La noción de dimensionalidad de los datos sustenta todo este concepto. La dimensionalidad se refiere al número de atributos (o características) asignados a un único conjunto de datos. Sin embargo, hay una contrapartida: cuanto mayor sea la dimensionalidad, mayor será el almacenamiento de datos necesario para ese conjunto de datos. Además, cuanto mayor es la dimensionalidad, más a menudo los datos tienden a ser escasos, lo que complica el análisis necesario del valor atípico.

La reducción de la dimensionalidad contrarresta eso limitando el "ruido" en los datos y permitiendo una mejor visualización de ellos. Un buen ejemplo de reducción de dimensionalidad es el método de transformación de ondículas, que ayuda a la compresión de imágenes manteniendo la distancia relativa que existe entre los objetos en varios niveles de resolución.

La extracción de características es otra transformación posible de los datos, que consiste en cambiar los datos originales en características numéricas y funciona junto con el aprendizaje automático. Se diferencia del análisis de componentes principales (ACP), otro medio de reducir la dimensionalidad de grandes conjuntos de datos, en el que un conjunto considerable de variables se transforma en un conjunto más pequeño conservando la mayoría de los datos del conjunto grande.

El otro método consiste en seleccionar un formato más pequeño y de menos uso intensivo en datos para representar los datos. Hay dos tipos de reducción de la numerosidad: la que se basa en métodos paramétricos y la que se basa en métodos no paramétricos. Los métodos paramétricos, como la regresión, se concentran en los parámetros del modelo, excluyendo los datos en sí. Del mismo modo, se puede emplear un modelo logarítmico lineal que se centre en los subespacios dentro de los datos. Mientras tanto, los métodos no paramétricos (como los histogramas, que muestran la forma en que se distribuyen los datos numéricos) no dependen en absoluto de los modelos.

Los cubos de datos son una forma visual de almacenar datos. El término "cubo de datos" es en realidad casi engañoso en su singularidad implícita, porque en realidad está describiendo un cubo grande y multidimensional que se compone de cuboides más pequeños y organizados. Cada uno de los cuboides representa algún aspecto de los datos totales dentro de ese cubo de datos, específicamente fragmentos de datos relacionados con medidas y dimensiones. La agregación de cubos de datos, por lo tanto, es la consolidación de datos en el formato visual de cubo multidimensional, que reduce el tamaño de los datos al dotarlos de un contenedor único construido específicamente para ese fin.

Otro método para la reducción de datos es la discretización de los datos, en la que se crea un conjunto lineal de valores de datos basado en un conjunto definido de intervalos que corresponden a un valor de datos determinado.

Para limitar el tamaño de los archivos y lograr una compresión de datos exitosa, se pueden emplear varios tipos de codificación. En general, se considera que las técnicas de compresión de datos emplean la compresión sin pérdida o la compresión con pérdida, y se agrupan de acuerdo con esos dos tipos. En la compresión sin pérdidas, el tamaño de los datos se reduce mediante técnicas y algoritmos de codificación, y los datos originales completos se pueden restaurar si es necesario. La compresión con pérdidas, por otro lado, emplea otros métodos para realizar su compresión, y aunque puede valer la pena conservar sus datos procesados, no se tratará de una copia exacta, como se obtendría con la compresión sin pérdidas.

Algunos datos deben limpiar, tratar y procesar antes de someter a los procesos de análisis y reducción de datos. Parte de esa transformación puede implicar cambiar los datos de naturaleza analógica a digital. La discretización es otro ejemplo de preprocesamiento de datos, en el que se emplean valores medianos para normalizar varios tipos de datos y garantizar la integridad de los datos en todos los ámbitos.