Un data lake o lago de datos es un repositorio centralizado para todos nuestros datos, donde se pueden almacenar tanto datos estructurados como no estructurados, con sus correspondientes metadatos y que son disponibles bajo demanda en todo momento.<\/p>\n
Dentro del data Lake tienen cabida todo tipo de ficheros, independientemente de su fuente, escala o el formato que tengan y con todo ello se pueden ejecutar análisis, visualizaciones y procesos según las necesidades puntuales que tenga la empresa.<\/p>\n
A pesar de que no existe una metodología estándar para crear un data lake, en su proceso se deben tener en consideración los siguientes pasos:<\/p>\n
– Adquisición de datos a tratar.<\/strong> Como punto de inicio se han de obtener de datos y los metadatos, y prepararlos para la incorporación al data lake. Identificando las fuentes y datos de más valor para las tareas a la que pueden ser aplicados.<\/p>\n – Data curation ó grooming data.<\/strong> Tras ello entran en acción el conjunto de procesos que llevan a los datos crudos a datos consumibles por las aplicaciones analíticas. Así los datos pasan a tener formatos interpretables y reconocibles.<\/p>\n – Proveer los datos.<\/strong> En base a metainformación de los datos, se ejecutan los procesos que permiten acceder a los datos contenidos en el data lake en base a las políticas establecidas. Con ello se impide el acceso a datos inapropiados y están en disposición de ser utilizarlos de forma adecuada.<\/p>\n – Preservar de los datos<\/strong>. Finalmente entran en juego los procesos y políticas que determinan los datos a conservarse y hasta cuándo. Del mismo modo sirve para garantizar la disponibilidad de los mismos y que el rendimiento\/recursos necesarios para acceder a los datos sea sostenible.<\/p>\n Los principales beneficios del uso de un data lake pasan por ser los siguientes:<\/p>\n Cuando se trata de almacenar una cantidad ingente de datos, es común que al concepto de data lake se asocie el de data warehouse o almacén de datos. El data warehouse, básicamente, son los distintos componentes del data lake que tienen como misión tratar datos estructurados.<\/p>\n Ambos se centran en el almacenamiento de datos, existiendo diferencias como son:<\/p>\n – Accesibilidad.<\/strong> Un data lake ofrece una accesibilidad muy simple, por contra en un data warehouse este asunto es más complejo.<\/p>\n – Almacenamiento.<\/strong> El data lake cuenta con un coste limitado y es ampliable en la nube, mientras que un data warehouse es generalmente más caro.<\/p>\n – Esquema.<\/strong> Los data lakes se basan en esquemas On Read y los data warehouses en esquemas on write.<\/p>\n – Estructura de los datos.<\/strong> Data warehouse solo recoge datos ya estructurados, y data Lake toma datos tanto estructurados como no estructurados.<\/p>\n – Finalidad de los datos.<\/strong> El uso de los datos siempre estar definido en un data warehouse, mientras que en un data lake no siempre es así.<\/p>\n – Flexibilidad.<\/strong> En un data lake es más fácil hacer modificaciones por la ausencia de estructura, por contra es un data warehouse es mucho más complicado.<\/p>\n – Usuarios.<\/strong> Los datos en un data lake son manejados por analistas, en un data warehouse cualquier usuario autorizado a ello puede manejar los datos.<\/p>\n <\/body><\/html><\/p>\n","protected":false},"template":"","class_list":["post-48481","glossary","type-glossary","status-publish","hentry"],"yoast_head":"\n2. Ventajas de usar un data lake<\/h2>\n
\n
3. Data lake vs. Data warehouse<\/h2>\n