سازی مانند HDFS کار کند.

 در بخش اول آن به نام "Data" به مشكلات حجم داده‌هايي كه امروزه با آن مواجه هستيم، اشاره شده است. در اين بخش نويسنده بيان كرده است که "ما در عصر داده‌ها زندگی می‌کنیم. انداز‌ه‌گیری حجم کل داده‌ها که به صورت الکترونیکی ذخیره می‌شود آسان نیست، اما برآورد IDC اندازه "جهان دیجیتال" را در 4/4 zettabytes در سال 2013 به ارمغان می‌آورد و پیش‌بینی ده برابر رشد (44 zettabytes) را تا سال 2020 می‌کند."