Озеро данных (Data Lake): что это такое, как устроено и где используется

Архитектуры хранения напрямую задают темп аналитики и устойчивость цифровых продуктов. Выбор подхода к работе с данными определяет скорость управленческих решений, надёжность отчётности и способность ИТ-ландшафта масштабироваться без постоянных доработок.

Бизнес постоянно работает с потоками информации из самых разных источников: сайты интернет-магазинов, корпоративные системы (ERP, CRM, WMS), таблицы, файлы, логи, IoT… Всё это живёт в своих циклах и зачастую обновляется асинхронно.

Без единой модели хранения и доступа аналитики неизбежно сталкиваются с компромиссами по качеству данных и, как следствие, с точностью принимаемых решений.

Одним из самых востребованных подходов к работе с разнородными данными стало озеро данных (Data Lake). В этой статье мы разберём, что оно из себя представляет, рассмотрим его устройство и ключевые принципы работы, а также узнаем, чем Data Lake отличается от других подходов и как эффективно внедрять его на практике.

Что такое озеро данных (Data Lake)

Data Lake, или озеро данных, — это централизованное хранилище, где сохраняются данные в их исходном (сыром) виде, позволяя работать с ними без немедленной структуризации. Хранилище принимает информацию из разных источников и объединяет её в едином репозитории. Метаданные и уникальные идентификаторы обеспечивают быстрый поиск и извлечение нужной информации.

В нём могут храниться различные типы данных:

Тип данных	Примеры
Структурированные	Таблицы Excel, строки и столбцы реляционных БД (PostgreSQL, MS SQL, MySQL)
Полуструктурированные	CSV, XML, JSON, лог-файлы, EDI
Неструктурированные	Текстовые документы, изображения, аудио, видео

Озеро данных позволяет аккумулировать информацию в исходном виде, откладывая трансформацию до момента необходимости её использования. Это даёт возможность повторной обработки, если результаты анализа или преобразования данных требуют корректировки.

Распространенные сценарии применения Data Lake включают:

• Сбор и консолидация данных. Объединение потоков из облачных сервисов, IoT-устройств, локальных систем и потоковых источников в единый репозиторий.
• Обработка больших объёмов информации. Масштабирование данных и выполнение высокопроизводительных вычислений на распределённых платформах.
• Подготовка данных для аналитики и машинного обучения (ML). Исследовательский анализ и настройка моделей на разнородных наборах данных.
• Интеграция с панелями и отчётностью. Создание дашбордов и отчётов на основе курированных подмножеств данных.
• Долгосрочное хранение и архивирование. Сохранение исторических наборов данных для аудита и нормативных целей.

Основная концепция

В Data Lake данные сохраняются в исходном «сыром» виде без предварительной обработки и строгой схемы, а структура формируется при анализе («схема при чтении»), в отличие от традиционных хранилищ, где используется «схема при записи».

Правильная организация и контроль качества данных критичны — без них эффективность анализа снижается, а ошибки могут распространяться по всей системе.

Простыми словами

Если проще, то Data Lake — это хранилище информации, где данные сохраняется в том виде, в каком они попали в него; это могут быть таблицы, файлы, логи, изображения и видео. Формат и структура этих файлов определяются именно в момент работы с данными.

Data Lake нужен для накопления данных без заранее заданного сценария использования. Он применяется, когда требования к анализу меняются со временем или заранее неизвестны, а данные должны оставаться доступными для различных задач аналитики и обработки.

Примеры

Озеро данных применяется в ситуациях, когда необходимо собирать и хранить большие объёмы разнородных данных из разных источников без приведения их к единому формату на этапе загрузки. Ниже приведены типовые сценарии, где такая модель хранения используется на практике.

• Анализ пользовательских данных в цифровых сервисах. Онлайн-платформы и мобильные приложения собирают события о действиях пользователей: просмотры, клики, поисковые запросы, технические логи. Эти данные сохраняются в Data Lake и используются для анализа поведения, построения отчётов и подготовки данных для рекомендаций. Так, стриминговые сервисы хранят историю просмотров и взаимодействий пользователей в озере данных.
• Работа с данными в цепочках поставок и производстве. В промышленности и логистике данные поступают из разных систем: производственные показатели, статусы поставок, отчёты по оплатам, данные с оборудования. Data Lake используется для хранения всей этой информации в одном месте без приведения к единому формату.
• Сбор данных от устройств и транспорта. В сценариях интернета вещей данные непрерывно поступают от датчиков и устройств: координаты, показатели работы, технические параметры. Data Lake применяется для хранения таких потоков без предварительной обработки. Например, сервисы такси и доставки используют озёра данных для хранения информации о перемещениях транспорта и состоянии автомобилей.

