NoSQL用于管理从汽车上采集到的数据，以及后面流程的数据，但是，不同的部分应选用不同的、适应各自特性的NoSQL方案：
车辆行驶数据，更适合以日志文件的方式存储。车辆上报的数据通常是基于字节编码的比如ASN.1，需要计算时再解码。
监控管理结果，更适合采用一种内存数据库方案，可能需要支持快速读写历史数据、以及定时或定量将数据写入（固态）硬盘。
驾驶行为模型，则需要考虑解决变更计算参数后重新计算、增减模型因子后增删相关数据、因子的值的类型多样化（甚至是复合类型）、等问题。
保费风险模型，或者采用与目前保险公司方案兼容的，或者采用适合新型BI的（新型BI在后面会有介绍）。
流式计算用于满足实时性要求高的汽车监管。不同的流式计算系统侧重解决不同的问题。比如Storm解决了实时的分布式计算问题，包括计算流可以分布在一个或多个机器上、动态增减服务器及Fail over自管理、通信机制透明化、热部署计算流等；Esper解决了事件之间的规则及关系问题。如果监控需求导致数据多且复杂，那么一个内存数据库是有必要的。
分布式批量计算，目前最流行的方案就是Hadoop。当前Hadoop的热点之一就是改造Hadoop以满足一定的及时性要求，而不单单是批量处理；之所以说是及时性，因为它还达不到实时性的程度。
BI（商业智能）。在当前的大数据环境下，传统的基于关系数据库的方式呈现出几个不足：1、传统方案侧重社会化（分析出整体模型，拿个体特征与其对比），难以满足个体在某时某地的“复杂性/混沌的/发散的”的需求；2、传统方案在数据量非常大时，可能是抽样的，难以做到全量分析；3、更多互联网公司的数据和企业化系统的数据，其存储已经使用NoSQL方案，传统方案难以匹配。能解决以上三个问题的BI框架还未成熟。
不管在数据处理的哪个环节，使用那种处理技术，对于数据的质量识别、优劣控制都是必须的。在车联网中，从车机或OBD设备开始，由于车型的多样性、设备工作环境的复杂性，数据就不可能达到统一的质量标准，如何处理不同的可用率的数据，如何对待由这些数据产生的价值精准性，是必须考虑的重点问题。