這兩種系統的主要差異在於資料結構和使用方式。資料湖泊適用於原始的非結構化資料，資料倉儲則專門用來處理結構化、經過處理的資料。

資料科學家通常需要建構 AI 模型，以便即時偵測並攔截詐欺預訂。由於這些資料來自多處，例如網站記錄、行動應用程式事件和第三方合作夥伴，因此資料湖泊最適合用來訓練 AI 模型。

首先，設定一個管道，將每個原始事件全數傳送至 Cloud Storage。包括來自網站的雜亂 JSON 檔案，以及行動應用程式的二進位記錄。這個階段您完全不必擔心資料的格式化問題，因為 Cloud Storage 就是專為這種大量規模的儲存需求而打造。

為了讓 AI 模型能使用資料，您需要清理資料。您可以使用 Google Cloud Service for Apache Spark 執行無伺服器 Apache Spark 工作。這項服務可將數百萬筆原始記錄轉換為結構化格式，且無需管理任何伺服器或叢集。

資料準備就緒後，即可將資料輸入機器學習工具。由於原始資料仍保留在資料湖泊，您可以隨時返回查看「隱藏」的詳細資料，進一步提升模型成效。

資料湖泊能以低成本儲存所有資料，並在建構模型時只處理必要的資料。

接著來看看零售商的資料科學應用實例。您可以預測公司下個月的冬季外套銷售量。由於銷售資料已清理完畢並儲存在資料庫，建議您使用資料倉儲來完成這項工作。

首先是 BigQuery，這項服務可做為公司的中央資料倉儲。銷售資料已整理成清楚的資料表，包含日期、價格和產品 ID 欄。由於資料已結構化，因此您不必花時間清理。

編寫 SQL 查詢，用來查看過去五年的冬季銷售資料。即使多達數十億資料列，BigQuery 也能在幾秒內找出答案。這種速度可讓您嘗試不同構想，並快速修正預測結果。

預測結果準備就緒後，您可以使用內建工具建立資訊主頁。行銷團隊現在可以準確掌握需要訂購多少件外套。BigQuery 是無伺服器服務，公司只需支付執行查詢的費用，因此成本相當低。

在這個用途中，資料倉儲是最佳工具，因為它能使用已處理為可用格式的資料，快速可靠地回答特定業務問題。