Преимущества и недостатки

Data Lake часто рассматривают как универсальное хранилище для данных «на будущее». Однако на практике его ценность определяется не только возможностями, но и ограничениями, которые важно учитывать на этапе проектирования и эксплуатации.

Преимущества:

Хранение данных в исходном виде. Информация загружается без предварительной обработки и жёсткой схемы, что снижает требования к подготовке данных на этапе загрузки.

Централизация больших объёмов информации. Data Lake используется как единый репозиторий для данных из разных систем и источников.

Снижение затрат на хранение неструктурированных данных. По сравнению с высокопроизводительными системами, Data Lake обычно требует меньших расходов на хранение таких данных.

Масштабируемость архитектуры. Распределённые системы хранения позволяют увеличивать объём данных без существенных изменений архитектуры.

Многие считают Data Lake самоорганизующимся хранилищем, куда можно просто загружать данные. Однако без продуманного разделения на слои и соблюдения ключевых компонентов существует риск превращения хранилища скорее в «болото данных».

Недостатки:

Накопление неактуальных данных. В озере могут сохраняться данные, которые больше не используются, но продолжают занимать место.

Сложности с безопасностью и соответствием требованиям. Контроль доступа, защита конфиденциальной информации и соблюдение нормативов требуют дополнительных механизмов.

Где применяется

Data Lake применяется в тех сферах, где компании работают с большими объёмами разнородных данных и требуется централизованное хранение без жёсткой предварительной структуризации. Data Lake применяется для объединения информации из внутренних систем, внешних источников и устройств, чтобы впоследствии анализировать данные или использовать их в прикладных процессах (отчётность, прогнозирование, мониторинг, построение моделей ML).

Наибольшую ценность Data Lake проявляет в индустриях с высокими требованиями к интеграции разнородной информации, масштабируемости хранилищ и доступу к историческим данным для аналитики и прогнозирования.

Сферы применения Data Lake:

• Финансовый сектор. Хранение транзакционных данных, логов операций, данных о клиентах и рыночных потоках для анализа, риск-менеджмента и построения моделей.
• Электронная коммерция и онлайн-сервисы. Обработка действий пользователей, истории заказов, кликов и событий приложений для аналитики и отчётности.
• Промышленность и производство. Объединение данных с датчиков оборудования, отчётов о производственных процессах и логистики для мониторинга и оптимизации процессов.
• Транспорт и логистика. Хранение данных с GPS, сенсоров автомобилей, мониторинг маршрутов, состояния техники и расхода топлива.
• Здравоохранение. Обработка медицинских записей, данных с приборов и исследований для анализа эффективности лечения и мониторинга пациентов.
• Наука и исследовательские проекты. Сбор данных с экспериментов, наблюдений, датчиков и внешних источников для последующего анализа и моделирования.
• Энергетика и инфраструктура. Мониторинг работы сетей, датчиков оборудования, распределение ресурсов и прогнозирование нагрузки.

Платформы для построения Data Lake

Выбор подходящей платформы определяет скорость, масштабируемость и удобство работы с данными. По своей сути, все решения предлагают схожие возможности по хранению, обработке и интеграции данных, однако имеют собственные особенности в архитектуре, механизмах управления и степени интеграции с аналитической экосистемой. Ниже рассмотрены наиболее распространённые платформы Data Lake и их функциональные особенности.

Hadoop

Hadoop — open-source проект Apache Software Foundation, представляющий собой свободно распространяемый набор инструментов, библиотек и фреймворков для разработки и выполнения распределённых программ на кластерах из сотен и тысяч узлов. Платформа ориентирована на горизонтальное масштабирование и отказоустойчивость, что делает её применимой для обработки больших массивов данных на стандартном серверном оборудовании. Исторически Hadoop стал фундаментом для пакетной обработки данных и построения первых промышленных Data Lake.

