Snowflake, BigQuery, Databricks. Dónde ocurren los análisis estructurados — y dónde el lakehouse une ambos mundos.
Categoría · Datos y Analytics
Warehouse, lake, lakehouse.
Un data warehouse es una base de datos central para análisis estructurados, optimizada para consultas rápidas y repetibles. Snowflake y BigQuery son sus representantes típicos. Un data lake, en cambio, almacena todo en crudo, también lo no estructurado, sin un esquema fijo.
El lakehouse, conocido sobre todo por Databricks, reúne ambos mundos: almacenamiento en crudo barato como en el lake, más estructura de tablas y transacciones como en el warehouse.
Dónde encaja en nuestro caso.
Montamos el warehouse como fuente central de verdad para reporting y analytics: un lugar donde las cifras son consistentes, en vez de cinco versiones de Excel con cinco verdades. BigQuery, si ya se está en el entorno Google; Snowflake, si cuenta el multi-cloud; Databricks, cuando se suman ML y data engineering.
Cuándo está sobredimensionado.
Un warehouse se rentabiliza a partir de cierto volumen de datos y variedad de fuentes. Con tres tablas y 50.000 filas, una base de datos Postgres es más rápida, más barata y más honesta. La complejidad del lakehouse solo compensa cuando los datos no estructurados y el analytics tienen que convivir de verdad en el mismo sistema.