数据湖的应用不仅限于特定领域，组织现在有更多机会将其整合进数据架构中。
近期，行业专家撰写了一篇文章，揭示了围绕数据湖架构、定义和分析的一些常见误区。文章标题为“什么是数据湖？如何避免最大的误解。”在这篇文章中，讨论了数据湖及其在企业数据战略中的适用性。对于希望从数据湖中获得价值的企业而言，由于顾问和供应商的建议各不相同，这一主题往往令人困惑且不透明。
人们常常误以为数据湖仅用于特定用途。如果仔细阅读相关资料，可能会发现数据湖似乎只有一种形式。通常，人们将数据湖描述为一种庞大的、包罗万象的实体，旨在存储所有类型的信息。好消息是，数据湖的应用范围比以往更加广泛，组织有更多机会将其纳入数据架构。
不同类型的数据湖
就像自然界中的湖泊一样，数据湖也有多种形状和规模。每种湖泊都有其独特的状态，通常反映出其数据生态系统，类似于自然界中展示生物多样性的生态系统。
不幸的是，常见的观点使人们认为数据湖仅适用于大规模的数据处理任务，这无疑增加了使用数据湖的难度。因此，过于宏观的描述让那些可以从中受益的人对数据湖概念感到陌生。以下是一些数据湖的例子。
广泛型：类似于里海的庞大水域，这种类型的数据湖包含了多样的数据集，广泛收集的信息反映了整个企业的情况。这是大多数数据湖应用的基础。临时型：如同沙漠中的小型临时湖泊，短暂存在的临时数据湖可用于项目、试点、概念验证或特定解决方案，开启和关闭的速度相对较快。领域型：这些湖泊与临时数据湖相似，通常聚焦于特定的知识领域。但与临时湖不同，这类湖泊会随着时间的推移而持续存在，可能专注于特定的数据领域，例如媒体、社交网络、网站分析、电子邮件等数据源。
最近，我们与客户合作创建了一个数据湖，该湖将Adobe事件数据存储到AWS，以支持其Oracle Cloud环境。为什么选择AWS而非Oracle？对于客户的Oracle BI环境来说，这种数据消耗模式不仅高效而且具有成本效益，尤其是考虑到使用AWS Lake和Athena作为湖泊内容的按需查询服务的灵活性和经济性。
从设计角度来看，所有类型的湖泊都应采用抽象技术，以降低风险并提供更大的灵活性。同时，它们的结构应当易于使用，不论大小。这确保了数据科学家、业务用户或分析师能够在一个结构化的环境中方便地使用数据。
数据湖的入门
成功的早期采用者应采取以业务价值为导向的方法，而非单纯的技术导向。当组织考虑如何入门时，以下几点建议值得注意：
聚焦：寻找能够部署或解决方案的机会，从而降低风险，并克服技术和组织方面的挑战，让团队对数据湖充满信心。热情：确保内部有一位或多位对组织解决方案和采用充满热情的支持者。简化：倡导简单性和敏捷性，使人员、流程和技术选择贯穿其中。缺乏复杂性应被视为周到设计的结果，而非缺陷。狭窄：通过限制数据湖的范围（如从ERP、CRM、销售点、市场营销或广告数据中提取）来明确目标。这一阶段的数据素养将帮助您理解数据结构、提取、治理、质量和测试的工作流程。实验：将数据湖与现代BI工具（如Tableau、Power BI、Amazon Quicksight或Looker）配合使用，让非技术用户有机会通过数据湖进行实验和数据探索。这使组织能够与其他用户群体互动，评估性能瓶颈、发现改进机会以及与现有EDW系统或其他数据系统的潜在链接。
关注业务价值而非技术，可以为组织提供在整体数据与分析战略框架内进行工作的机会，从而提高效率，并帮助组织实现数据湖目标及衡量业务绩效的进展。这也将促进共享术语、最佳实践及对更优平台建设的投资。
