Разбираем недостатки, скрытые затраты и критерии, которые действительно важны для бизнеса.
Перед каждым бизнесом, который растет и накапливает информацию, встает вопрос: идти по проверенному пути внедрения классического хранилища данных (Data Warehouse, DWH) или выбрать современную единую платформу для хранения, обработки и анализа всех типов данных (Data Lakehouse), которая обещает «все и сразу». Аргументы обеих сторон подкреплены маркетингом, но реальность, как всегда, оказывается сложнее.
В последние годы рынок данных переходит от авральных импортозамещений и эйфории новых технологий к максимальному прагматизму при выборе архитектуры для работы с информацией. Как показывают мировые исследования, ни одна из них не является универсальной, а цена ошибки здесь особенно высока — не зря хранилище называют сердцем бизнеса. Говоря о том, что такое DWH простым языком, достаточно представить его как суперорганизованный склад, где все данные разложены по полочкам еще до того, как попасть внутрь. В отличие от него, Lakehouse предлагает концепцию «сначала загрузи, потом разберешь».
В статье разберемся со сложными вопросами, объемами и нагрузками, бюджетными ограничениями, зрелостью команды и самыми последними трендами, которые уже в 2026 году меняют ландшафт в области работы с базами данных (БД) в корпорациях.
Рынок Lakehouse: глобальный масштаб и российские реалии
Прежде чем погружаться в технические и организационные аспекты, стоит оценить масштаб явления. Мировой рынок Lakehouse демонстрирует отличный потенциал: в 2024 году он оценивался в 11,9 млрд долларов США, а затем ожидался рост с 14,2 млрд (2025 год) до 105,9 млрд (2034 год) с темпом +25% ежегодно.
Аналитики определили для этого несколько ключевых причин:
- стремительное увеличение объемов корпоративных данных;
- внедрение аналитики на основе искусственного интеллекта;
- возрастающие потребности в аналитике данных, доступной в режиме реального времени.
В России ситуация схожая, но с локальными поправками на административные ограничения. Важная специфика: с уходом западных вендоров российский рынок активно формирует собственные технологические тренды. Если в США и Европе платформа Lakehouse уже входит в корпоративный стандарт, то нам локально важно учесть доступность решений и специалистов, нормативные требования и будущую миграцию на отечественное ПО.
От маркетинга к реальности: как Lakehouse прошел через «яму разочарования»
У любой инновации есть свой срок жизни, Gartner описывает его с помощью цикла технологического хайпа. Удивительно, но в 2024 году Lakehouse переместилась в «яму разочарований» (на пике она была в 2021–2022 годах), соответственно, к 2026 году должна выйти уже на плато эффективности. То есть фаза шумихи закончилась, и началось практическое внедрение и обкатка. По сути, это не потеря актуальности, а переход к совершенно другим вопросам — «как масштабировать архитектуру, эффективно управлять ею и извлекать инсайты, которые будут двигать бизнес вперед?»
Lakehouse была на пике в
Концепция Data Lakehouse обещала:
- ACID-транзакции в объектных хранилищах;
- производительность BI на уровне Data Warehouse;
- единую пакетную обработку данных и стриминга;
- экономию за счет конвергенции;
- безболезненную эволюцию схемы данных.
На самом деле часть обещаний сбылась, но не бесплатно. Транзакции, основанные на атомарности, согласованности, изолированности и долговечности (ACID), действительно заработали (ритейл-компании обрабатывают по 500 млн транзакций в день через открытый формат хранения данных (Delta Lake)). Однако расходы на вычисления часто растут вместо экономии, а проекты сталкиваются с неожиданными задержками и проблемами производительности.
Аудит архитектуры данных
Инновационные платформы данных часто приносят скрытые расходы на вычисления и задержки вместо обещанной экономии. Эксперты НОРБИТ проанализируют ваши потоки информации и подберут оптимальную ИТ-архитектуру, чтобы снизить затраты на инфраструктуру и ускорить обработку.
Сравнительный анализ DWH и Lakehouse по ключевым параметрам
1. Производительность и бенчмарки
Бенчмарк (Benchmark — «эталон», «ориентир») UC Berkeley (LHBench) показывают, что при определенных сценариях Delta Lake дает улучшение производительности в 7–20 раз для больших наборов файлов по сравнению с традиционными подходами. Microsoft в своих прогнозах на 2025 год заявляла, что более 56 % организаций ожидают снижения затрат на аналитику более чем на 50 % при внедрении Lakehouse.
