データレイクとは
データレイク（Data Lake）とは、構造化データ、半構造化データ、非構造化データをそのままの形式で大量に格納できるストレージシステムです。データウェアハウスがスキーマを事前に定義するのに対し、データレイクはスキーマオンリード（読み取り時にスキーマを適用）のアプローチを取ります。
| ひとことで言うと | 加工前の生データを、形式を問わずそのまま貯めておく大きな保管庫。 |
|---|---|
| 何がうれしいか | 後から用途が決まっても、元データが残っているので分析し直せる。 |
| 注意点 | 整理しないと「データの沼」になる。カタログとルールの整備が必須。 |
データレイクの特徴
データレイクは、あらゆる形式のデータ（CSV、JSON、Parquet、画像、動画、ログなど）を変換せずに格納できます。大容量のデータを低コストで保存でき、将来どのような分析に使うかが未定のデータも蓄積しておくことが可能です。
1データレイク生のまま何でも貯める
▶
2用途は後から決める柔軟に使える
▶
3DWH整えてから貯める
▶
4用途が先に決まるすぐ分析できる
データレイクの課題
適切な管理がなされないデータレイクは「データスワンプ（沼）」と化す危険性があります。メタデータ管理、データカタログ、アクセス権限管理、データ品質の監視などのガバナンス体制が不可欠です。データの発見性と信頼性を確保するための仕組みが重要になります。
レイクハウスの登場
近年ではデータレイクとデータウェアハウスの長所を組み合わせた「データレイクハウス」アーキテクチャが注目されています。Delta Lake、Apache Iceberg、Apache Hudiなどの技術により、データレイク上でACIDトランザクションやスキーマの強制が可能になっています。