Экосистема Hadoop сформирована как набор слабо связанных, но тесно интегрируемых компонентов:

• Hadoop Common — инфраструктурные библиотеки и утилиты;
• HDFS — распределённая файловая система;
• YARN — планирование заданий и управление кластером;
• Hadoop MapReduce — платформа выполнения распределённых вычислений.

Сегодня Hadoop рассматривается как технологическая основа для большинства Data Lake-платформ. Вокруг него сформировалась зрелая экосистема open-source проектов и коммерческих дистрибутивов, охватывающая управление кластерами, хранение и обработку данных, а также промышленную поддержку и интеграцию с корпоративными аналитическими решениями. Самые популярные среди них — Spark, Hive и HBase.

Azure Data Lake

Azure Data Lake — облачное решение от Microsoft для хранения и обработки больших объёмов данных. Платформа поддерживает хранение разнородной информации с высокой масштабируемостью и доступом через сервисы аналитики, включая интеграцию с Azure Synapse Analytics, HDInsight и другими инструментами экосистемы Azure.

Azure Data Lake построен на распределённом хранилище с поддержкой HDFS, что позволяет масштабировать данные до петабайт и хранить миллиарды объектов без потери скорости доступа. Параллельная обработка реализована через HDInsight и Data Lake Analytics, включая поддержку U-SQL, Python, R и .NET, без необходимости управлять инфраструктурой. Метаданные централизованы с каталогизацией, версионированием и lineage, а безопасность обеспечивается шифрованием, RBAC и POSIX ACL с интеграцией в Azure Active Directory

AWS Data Lake / Amazon S3

AWS Data Lake строится на базе масштабируемого облачного объектного хранилища Amazon S3. Создание и управление хранилищем ускоряют AWS Lake Formation и AWS Glue, которые обеспечивают каталогизацию, перемещение, трансформацию и подготовку данных для аналитики и машинного обучения. Поддерживаются любые типы данных: структурированные, полуструктурированные и неструктурированные, а метаданные и lineage ведутся через Glue Data Catalog.

Для обработки и анализа данных используются AWS (Amazone Web Services): Athena для SQL-запросов к S3, EMR для распределённых вычислений на Hadoop/Spark, Redshift Spectrum для интеграции с аналитикой и SageMaker для построения ML-моделей. Архитектура полностью построена на сервисах AWS, что исключает необходимость самостоятельного администрирования серверов.

RT.DataLake

RT.DataLake — российская платформа для корпоративных озёр данных, разработанная Ростелекомом на базе Apache Hadoop. Решение предназначено для организации масштабных централизованных хранилищ и управления большими объёмами данных, при этом RT.ClusterManager встроен для автоматической установки кластера, мониторинга состояния, масштабирования и настройки ролевой модели безопасности.

Платформа поддерживает аналитику, отчётность и ML-модели через встроенные сервисы ETL, SQL-запросы и интеграцию с внешними инструментами. Доступен веб-интерфейс и API для управления данными и контроля процессов. Система позволяет кастомизировать компоненты, быстро обновлять версии и запускать несколько версий Spark одновременно.

Data Lake и Big Data от Jet

Data Lake и Big Data от Jet — это промышленное решение для построения корпоративного озера данных под ключ на базе распределённых технологий (в основном Hadoop) с готовыми механизмами загрузки, хранения и подготовки данных. Платформа позволяет консолидировать большие объёмы информации и быстро запускать новые аналитические процессы и модели, без необходимости заранее проектировать структуру хранилища.

Решение включает стандартные компоненты Data Lake: распределённое хранение с возможностью расширения за счёт добавления узлов без изменения архитектуры, средства перемещения и подготовки данных для аналитики и ML, а также интеграцию с BI‑инструментами и self‑service аналитикой для бизнес‑пользователей. Jet делает акцент на сокращении сроков запуска аналитических инициатив и снижении затрат на владение хранилищем по сравнению с классическими системами Data Warehouse.

Arenadata Hyperwave (ADH)

Arenadata Hyperwave (ADH) — распределённая платформа для работы с большими данными, объединяющая возможности Data Lake и Data Warehouse в одном решении. ADH построен на собственной архитектуре с масштабируемым хранением и высокопроизводительной обработкой данных, что позволяет выполнять OLAP‑анализ, SQL‑запросы и ETL‑процессы на больших объёмах информации одновременно.