Однако сейчас, оглядываясь назад, можно сказать, что эти радужные прогнозы оправдались далеко не у всех. Главная причина — бенчмарки LHBench, как и любое тестирование в лабораторных условиях, не учитывают специфику данных реального бизнеса: типы запросов, структуру таблиц, частоту обновлений и квалификацию команды. В итоге экономия 50 % превращается в 5–10 %, а производительность «из коробки» оказывается ниже ожидаемой, пока инженеры вручную не нарежут партиции и не настроят оптимизатор. Lakehouse требует зрелости команды, и без нее красивые цифры из бенчмарков так и останутся красивыми цифрами.
2. Требовательность к инфраструктуре и данные
|
Параметр |
DWH | Lakehouse |
|---|---|---|
| Стоимость хранения | Высокая (проприетарные форматы) | Дешевое объектное хранилище (S3, OSS) |
| Масштабирование | Вертикальное, дорогое | Горизонтальное, эластичное |
| Структура данных | Только структурированные | Структурированные + JSON + видео + аудио |
| ACID | Нативная | Через Iceberg, Delta Lake |
| Vendor Lock-in | Жесткий | Низкий, открытые форматы |
Становится ясно: классические DWH-системы не способны обрабатывать лавинообразно растущее количество неструктурированной информации (видео, аудио, логи IoT). Если ИИ-моделям нужны мультимодальные данные — выбор практически предопределен. Но если у бизнеса стандартная управленческая отчетность и небольшие объемы данных, архитектура DWH будет проще, быстрее и дешевле для старта. При выборе важно понимать принципы Data Warehouse (ETL-процессы, строгая схема «звезда» или «снежинка»), а также то, как организованы DWH-таблицы — факты и измерения, которые лежат в основе любой витрины.
Не уверены, какая архитектура, Data Warehouse или Lakehouse действительно подойдет вашему бизнесу?
Проведем аудит текущего ландшафта данных, оценим риски, стоимость владения и готовность инфраструктуры к внедрению ИИ.
Новый ландшафт 2026: зачем копать глубже
Тренды на 2026 год, по сведениям аналитиков Gartner и McKinsey, выходят далеко за рамки простого выбора архитектуры Lakehouse или хранилища данных Data Warehouse. Взгляните на этот ландшафт — он определяет, на чем строить свою стратегию:
- AI-Ready Data (очищенные и структурированные данные для обучения больших языковых моделей). ИИ-соревнование выигрывает не тот, у кого лучше модели, а тот, у кого качественнее и доступнее данные. Без сильного фундамента ИИ-проекты обречены на провал.
- Data Mesh (сетка данных). Это организационная модель, а не технология. Она передает владение информации бизнес-доменам, делая данные «продуктом». Требует культурных изменений в компании.
- Data Fabric (ткань данных). Архитектурный слой, который интеллектуально связывает все ваши разнородные источники через активные метаданные, автоматизацию и наблюдаемость. Это не «замена» вашей старой системы, а ее улучшение.
- Гибридные модели На практике все движется к гибкой композиции. Data Warehouse для отчетности, Data Lake для неструктурированных данных, внедрение ИИ для оперативного принятия решений. У каждого инструмента свое место, и это норма. При этом DWH-аналитика остается золотым стандартом для финансовой отчетности и регламентированных управленческих панелей.
- Data Governance (система управления корпоративной информацией). Контроль выходит на первое место, особенно в свете Общего регламента по защите данных (GDPR, General Data Protection Regulation) и этичных требований к ИИ.
Как это работает на практике
Data Mesh предлагает передать ответственность за качество БД самим бизнес-подразделениям (маркетингу, логистике), а не держать это бремя на плечах аналитиков данных DWH.
Data Fabric — это технологическая надстройка, которая использует активные метаданные для автоматического управления качеством, происхождением данных и контролем доступа.
Но самое важное: ведущие эксперты из Gartner уже несколько лет призывают прекратить бесполезный спор «Data Mesh vs Data Fabric», потому что это не конкурирующие подходы, а взаимодополняющие фреймворки. Fabric — это архитектура, а Mesh — модель управления. Их можно и нужно использовать вместе.
