Datasjø

En datasjø^[1][2] (også kalt «datadump») er en samling av data lagret i sitt råformat,^[3] som vanligvis innebærer filer eller binærobjekter. Datasjøen er vanligvis ett enkelt datalager som inneholder råkopier av data fra kildesystem, sensordata, og lignende,^[4] samt transformerte data som brukes til oppgaver som rapportering, visualisering, avansert analyse og maskinlæring.

Eksempel på en database som kan brukes i en datasjø (i dette tilfellet strukturerte data)

Datasjøen kan inneholde strukturerte data fra relasjonsdatabaser (rader og kolonner), semi-strukturerte data (CSV, logger, XML, JSON), ustrukturerte data (e-post, dokumenter, PDF-filer) og binære data (bilde, lyd, video).^[5] Datasjøen kan være lagret lokalt (on-prem) eller i nettskyen, hvorav mange benytter distribuerte filsystemer basert på Apache Hadoop.^[6]

Det har vært gradvis økende akademisk interesse for begrepet datasjøer, og det har blitt nevnt som en metode for å administrere stordata, men dette har også møtt en viss kontrovers, og avhenger av en moden implementasjon for å kunne lykkes.^[7] Datasjøen kan gi ett enkelt sted for innsamling, organisering og deling av personopplysninger.^[8] En annen kritikk av begrepet datasjø er at det har begrenset nytte fordi det brukes på så mange forskjellige måter. ^[9]

Utvidelser

Datasjøhus (engelsk: data lakehouse) er en foreslått hybrid tilnærming som ligger mellom datasjø og datavarehus,^[10] og forsøker å løse noen av utfordringene med datasjøer.^{[11][klargjør]} Det har blitt beskrevet som "å starte med en datasjø-arkitektur og forsøke å legge til datavarehus-kapabiliteter".^[12] Ifølge Oracle kombinerer arkitekturen "fleksibel lagring av ustrukturerte data fra en datasjø med administrasjonsmulighetene og verktøyene fra datavarehus".^[13]

Se også

• Datatorg (data mart)
• Datavarehus
• Landingssone
• ETL og ELT
• Selvbetjening