Datalake of datawarehouse: wat is het verschil en wat heb je nodig?

Kort antwoord: een datalake is een centrale opslagplaats waar je data uit al je bronnen bewaart zoals ze binnenkomt, ruw en in elk formaat. Een datawarehouse bevat data die al is opgeschoond en in vaste tabellen is gezet, klaar voor rapportages en dashboards. Het datalake is er om niets kwijt te raken, het datawarehouse om snel en eenduidig antwoord te geven. Veel organisaties gebruiken allebei, of een combinatie die lakehouse heet.

Hieronder lees je wat elk begrip precies betekent, waar de verschillen zitten en hoe je bepaalt wat jij nodig hebt, ook als je later AI wilt inzetten op je eigen data.

Wat is een datalake?

Een datalake is opslag voor grote hoeveelheden data in de oorspronkelijke vorm. Een export uit je boekhouding, een JSON-bestand uit een API, een Excel-lijst van een afdeling, logbestanden van een website: het gaat er allemaal in, zonder dat je vooraf hoeft te bepalen hoe je het later gaat gebruiken.

Dat heet ook wel schema-on-read: je bepaalt de structuur pas op het moment dat je de data leest en analyseert. Het voordeel is flexibiliteit. Je bewaart de volledige historie en kunt later nieuwe vragen stellen aan oude data.

Het risico is ook bekend. Zonder afspraken over namen, eigenaarschap en kwaliteit groeit een datalake uit tot een data swamp: een moeras van bestanden waarvan niemand meer weet wat ze betekenen en of ze nog kloppen.

Wat is een datawarehouse?

Een datawarehouse is een database die speciaal is ingericht voor analyse en rapportage. De data wordt eerst opgehaald, gecontroleerd en omgezet naar vaste tabellen (schema-on-write). Vaak zijn dat feitentabellen met de cijfers (omzet, uren, aantallen) en dimensietabellen met de context (klant, product, periode, locatie).

Het voordeel: iedereen die een rapport maakt, gebruikt dezelfde definities. "Omzet" betekent overal hetzelfde, en een dashboard laadt snel omdat het rekenwerk al gedaan is. Het nadeel: elke nieuwe bron of vraag kost eerst ontwerpwerk voordat de data bruikbaar is.

De verschillen op een rij

Wat is een lakehouse?

De afgelopen jaren zijn de twee begrippen naar elkaar toe gegroeid. Een lakehouse bewaart de data als bestanden in goedkope opslag, net als een datalake, maar legt daar een tabellaag overheen met transacties, versiebeheer en controles. Daardoor kun je op dezelfde plek zowel ruwe data bewaren als betrouwbare tabellen voor rapportage aanbieden.

Een veelgebruikte manier om dat te ordenen is een opbouw in lagen:

1. Ruw: de data precies zoals de bron die aanlevert. Hier verander je niets aan.
2. Opgeschoond: dezelfde data, maar met vaste kolomnamen, juiste datatypes, zonder dubbele regels en met controles op volledigheid.
3. Klaar voor gebruik: tabellen die per onderwerp zijn samengesteld, met eenduidige definities van kengetallen. Hieruit leest je dashboard.

Die lagen maken het verschil tussen een moeras en een overzichtelijk datalandschap. Je kunt altijd terug naar de bron, en tegelijk weet iedereen welke tabel de officiële versie van een cijfer is.

Wanneer kies je wat?

Er is geen vaste regel, maar deze vragen helpen:

• Hoeveel bronnen heb je? Met twee of drie systemen en vaste rapportages kom je vaak ver met een eenvoudig datawarehouse. Groeit het aantal bronnen, dan wordt een centrale plek voor de ruwe data waardevoller.
• Wil je historie bewaren die het bronsysteem zelf niet bewaart? Veel applicaties tonen alleen de huidige stand. Wie wil terugkijken hoe iets er vorig jaar uitzag, moet die momentopnames zelf bewaren. Dat past goed in een datalake.
• Weet je al welke vragen je wilt beantwoorden? Als de vragen vastliggen, kun je direct gericht modelleren. Als je wilt verkennen, of later AI-toepassingen wilt bouwen, is het handig dat de ruwe data al beschikbaar is.
• Wie gaat het beheren? Een datalake vraagt discipline: afspraken over namen, eigenaarschap en kwaliteit. Zonder die afspraken is een kleiner, strak datawarehouse beter.
• Welke data mag waar staan? Bij persoonsgegevens bepaal je vooraf wie wat mag zien, hoe lang je het bewaart en in welk datacenter het staat. Dat geldt voor beide varianten.

In de praktijk is het zelden een strikte keuze. Een gangbare opzet is: alle bronnen komen ruw binnen in een datalake, worden daar opgeschoond en samengevoegd, en de laatste laag werkt als datawarehouse voor de dashboards.

Veelgemaakte misverstanden

"Met een datalake heb je meteen inzicht." Nee. Een datalake is opslag. Inzicht ontstaat pas als je de data opschoont, koppelt en vertaalt naar kengetallen die iemand begrijpt.

"Een datawarehouse is ouderwets." Het idee erachter, één betrouwbare versie van de cijfers met vaste definities, is nog steeds de kern van elke goede rapportage. Alleen de techniek eronder is veranderd.

"We moeten eerst alles verzamelen." Begin liever bij de vraag. Welke beslissing wil je beter onderbouwen, en welke cijfers zijn daarvoor nodig? Dan weet je welke bronnen eerst aan de beurt zijn.

Hoe het eruitziet in een project

Een gangbaar traject loopt in drie stappen:

1. De vraag in beeld. Welke beslissingen moeten beter onderbouwd worden, en wat moet je daarvoor meten?
2. Bronnen ontsluiten in een datalake in je eigen omgeving. De data uit je systemen wordt automatisch opgehaald, gecontroleerd en in lagen opgebouwd. Dat is het werk van een data engineer.
3. Gebruiken. De bovenste laag voedt dashboards, rapportages en AI-toepassingen, zodat iedereen naar dezelfde cijfers kijkt.

Samengevat

• Een datalake bewaart alles ruw; een datawarehouse levert opgeschoonde tabellen voor rapportage.
• Een lakehouse combineert beide in één opzet met lagen.
• De keuze hangt af van het aantal bronnen, de behoefte aan historie, hoe vast je vragen zijn en wie het beheert.
• Begin bij de vraag, niet bij de techniek.

Wil je weten welke opzet bij jouw organisatie past? Op Data-architectuur lees je hoe we je gegevens en systemen in je eigen omgeving inrichten, passend bij je situatie en waar nodig met een datalake. Hoe we dat aanpakken, in vijf fasen van kennismaken en in kaart brengen tot blijven verbeteren, staat op Werkwijze.