La principal diferencia entre estos dos sistemas es cómo gestionan la estructura y el uso de los datos. Un data lake es para datos en bruto y no estructurados, mientras que un almacén de datos es para datos estructurados y procesados.

Los científicos de datos suelen necesitar crear un modelo de IA que pueda detectar reservas fraudulentas en tiempo real. Como los datos proceden de muchos sitios, como registros de sitios web, eventos de aplicaciones móviles y partners externos, un data lake es la mejor opción para entrenar modelos de IA.

Empieza configurando un flujo de procesamiento para enviar todos los eventos sin procesar a Cloud Storage. Esto incluye archivos JSON desordenados del sitio web y registros binarios de la aplicación móvil. No tienes que preocuparte por dar formato a los datos todavía, ya que Cloud Storage se ha diseñado para este tipo de escala.

Para que los datos sean útiles para el modelo de IA, debes limpiarlos. Puedes usar el servicio de Google Cloud para Apache Spark para ejecutar una tarea de Apache Spark sin servidor. De esta forma, puedes transformar millones de registros en bruto en un formato estructurado sin tener que gestionar servidores ni clústeres.

Ahora que los datos están listos, puedes introducirlos en una herramienta de aprendizaje automático. Como los datos en bruto originales siguen en el lake, siempre puedes volver a consultarlos y buscar detalles "ocultos" que puedan ayudarte a mejorar aún más el modelo.

Al usar un data lake, puedes almacenar todo a bajo coste y solo procesar lo que sea necesario cuando llegue el momento de crear el modelo.

Veamos ahora un caso práctico de ciencia de datos para comercios. Puedes predecir cuántos abrigos de invierno venderá la empresa el mes que viene. Como los datos de ventas ya están limpios y almacenados en una base de datos, se recomienda usar un almacén de datos para esta tarea.

Empieza con BigQuery, que actúa como almacén de datos central de una empresa. Los datos de ventas ya están organizados en tablas con columnas de fechas, precios e IDs de producto. Como los datos ya están estructurados, no tienes que dedicar tiempo a limpiarlos.

Escribe una consulta de SQL para ver las ventas de invierno de los últimos cinco años. Aunque haya miles de millones de filas de datos, BigQuery encuentra la respuesta en cuestión de segundos. Esta velocidad te permite probar diferentes ideas y acotar la previsión rápidamente.

Cuando la previsión esté lista, puedes usar una herramienta integrada para crear un panel de control. Ahora el equipo de marketing puede ver exactamente cuántos abrigos necesita pedir. Como BigQuery no tiene servidor, la empresa solo paga por las consultas que ejecutas, lo que mantiene los costes bajos.

En este caso, el almacén de datos es la mejor herramienta, ya que proporciona respuestas rápidas y fiables a preguntas empresariales específicas utilizando datos que ya están en un formato que puede utilizarse.