Floemdata
Daten & ETL

Data Lakehouse oder Data Warehouse: Architekturwahl

Lakehouse oder klassisches Data Warehouse? Wir erklären den Unterschied beider Architekturen und warum ein kleines Unternehmen einfach beginnen sollte.

Floemdata · · 3 Min. Lesezeit
Ein Lagerkasten mit Raster neben einem Haus, das Wellen und eine Reihe geordneter Quadrate enthält

In den letzten Jahren wird „Lakehouse“ so genannt, als wäre es der neue Name für das Data Warehouse. Dabei bedienen beide unterschiedliche Bedürfnisse. Dieser Beitrag vereinfacht den Unterschied und beschreibt, worauf ein kleines oder mittleres Unternehmen bei der Entscheidung achten sollte.

Zwei Definitionen

Databricks definiert ein Data Warehouse als Datenverwaltungssystem, das aktuelle und historische Daten aus mehreren Quellen geschäftsfreundlich für einfachere Einblicke und Berichte speichert. Dieselbe Quelle beschreibt ein Lakehouse als offene Architektur, die Flexibilität, Kosteneffizienz und Skalierung von Data Lakes mit der Datenverwaltung und den ACID-Transaktionen von Data Warehouses verbindet. Databricks verkauft ein Lakehouse-Produkt; diese Definitionen spiegeln seine Sichtweise.

Vergleich

  • Data Warehouse: geordnete, strukturierte Daten; für Reporting und BI optimiert; Definitionen an einem Ort.
  • Data Lake: speichert alle Arten von Rohdaten günstig; Verwaltung und Qualitätskontrolle können schwach bleiben.
  • Lakehouse: will die Flexibilität des Lake mit der Konsistenz des Warehouse verbinden; sinnvoll, wenn auch unstrukturierte Daten und maschinelles Lernen gebraucht werden.

Fragen zur Entscheidung

  • Sind Ihre Daten überwiegend strukturiert (ERP-Belege, Tabellen)? Dann genügt oft ein klassisches Warehouse.
  • Werden Sie auch unstrukturierte Daten wie Bilder, Text oder Logs analysieren?
  • In welcher Größenordnung liegen Volumen und Nutzerzahl? Der Verwaltungsaufwand großer Plattformen kann ein kleines Team belasten.
  • Wer betreibt es? Je fortgeschrittener die Architektur, desto größer der Betriebsaufwand.

Praktischer Rat für kleine Unternehmen

Beginnen Sie bei einem einzelnen ERP und wenigen Berichten mit dem Einfachsten, das funktioniert: konsistente Definitionen, ein Ladevorgang, der die Historie bewahrt, und geprüfte Berichte. Bauen Sie die Architektur aus, wenn der Bedarf wirklich entsteht; erst eine große Plattform zu errichten und dann zu suchen, was hineinpasst, ist ein häufiger Fehler.

Stand bei Floemdata

Floemdata Analytics hält seine Daten in den Schichten Bronze, Silver und Gold in lokalen SQLite-Datenbankdateien (laut Projektdokumentation getrennte Dateien). Das ist kein Lakehouse und kein verteiltes Warehouse, sondern ein einfaches Design für kleine und mittlere Installationen. Skalierungsgrenzen bei hohen Volumen wurden in diesem Beitrag nicht überprüft (nicht verifiziert).

Zum Einstieg schreiben Sie auf, wie viel Ihrer Daten strukturiert ist und welche Fragen Sie beantwortet haben wollen. Quellen: Databricks, Data Lakehouse, Databricks, Data Warehouse.

← Alle Leitfäden