ADH использует собственный движок выполнения SQL‑и OLAP‑операций, поддерживает параллельное выполнение ETL‑процессов и работу с внешними источниками через коннекторы JDBC и ODBC. Метаданные и lineage управляются централизованно, доступ контролируется через встроенные механизмы RBAC. Система обеспечивает хранение данных в формате колонок и строк, поддерживает сжатие и индексирование для ускорения выборок, а также интеграцию с BI‑инструментами и ML‑платформами через API.

Архитектура Data Lake

Архитектура Data Lake строится вокруг нескольких ключевых компонентов, каждый из которых отвечает за отдельный этап работы с данными:

• Источники данных — структурированные, полуструктурированные и неструктурированные.
• Загрузка данных (Data Ingestion) — процесс импорта данных в озеро. Может выполняться пакетно (batch) или в реальном времени (real-time).
• Хранение и обработка данных (Data Storage & Processing) — данные сохраняются в исходном виде в «сыром» хранилище, проходят трансформацию (очистка, нормализация, обогащение) и попадают в «обработанный» слой, готовый к аналитике.
• Аналитические песочницы (Analytical Sandboxes) — изолированные среды для исследований, экспериментов, предиктивного моделирования и анализа. Позволяют работать с данными без влияния на основной поток.
• Потребление данных (Data Consumption) — слой взаимодействия конечных пользователей (аналитиков, бизнес-аналитиков, руководителей) с обработанными данными через BI-инструменты для принятия решений.

Архитектура Data Lake

Под всеми этими слоями располагается сквозной уровень управления, безопасности и мониторинга, обеспечивающий контроль качества данных, управление доступом, соответствие нормативам и аудит.

Слои данных Data Lake

Распределение слоёв Data Lake строится как последовательное движение данных от загрузки к использованию. На практике архитектура включает несколько логических уровней, часть из которых может добавляться по мере развития платформы.

• Cырые данные. Точка первичного приёма информации из всех источников. Данные сохраняются в исходном формате без преобразований, с минимальной структурой для навигации и контроля происхождения. Используется для фиксации загрузки и не предназначен для работы конечных пользователей.
• Стандартизированные данные. Опциональный уровень для приведения данных к удобным форматам обработки. Упрощает и ускоряет последующую очистку и трансформации при больших объёмах и высокой частоте загрузок.
• Очищенные данные. Содержит подготовленные и согласованные наборы данных. На этом этапе выполняются очистка, объединение и структурирование, формируется понятная модель данных для аналитики и отчётности.
• Прикладной слой. Формируется на основе очищенных данных с учётом бизнес-логики и требований прикладных систем. Включает дополнительные ключи, правила доступа и ограничения безопасности.
• Песочница данных. Среда для экспериментов и исследовательской аналитики. Используется аналитиками и специалистами по данным для проверки гипотез и работы с новыми источниками без влияния на продуктивные данные.

Технологии Data Lake

Data Lake строится как набор технических компонентов, каждый из которых отвечает за хранение, обработку и контроль данных. В архитектуре используются распределённые хранилища, вычислительные движки, инструменты загрузки данных и сервисы управления метаданными. Все элементы работают независимо, но объединяются общей логикой доступа и обработки.

Технологический стек Data Lake ориентирован на работу с большими объёмами разнородных данных и масштабирование за счёт распределения нагрузки.

Big Data

Big Data — термин, описывающий большие объёмы данных, поступающих из разных источников, часто с высокой скоростью и без единой структуры. Data Lake применяется в экосистемах работы с такими данными, поскольку он хранит информацию «как есть» — без обязательной предварительной обработки или жёсткой схемы таблиц.

При обработке больших массивов в Data Lake используют распределённые вычислительные технологии и фреймворки, которые поддерживают пакетную и потоковую обработку. Фреймворки и распределённые вычислительные технологии позволяют работать с большими объёмами данных независимо от их исходного формата, делая платформу пригодной для статистического анализа и подготовки к ML.

ETL/ELT

При работе с традиционными хранилищами данных, OLAP-системами и реляционными базами применяют ETL (Extract, Transform, Load). Данные извлекаются из источников, преобразуются в согласованный формат и загружаются в целевое хранилище. Этот метод требует предварительной трансформации и хорошо подходит для структурированных данных в Data Warehouse, но не всегда эффективен в Data Lake.

