La differenza principale tra questi due sistemi è il modo in cui gestiscono la struttura e l'utilizzo dei dati. Un data lake è per i dati non elaborati e non strutturati, mentre un data warehouse è per i dati strutturati ed elaborati.

I data scientist spesso devono creare un modello di AI in grado di individuare le prenotazioni fraudolente in tempo reale. Poiché i dati provengono da molti luoghi, come i log dei siti web, gli eventi delle app per dispositivi mobili e i partner di terze parti, un data lake è la soluzione migliore per addestrare i modelli di AI.

Inizia configurando una pipeline per inviare ogni singolo evento non elaborato a Cloud Storage. Ciò include file JSON disordinati dal sito web e log binari dall'app mobile. Non devi ancora preoccuparti della formattazione dei dati perché Cloud Storage è progettato per questo tipo di scala.

Per rendere i dati utili al modello di AI, devi pulirli. Puoi utilizzare Google Cloud Service for Apache Spark per eseguire un job Apache Spark serverless. Ciò consente di trasformare milioni di log non elaborati in un formato strutturato senza dover gestire server o cluster.

Ora che i dati sono pronti, puoi inserirli in uno strumento di machine learning. Poiché i dati non elaborati originali sono ancora nel lake, puoi sempre tornare indietro e osservare i dettagli "nascosti" che potrebbero aiutarti a migliorare ulteriormente il modello.

Utilizzando un data lake, puoi archiviare tutto a basso costo ed elaborare solo ciò che è necessario quando è il momento di creare il modello.

Ora esaminiamo un caso d'uso di data science per i retailer. Puoi prevedere quanti cappotti invernali venderà l'azienda il mese prossimo e, poiché i dati di vendita sono già puliti e archiviati in un database, è consigliabile utilizzare un data warehouse per questa attività.

Inizia con BigQuery, che funge da data warehouse centrale dell'azienda. I dati di vendita sono già organizzati in tabelle ordinate con colonne per date, prezzi e ID prodotto. Poiché i dati sono già strutturati, non devi perdere tempo a pulirli.

Scrivi una query SQL per visualizzare le vendite invernali degli ultimi cinque anni. Anche se ci sono miliardi di righe di dati, BigQuery trova la risposta in pochi secondi. Questa velocità ti consente di provare idee diverse e perfezionare rapidamente la previsione.

Una volta pronta la previsione, puoi utilizzare uno strumento integrato per creare una dashboard. Il team di marketing può ora vedere esattamente quanti cappotti deve ordinare. Poiché BigQuery è serverless, l'azienda paga solo le query che esegui, mantenendo bassi i costi.

Per questo caso d'uso, il data warehouse è lo strumento migliore perché fornisce risposte rapide e affidabili a domande aziendali specifiche utilizzando dati già in un formato utilizzabile.