Data lake vs data warehouse: qual a diferença

Os dois termos são usados como sinônimos, e não são#

Data lake e data warehouse aparecem juntos em quase toda conversa sobre plataforma de dados, e é comum ver os dois tratados como a mesma coisa com nomes diferentes. Não são. Eles guardam dados de formas diferentes, aplicam estrutura em momentos diferentes e servem a propósitos diferentes. Trocar um pelo outro na hora de desenhar a arquitetura leva a projetos que ou não escalam, ou custam caro sem entregar o que se esperava. Entender a diferença entre data lake vs data warehouse é o que permite escolher a base certa, ou combinar as duas de forma consciente. Este guia explica cada um em linguagem direta e mostra como o lakehouse moderno tenta unir os dois.

O data warehouse guarda dados estruturados e modelados para responder rápido#

O data warehouse é o armazém de dados clássico do BI. Ele guarda dados estruturados, organizados em tabelas com esquema definido, normalmente modelados de forma dimensional, com fatos e dimensões. A característica central é o schema on write: a estrutura é aplicada na entrada, ou seja, o dado é limpo, transformado e encaixado no modelo antes de ser gravado. Quando ele chega ao warehouse, já está pronto para ser consultado.

Isso tem uma consequência prática importante: consultas de BI são rápidas e confiáveis, porque o dado já está tratado e modelado. É o ambiente natural para relatórios gerenciais, indicadores e análises com SQL. O preço dessa organização é a rigidez e o custo: preparar tudo na entrada dá trabalho, e o armazenamento estruturado costuma ser mais caro. Você troca flexibilidade por performance e governança.

O data lake guarda qualquer dado bruto e aplica estrutura só na leitura#

O data lake é um repositório que aceita dados em qualquer formato: estruturados como tabelas, semiestruturados como JSON e logs, e não estruturados como imagens, texto e áudio. Ele guarda o dado bruto, do jeito que chegou, em armazenamento de objetos barato. A característica central é o oposto do warehouse: schema on read. A estrutura não é imposta na entrada; ela é aplicada no momento em que você lê o dado, conforme a necessidade daquela análise.

Isso dá uma flexibilidade enorme. Você guarda tudo, inclusive dados cujo uso ainda nem definiu, a um custo baixo, e decide depois como interpretá-los. É o ambiente natural para ciência de dados, machine learning e grandes volumes. O risco é o famoso data swamp, o pântano de dados: sem governança, o lake vira um depósito onde tudo entra e nada é encontrável ou confiável. Flexibilidade sem disciplina cobra caro.

Uma tabela lado a lado deixa as diferenças evidentes#

Critério	Data warehouse	Data lake
Tipo de dado	Estruturado, modelado	Qualquer formato, inclusive bruto
Quando aplica o esquema	Na escrita (schema on write)	Na leitura (schema on read)
Custo de armazenamento	Maior	Menor, objeto barato
Consulta de BI	Rápida e direta	Exige preparo antes
Uso típico	Relatórios, indicadores, SQL	Ciência de dados, ML, big data
Risco principal	Rigidez e custo de preparo	Virar pântano sem governança
Público	Analista de negócio, BI	Engenheiro e cientista de dados

Na prática, a maioria das empresas precisa dos dois#

A escolha raramente é um contra o outro. O padrão que se consolidou combina os dois: o data lake recebe todo o dado bruto de forma barata e flexível, e a partir dele são construídas camadas cada vez mais tratadas, até chegar a um conjunto modelado que alimenta o BI, como faria um data warehouse. É a lógica das camadas, muitas vezes descrita como bronze para o dado cru, prata para o dado limpo e ouro para o dado pronto para consumo. O lake dá a flexibilidade na entrada, e a camada final dá a performance e a confiança na saída.

O lakehouse tenta juntar o melhor dos dois em uma arquitetura só#

O lakehouse é a evolução que busca acabar com a escolha forçada. A ideia é ter a flexibilidade e o custo do data lake com a estrutura, a confiabilidade e a performance de consulta do data warehouse, tudo sobre o mesmo armazenamento. Isso é possível graças a formatos de tabela abertos como o Delta Lake, que trazem transações confiáveis e organização para arquivos que vivem no lake.

No Microsoft Fabric, essa ideia aparece no OneLake, o data lake unificado da plataforma, onde os dados ficam em formato aberto e podem ser consumidos tanto por cargas de engenharia quanto pelo Power BI, inclusive pelo modo Direct Lake, que lê esses arquivos diretamente. Databricks segue a mesma filosofia de lakehouse com Delta Lake. O ponto comum é evitar copiar o mesmo dado para vários sistemas: uma cópia no lake, servindo a todos os usos.

Como escolher a base certa para o seu momento#

Se a sua necessidade hoje é BI e relatórios sobre dados estruturados, com performance e governança, um caminho orientado a warehouse ou à camada modelada resolve. Se você lida com grandes volumes, dados variados e cargas de ciência de dados, o data lake é indispensável. E se você está montando uma plataforma nova, com visão de futuro, a arquitetura de lakehouse tende a ser a mais econômica e flexível, por evitar duplicação e servir vários públicos com uma base só. O importante é decidir isso de forma consciente, e não por moda ou por inércia de ferramenta. Para desenhar essa base sem retrabalho, conheça nossos serviços de engenharia de dados, as soluções e o artigo sobre o que vale a pena no Microsoft Fabric.

Perguntas frequentes#

Data lake substitui o data warehouse? Não necessariamente. Eles resolvem problemas diferentes. Na maioria das empresas os dois convivem, com o lake recebendo o dado bruto e uma camada modelada servindo o BI. O lakehouse é a tentativa de unir os dois em uma arquitetura só.

O que é schema on read e schema on write? Schema on write é aplicar a estrutura ao gravar, como faz o data warehouse, deixando o dado pronto para consulta. Schema on read é aplicar a estrutura ao ler, como faz o data lake, guardando o dado bruto e interpretando na hora do uso.

O que é um data swamp? É o data lake que virou um pântano: sem governança, catálogo e qualidade, ele acumula dados que ninguém consegue encontrar nem confiar. Evitar isso exige organização e definições, mesmo em um ambiente flexível.

O que é lakehouse? É a arquitetura que combina a flexibilidade e o custo do data lake com a estrutura e a performance do data warehouse, usando formatos de tabela abertos como o Delta Lake. Fabric e Databricks seguem esse conceito.

O que é o OneLake do Fabric? É o data lake unificado do Microsoft Fabric, onde os dados ficam em formato aberto e podem ser usados por diferentes cargas, inclusive pelo Power BI no modo Direct Lake, que lê os arquivos diretamente sem importar.

Qual é mais barato de manter? O armazenamento do data lake costuma ser mais barato, por usar objeto simples. Mas o custo total depende do uso: preparar dados, processar e consultar têm custos próprios. O lakehouse busca reduzir custo ao evitar manter cópias em sistemas separados.

Escolha a base pelo problema, não pelo nome da moda#

Data lake e data warehouse não competem; eles ocupam papéis diferentes, e o lakehouse tenta unir os dois. A decisão certa vem de olhar o que você precisa entregar e em que estágio a sua plataforma está. Se quiser ajuda para desenhar essa arquitetura, fale com a gente.