Snowflake, BigQuery, Databricks. Où se font les analyses structurées — et comment le Lakehouse réunit les deux mondes.
Catégorie · Données & Analytics
Warehouse, lake, lakehouse.
Un data warehouse est une base de données centrale pour les analyses structurées — optimisée pour des requêtes rapides et répétables. Snowflake et BigQuery en sont les représentants typiques. Un data lake, à l'inverse, stocke tout en brut, y compris le non structuré, sans schéma figé.
Le lakehouse, popularisé par Databricks, réunit les deux mondes : un stockage brut bon marché comme dans le lake, plus une structure tabulaire et des transactions comme dans le warehouse.
Où il se situe chez nous.
Nous mettons en place le warehouse comme source de vérité centrale pour le reporting et l'analytics : un endroit où les chiffres sont cohérents, au lieu de cinq versions Excel avec cinq vérités. BigQuery quand on est déjà dans l'environnement Google ; Snowflake quand le multi-cloud compte ; Databricks quand le ML et le data engineering s'ajoutent.
Quand c'est surdimensionné.
Un warehouse devient rentable à partir d'un certain volume de données et d'une certaine diversité de sources. Avec trois tables et 50 000 lignes, une base Postgres est plus rapide, moins chère et plus honnête. La complexité d'un lakehouse ne se justifie que lorsque données non structurées et analytics doivent réellement cohabiter dans le même système.