В Data Lake чаще всего применяется ELT (Extract, Load, Transform). Данные сначала загружаются в хранилище в исходном виде, и уже затем преобразуются внутри целевой системы. Хранилище поддерживает огромные объёмы разнотипных данных — структурированных, полуструктурированных и неструктурированных — с возможностью трансформации по мере необходимости. Аналитики и дата-сайентисты получают возможность работать с сырыми данными напрямую, создавать собственные модели обработки и легко масштабировать процессы под растущие требования бизнеса.

Читайте подробнее: ETL и ELT: что это, чем отличаются, что лучше выбрать

Метаданные и каталогизация

Метаданные в Data Lake фиксируют структуру, происхождение и контекст данных, упрощая поиск и обработку информации. Каталогизация создаёт индекс всех наборов данных и контролирует их использование, позволяя быстро находить нужные данные и понимать, как они были получены и обработаны.

Содержимое метаданных включает:

• информацию о наборе данных;
• дату создания;
• источник;
• формат;
• владелеца;
• уровень качества;
• права доступа;
• версию;
• историю изменений;
• теги для поиска;
• зависимые наборы данных.

Обычно такие данные оформлены в виде записей в таблицах или специализированных каталогах с уникальными идентификаторами для каждого набора данных. Они могут храниться как в отдельных сервисах управления метаданными, так и встроенными в хранилище, доступными через интерфейсы поиска и API. Часть информации ограничена правами доступа, а остальная открыта для аналитиков и систем обработки.

Метаданные и каталоги помогают избегать ошибок при интеграции и анализе данных, упрощают их организацию и делают процессы прозрачными для пользователей Data Lake. Автоматические системы обновления метаданных поддерживают их актуальность при постоянном поступлении новых данных.

Безопасность и управление доступом (Data Governance)

Безопасность в Data Lake тесно связана с технологиями управления данными (Data Governance), которые задают политики доступа, контроль качества и отслеживание изменений. Системы управления метаданными (например, Apache Atlas, AWS Glue Data Catalog) фиксируют владельцев данных, права пользователей и историю операций, обеспечивая прозрачность и подотчётность.

Реализация прав доступа строится через механизмы аутентификации и авторизации, включая LDAP, OAuth 2.0, SAML, а также интеграцию с корпоративными каталогами пользователей. Эти технологии позволяют разграничивать доступ на уровне набора данных, колонок и строк, защищая чувствительную информацию.

Мониторинг и аудит операций поддерживаются специализированными сервисами, которые собирают логи всех действий с данными, проверяют соответствие политикам и регуляциям, а при необходимости интегрируются с аналитическими платформами для автоматического выявления нарушений.

Аналитика и обработка данных

Аналитика и обработка данных в Data Lake выполняются на основе подготовленных и стандартизированных наборов данных. Инструменты обработки поддерживают как пакетную обработку больших исторических массивов, так и потоковую обработку в реальном времени.

Для анализа используются движки SQL (например, Presto, Apache Drill), фреймворки для больших данных (Apache Spark, Flink) и специализированные ML-бибилиотеки (TensorFlow, PyTorch).

Обработка данных включает очистку, агрегацию, фильтрацию, вычисление метрик и трансформации, необходимые для бизнес-аналитики и подготовки моделей ML. Одновременно реализуется проверка качества данных и отслеживание изменений через системы Data Lineage и Provenance.

Мониторинг и оптимизация производительности

Мониторинг в Data Lake охватывает все уровни — от хранения и обработки данных до потоков загрузки и аналитических запросов. Сбор метрик позволяет отслеживать загрузку ресурсов, время выполнения задач, частоту ошибок и задержки потоков данных.

Для оптимизации производительности применяются системы алертинга и дашборды, которые фиксируют отклонения от нормальных показателей и помогают вовремя реагировать на узкие места. Также активно используются инструменты профилирования данных и планирования ресурсов для распределения вычислительной нагрузки и уменьшения времени выполнения запросов.

Процессы оптимизации включают балансировку потоков, кэширование часто используемых данных, настройку параллельной обработки и использование современных форматов хранения (Parquet, ORC, Delta Lake) для ускорения запросов. Автоматизация мониторинга и оптимизации помогает поддерживать высокую производительность при росте объёмов и разнообразия данных.

