Patrik und Gerald unterhalten sich darüber, dass viele Unternehmen in der Vergangenheit für analytische Systeme ein Datawarehouse (DWH) verwendet haben. Diese DWH's konnten jahrelang den technsichen Anforderungen an Volumen und Performance gerecht werden und entsprechend mitwachsen. Heut zu Tage stossen DWH's aufgrund der wachsenden Dantenmengen, neuer Anwendungsszenarien und der geforderten Agilität an ihre technologischen und organisatorieschen Grenzen. Gründe dafür sind u.a.:

• Datenwachstum: Ein Kunde hat z.B. ein DWH mit einer Kapazität von mehreren TByte. Täglich fallen jedoch ein grosser dreistelliger Betrag an GBytes Daten in der Firma an. Da das DWH bereits voll ist, müssen jeden Tag mehrere GBytes an Daten verworfen werden, um Platz für aktuelle Daten zu schaffen. Das ist kein wünschenswerter Zustand, wenn man bedenkt, dass Daten ein wertvolles Asset in Unternehmen sind.
• Beschränkte Skalierbarkeit: Ein zentrales DWH Team betreut in der Regel das zentrale DWH. Alle neue Datensätze, Änderung von Tabellen in Datenquellen laufen über das eine DWH Team, weshalb dadurch oft Bottlenecks entstehen. 

Um dieser Problematik entegenzuwirken, werden heute immer mehr cloudbaiserte Lakehouse gebaut und nach dem Data Mesh Prinzip gearbeitet. Das Lakehouse ermöglicht dem DWH Team mehr Skalierbarkeit, Flexibilität und es können schneller neue Datenquellen zur Verfügung gestellt werden. Auch Microsoft bietet mit ihren Produkten (wie bspw. Azure Synapse & Datalake Storage) einfache und attraktive Lösungsansätze, um Dein Lakehouse zu bauen.

Welche Vorteile ein Lakehouse Dir sonst noch bringt und wie der Data Mesh Ansatz den Alltag des DWH Teams erleichtert, kannst Du im Video oben nachschauen. :-)