Arquitecturas de Datos (Warehouse, Lake, Lakehouse)
Las distintas formas de organizar el almacenamiento de datos de una organización, cada una con sus propios trade-offs.
ÁreaIngeniería y Arquitectura de Datos
DificultadIntermedio
Tiempo de aprendizaje3-4 semanas
¿Qué puedes lograr dominando este tema?
- Elegir la arquitectura de almacenamiento correcta según el caso de uso
- Entender los trade-offs entre estructura, costo y flexibilidad de cada enfoque
- Diseñar un flujo de datos coherente desde la fuente hasta el análisis
Descripción
Un data warehouse almacena datos estructurados y modelados para analítica rápida; un data lake almacena datos crudos de cualquier formato a bajo costo; un lakehouse combina ambos, aportando la estructura del warehouse sobre el almacenamiento flexible de un lake. Elegir bien afecta directamente qué tan rápido y confiable es el análisis posterior.
Casos de uso
- Diseño de la infraestructura de datos central de una organización
- Consolidación de datos provenientes de múltiples sistemas operacionales
- Balanceo entre costo de almacenamiento y velocidad de consulta
- Preparación de datos para consumo tanto de BI como de ML
Ejemplo práctico
Flujo típico:
Fuentes (apps, APIs) -> Data Lake (crudo, S3/GCS)
-> Transformación (dbt/Spark) -> Data Warehouse (modelado)
-> BI (Tableau) y ML (feature store)Ventajas y limitaciones
Ventajas
- Elegir la arquitectura correcta reduce costos y mejora drásticamente la velocidad de análisis
- Los lakehouses modernos ofrecen lo mejor de ambos mundos
- Fundamento indispensable para cualquier estrategia de datos seria
Limitaciones
- Migrar entre arquitecturas una vez establecidas es costoso y arriesgado
- Requiere decisiones de diseño tempranas que son difíciles de revertir después
Herramientas relacionadas
Librerías y plataformas más comunes para practicar este tema.
- Snowflake
- Amazon S3
- Databricks