La principal diferencia entre estos dos sistemas es cómo manejan la estructura y el uso de los datos. Un data lake es para datos sin procesar 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 provienen de muchos lugares, como registros de sitios web, eventos de apps para dispositivos móviles y socios externos, un data lake funciona mejor para entrenar modelos de IA.

Comienza por configurar una canalización para enviar cada evento sin procesar a Cloud Storage. Esto incluye archivos JSON desordenados del sitio web y registros binarios de la app para dispositivos móviles. No tienes que preocuparte por dar formato a los datos todavía, ya que Cloud Storage está diseñado para este tipo de escala.

Si quieres que el modelo de IA pueda aprovechar los datos, debes depurarlos. Puedes usar Google Cloud Service para Apache Spark para ejecutar un trabajo de Apache Spark sin servidores. Esto te permite transformar millones de registros sin procesar en un formato estructurado sin necesidad de administrar servidores o clústeres.

Ahora que los datos están listos, puedes ingresarlos en una herramienta de aprendizaje automático. Como los datos sin procesar originales aún están en el lake, siempre puedes volver y consultar los detalles "ocultos" que podrían mejorar aún más el modelo.

Con un data lake, puedes almacenar todo a bajo costo y solo procesar lo que se necesita cuando llegue el momento de crear el modelo.

Ahora, veamos un caso de uso de ciencia de datos para comercios. Puedes prever cuántos abrigos venderá la empresa el próximo mes y, como los datos de ventas ya están depurados y almacenados en una base de datos, se recomienda usar un almacén de datos para esta tarea.

Comienza con BigQuery, que actúa como almacén de datos central de la empresa. Los datos de ventas ya están organizados en tablas ordenadas con columnas para fechas, IDs de productos y precios. Como los datos ya están estructurados, no tienes que dedicar tiempo a depurarlos.

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

Una vez que la previsión esté lista, puedes usar una herramienta integrada para crear un panel. Ahora el equipo de marketing puede ver exactamente cuántos abrigos necesita pedir. Como BigQuery funciona sin servidores, la empresa solo paga por las consultas que ejecutas, lo que mantiene los costos bajos.

Para este caso de uso, el almacén de datos es la mejor herramienta porque proporciona respuestas rápidas y confiables a preguntas empresariales específicas con datos que ya están en un formato utilizable.