En datasjø (også kalt «datadump») er en samling av data lagret i sitt råformat, som vanligvis innebærer filer eller binærobjekter. Datasjøen er vanligvis ett enkelt datalager som inneholder råkopier av data fra kildesystem, sensordata, og lignende, samt transformerte data som brukes til oppgaver som rapportering, visualisering, avansert analyse og maskinlæring.
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). Datasjøen kan være lagret lokalt (on-prem) eller i nettskyen, hvorav mange benytter distribuerte filsystemer basert på Apache Hadoop.
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. Datasjøen kan gi ett enkelt sted for innsamling, organisering og deling av personopplysninger. En annen kritikk av begrepet datasjø er at det har begrenset nytte fordi det brukes på så mange forskjellige måter.
Utvidelser Datasjøhus (engelsk: data lakehouse) er en foreslått hybrid tilnærming som ligger mellom datasjø og datavarehus, og forsøker å løse noen av utfordringene med datasjøer. Det har blitt beskrevet som "å starte med en datasjø-arkitektur og forsøke å legge til datavarehus-kapabiliteter". Ifølge Oracle kombinerer arkitekturen "fleksibel lagring av ustrukturerte data fra en datasjø med administrasjonsmulighetene og verktøyene fra datavarehus".What is a Data Lakehouse? | Oracle
Se også Datatorg (data mart) Datavarehus Landingssone ETL og ELT Selvbetjening
Referanser
Kategori:Dataadministrasjon