Các đo lường có thể tổ chức thành ba yếu tố: phân phối (distributive), đại số (algebraic), và toàn diện (holistic). Tùy thuộc vào loại hàm tổng hợp dùng.
Phân phối (Distributive) – Hàm tổng hợp là phân phối nếu tính toán được theo cách phân phối: dữ liệu chia thành n tập. Áp dụng hàm cho mỗi phân vùng, kết quả n giá trị tổng hợp. Nếu kết quả áp dụng hàm cho n giá trị tổng hợp giống như áp dụng hàm cho toàn bộ tập dữ liệu (không phân vùng), hàm có thể đánh giá theo cách phân phối.
Ví dụ: count() tính cho data cube bằng cách phân vùng cube thành nhóm subcube, tính count() mỗi subcube, rồi cộng dồn count của mỗi subcube. Do đó count() là hàm tổng hợp phân phối. Đo lường phân phối nếu đạt được bằng hàm tổng hợp phân phối. Đo lường phân phối tính toán hiệu quả vì tính được theo cách phân phối.
Đại số (Algebraic) – Hàm tổng hợp là đại số nếu tính bằng hàm đại số với M đối số (M số nguyên dương hữu hạn), mỗi đối số đạt được bằng hàm tổng hợp phân phối.
Ví dụ: avg() (trung bình) tính bằng sum()/count(), cả hai đều là hàm tổng hợp phân phối. Tương tự, min N() và max N() (tìm N giá trị min/max trong tập cho trước) và độ lệch chuẩn (standard deviation) là hàm tổng hợp đại số. Đo lường đại số nếu đạt được bằng hàm tổng hợp đại số.
Toàn diện (Holistic) – Hàm tổng hợp là toàn diện nếu không có giới hạn cố định trên kích thước lưu trữ cần thiết để định nghĩa tổng hợp con. Nếu không tồn tại hàm đại số với M đối số (M hằng số) mô tả phép tính.
Ví dụ hàm toàn diện: median(), mode(), rank(). Đo lường toàn diện nếu đạt được bằng hàm tổng hợp toàn diện.
Ứng dụng data cube lớn đa số cần tính toán hiệu quả đo lường phân phối và đại số. Có phương pháp hiệu quả cho việc này. Ngược lại, khó tính toán hiệu quả đo lường toàn diện. Phương pháp hiệu quả xấp xỉ tính một số đo lường toàn diện vẫn tồn tại.
Ví dụ: thay vì tính median() chính xác, có thể tính giá trị median xấp xỉ cho tập dữ liệu lớn. Trong một số trường hợp, phương pháp này đủ khắc phục khó khăn tính toán hiệu quả đo lường toàn diện.