Искусственный интеллект, все активнее внедряемый в бизнес-процессы, также становится новым требованием к архитектуре данных.
Data Governance: когда архитектура встречается с юристами и ИИ
В условиях современного регулирования (GDPR и набирающего обороты EU AI Act) выбор архитектуры и инструментов становится не только инженерной, но и юридической задачей. Согласно исследованиям, почти 70 % организаций сталкиваются с проблемами унифицированного управления данными, что ведет к утечкам и провалам в аналитике.
Системы, построенные на Data Fabric, централизуют управление метаданными, обеспечивая прозрачное происхождение информации и упрощая соответствие GDPR. А Data Mesh, децентрализуя ответственность, позволяет командам быстрее реагировать на требования права на забвение или исправление. Хорошо управляемое озеро данных дает унифицированный доступ к проверенным источникам, ускоряет принятие решений и обеспечивает соответствие законам.
Поэтому если бизнес работает в жестко регулируемой индустрии (финтех, ритейл, телеком), его цель — Governance by Design. Но Lakehouse при этом требует управления каталогами и качеством гораздо строже, чем DWH с принципом «schema-on-write» (данные должны соответствовать заранее определенной структуре перед их сохранением).
Настройка процессов Data Governance
Без строгих правил управления качеством информации бизнес рискует получить аналитический хаос и нарушить требования регуляторов. Специалисты НОРБИТ внедрят инструменты Data Governance, чтобы обеспечить прозрачность метаданных, единый стандарт данных и надежный комплаенс.
Практические критерии выбора: сценарии вместо конкуренции
Итак, как же принять решение с учетом всех этих трендов? Мы не видим конфликта архитектур, а скорее сценарии использования.
На смену жесткому выбору между DWH, либо Lakehouse пришло понимание того, что зрелая организация почти никогда не живет в рамках одной технологической догмы. Ее инфраструктура многослойна. Например, отвечая на вопрос что такое DWH-аналитика, мы говорим о строго регламентированных отчетах для топ-менеджмента. Если же речь о научных исследованиях или разработках машинного обучения (ML), там требуется Data Lakehouse.
Важно помнить, что внедрение последней — это не просто установка нового ПО. Это изменение архитектуры, требующее глубокого понимания внутренней логики. Специалистов по Lakehouse на рынке меньше, они дороже и сложнее в поиске. Для российских компаний к этому добавляется фактор импортозамещения — миграция с западных решений на отечественные платформы требует дополнительной экспертизы и ресурсов. Если ваш опыт работы с DWH велик, а команда не готова переучиваться, старт с классики может быть безопаснее.
Кейс: как выбирали архитектуру для HOFF
В 2025 году НОРБИТ совместно с «Хофф Тех» обеспечили переход российской сети гипермаркетов мебели и товаров для дома Hoff на современное хранилище корпоративных данных (КХД). Для организации КХД была выбрана MPP-система Arenadata DB.
В результате более чем на 30 % снизились затраты на поддержку старого КХД за счет консолидации данных и отказа от дублирующих систем.
Ключом к успеху стало трехмесячное исследование. Вместо того чтобы поддаваться моде или консерватизму, команда:
- проанализировала реальные бизнес-задачи;
- оценила текущий ландшафт данных и компетенции команды;
- взвесила риски и возможности будущего развития.
В результате осознанно выбрали классическую централизованную архитектуру DWH на базе Arenadata DB, поскольку это соответствовало конкретным сценариям:
- централизованная аналитическая функция;
- хорошо структурированные данные;
- приоритет скорости разработки над гибкостью схемы.
Вместо вывода: архитектура данных в 2026 году
Эволюция архитектур данных не стоит на месте. Если в 2021 году все спорили, жив ли Data Warehouse, то сегодня мы видим конвергенцию подходов. А на горизонте уже новый технологический вызов — агентный ИИ, где агенты-помощники действуют как полноценные пользователи данных. Какие требования это предъявит к архитектуре — тема отдельного исследования.
Однако, что бы ни случилось, дорожная карта для бизнеса остается неизменной:
- Начните с бизнес-целей и