Data Lake vs. Data Warehouse vs. Data Lakehouse vs. Data Mesh

Data Warehouse — это централизованное хранилище структурированных исторических данных из разных источников. Данные заранее структурируются с помощью схем и моделей, а затем загружаются через ETL-процессы для анализа и отчётности. Используется для бизнес-аналитики, отчётов и поддержки принятия решений. Обычно хранилище оптимизировано для сложных SQL-запросов и многомерного анализа (OLAP), но не подходит для работы с неструктурированными данными и реального времени.

На этом фоне Data Lake работает иначе: он принимает данные без предварительного моделирования и не ограничивает сценарии использования на этапе загрузки. Это делает его более подходящим для исследовательской аналитики, ML и работы с новыми источниками, где структура заранее неизвестна.

Читайте подробнее: Хранилище данных Data Warehouse (DWH): что это такое и зачем оно нужно бизнесу

Data Lakehouse объединяет преимущества Data Lake и Data Warehouse. Он хранит как сырые, так и структурированные данные, поддерживает SQL-запросы, ETL/ELT-процессы, версии данных и эволюцию схем. Это делает его удобным для аналитики, построения отчётов и проектов машинного обучения, объединяя гибкость и структурированность.

В сравнении с Data Lake, Lakehouse добавляет строгие механизмы консистентности и аналитического доступа, но усложняет архитектуру. Чистый Data Lake же проще по устройству и используется как базовый слой для хранения всех данных.

Data Mesh — архитектура и организационный подход, ориентированный на децентрализацию данных. В рамках Data Mesh ответственность за данные распределена между доменами, данные рассматриваются как продукт, а доступ предоставляется через self-service интерфейсы. Подходит для крупных организаций с разнообразными источниками. Для внедрения нужны изменения в структуре команд и чёткая стратегия управления.

В этом контексте Data Lake решает инфраструктурную задачу накопления и обработки, тогда как Data Mesh — вопрос ответственности, владения и масштабирования команд.

Как правильно построить Data Lake: 5 советов

При построении Data Lake стоит опираться на принципы, которые обеспечат упорядоченность данных и эффективную работу хранилища. Ниже — пять практических рекомендаций.

1. Обеспечьте прозрачное происхождение данных. Фиксируйте, откуда пришли данные, какие преобразования они прошли и где используются дальше. Понимание цепочки движения данных упрощает отладку, повышает доверие к аналитике и позволяет быстро оценивать влияние изменений источников или логики обработки на отчёты и модели.
2. Настройте управление метаданными и каталог данных. Создайте централизованный каталог с описаниями наборов данных, автоматически обновляемыми метаданными и удобным интерфейсом поиска. Это ускорит обнаружение нужных данных и повышает эффективность аналитики.
3. Защитите данные и контролируйте доступ. Применяйте многоуровневые механизмы защиты — шифрование, контроль доступа на основе ролей (RBAC) и аудит. Защита должна распространяться как на данные в покое, так и при передаче, чтобы соответствовать требованиям безопасности и нормативам.
4. Оптимизируйте хранение и структуру данных. Используйте схему хранения с уровнями (горячие/прохладные/архивные), выбирайте оптимизированные форматы (например Parquet, ORC), и планируйте структуры данных и партиционирование для ускорения запросов и снижения затрат на хранение.
5. Проводите регулярный мониторинг и обслуживание. Настройте автоматический мониторинг качества, объёма и использования данных, а также периодические аудиты. Удаление устаревших или неиспользуемых данных и регулярное обновление инфраструктуры предотвращают деградацию Data Lake и поддерживают его работоспособность.

Читайте подробнее: Data Lake vs. Data Warehouse vs. Data Lakehouse vs. Data Mesh: что это такое, подробное сравнение концепций

Заключение

Data Lake — практичный и востребованный фундамент для работы с данными. Он подходит для аналитики, отчётности и ML, когда источники разнородны, а сценарии использования формируются по ходу работы. За счёт schema-on-read и распределённого хранения платформа спокойно масштабируется и не требует постоянного пересмотра моделей данных.

Практическая ценность Data Lake раскрывается через управляемость и прозрачность данных. Каталогизация, контроль доступа и продуманная архитектура слоёв делают данные доступными и понятными для аналитиков, инженеров и бизнеса. В таком виде Data Lake становится устойчивой основой для аналитических и цифровых продуктов.