می‌توانیم انواع بیگ دیتا را به چهار نوع کلی تقسیم کنیم:
۱- توصیفی (Descriptive)
۲- تشخیصی (Diagnostic)
۳- پیش‌بینی کننده (Predictive)
۴- تجویزی (Prescriptive)
به طور ساده می‌توان گفت هرکدام به چه سوالاتی جواب می‌دهند:
۱- توصیفی: چه اتفاقی افتاد؟
۲- تشخیصی: چرا اتفاق افتاد؟
۳- پیش‌بینی‌کننده: چه اتفاقی خواهد افتاد؟
۴- تجویزی: چه‌کار کنیم که فلان اتفاق رخ دهد؟
مثال یک: مثال اولی که می‌توان زد مربوط به صنعت سلامت می‌شود. در این صنعت گزارشات دیجیتال سلامت با نام اختصاری EHR در حال باب شدن است. EHR اختصار عبارت Electronic Health Records می‌باشد. رکورد‌های دیجیتال سلامت میلیونها نفر وجود دارد که اطلاعاتی از نژاد، سن و سابقه بیماری‌های فرد توصیف می‌کند. مجموعه اطلاعات فوق از راه امن قابل دسترسی می‌گردند. در حال حاضر ۹۴ درصد از بیمارستان‌های آمریکا، EHR را به کار بسته‌اند.
مثال دوم: گوگل آنالیتیکس به جمع‌آوری داده‌های بازدید میلیونها وبسایت می‌پردازد. داده‌های فوق وقتی در کنار یکدیگر قرار می‌گیرند، می‌توانند روند محبوب یا غیرمحبوب شدن سایت‌ها با موضوعات مختلف را نشان دهند و همچنین جریان کلی بازدید‌های اینترنتی را توصیف کنند.
در تظاهرات‌های جلیقه زرد فرانسه، روند‌ها و جریان‌های اجتماعی که در نهایت منجر به این تظاهرات‌ها شد، از شبکه‌هایی مثل توییتر، فیس بوک، اینستاگرام و... جمع آوری و ترکیب شد. بیگ‌دیتای به دست‌آمده جهت تشخیص علت این تجمعات استفاده گردید. این بیگ دیتا روندی را نشان می‌دهد که دعوت‌ها را شکل داده‌است و علت آن را از جهت مجازی اجتماعی می‌سنجد و به همین دلیل به سوال «چرا اتفاق افتاد؟» پاسخ می‌داد.
سیستم پیشنهاد دهنده شخصی آمازون یا PRS که مخفف Personalized Recommendation System می‌باشد و از هوش مصنوعی بهره می‌برد، براساس خرید‌های قبلی، لیست مورد علاقه، نظرات و... هر کاربر به او کالا‌هایی که احتمال زیادی دارد بخرد، نشان می‌دهد. این سیستم بعد از دریافت اطلاعات اولیه کاربر آن را با یک مجموعه بیگ‌دیتا که آمازون آن را دریاچه دیتا (Data Lake) می‌خواند تطبیق می‌دهد. براساس این تطبیق کاربرانی که علایق مشترک با کاربر مذکور داشته‌اند یافت شده و بدین نحو حرکت بعدی کاربر پیش‌بینی می‌شود. علاوه بر این کار، دسته‌بندی کاربران در رده‌های مختلف انجام‌شده و بدین نحو ترند بعدی خرید‌ها و جریان بعدی فروش یک کالای خاص پیش بینی می‌گردد.
مثال یک: در تجویزی سوال این بود که «چه باید کرد که فلان چیز اتفاق بیفتد؟» در صنعت سلامت، مفهومی در حال توسعه است که دولت‌ها بتوانند با بررسی بیگ‌دیتای گزارشات پزشکی میلیونها نفر تصمیمات بعدی خود را بگیرند. برای مثال سوال «چگونه می‌توان چاقی را کاهش داد؟» مطرح می‌شود. دولت مذکور از طریق دسترسی به کلان‌داده‌های گزارشات پزشکی دیجیتالی و عبور دادن داده‌های مذکور از تراز‌های مختلف، در می‌یابد چه گروه جمعیتی باید مورد هدف قرار گیرد تا چاقی کاهش یابد.
مثال دوم: خودرو‌های خودران کمپانی‌های مختلف مثل گوگل و اوبر، با سرور‌های مختلف با قدرت پردازش بالا در ارتباط هستند و حجم قابل توجهی از دیتا را از محیط دریافت کرده و به آن‌ها می‌فرستند، همچنین در عین فرستادن حجم قابل توجه دیتا، نسخه پردازش شده بیگ‌دیتای خودرو‌های دیگر عبوری از مسیر مشابه و پردازش گرافیکی جزء به جزء مسیر را دریافت می‌کنند. همه این تبادل و پردازش داده‌های عظیم به این جهت رخ می‌دهد که به این سوال پاسخ داده شود: «چگونه می‌توان از نقطه A به B رسید؟» برای همین این مثال هم در دسته بیگ‌دیتای تجویزی قرار می‌گیرد.
