Přeskočit na obsah

Datové sklady

Datový sklad vs. data lake vs. lakehouse: jaký je rozdíl

Tři pojmy, které se v datových projektech pletou nejčastěji. Vysvětlujeme rozdíly srozumitelně, bez marketingu, a radíme, které řešení se hodí pro reporting střední firmy.

Publikováno aktualizováno 22. 11. 2026 3 min čtení

Ilustrace: datová architektura od zdrojů po reporty

Proč na rozdílu záleží

Když firma přeroste reporty postavené přímo nad ERP a excelovými soubory, potřebuje místo, kde data z různých systémů spojí, vyčistí a uloží pro analýzu. Nabízejí se tři pojmy: datový sklad, data lake a lakehouse. Dodavatelé je používají různě, a tak není divu, že se pletou. Každý přístup přitom řeší trochu jiný problém.

Datový sklad (data warehouse)

Datový sklad je strukturovaná databáze navržená pro analýzu a reporting. Data se do něj před uložením vyčistí a převedou do předem daného modelu, typicky do hvězdicového schématu s tabulkami faktů (prodeje, objednávky) a dimenzí (zákazníci, produkty, čas). Říká se tomu schema-on-write: struktura je dána předem.

Silné stránky:

  • rychlé a předvídatelné dotazy pro reporty,
  • jednotné definice metrik („jedna verze pravdy“),
  • osvědčené nástroje a jazyk SQL.

Slabiny:

  • méně pružný pro nové typy dat a experimenty,
  • změna struktury vyžaduje úpravy načítání.

Data lake

Data lake je levné úložiště, kam se data ukládají v původní podobě: tabulky, logy, JSON, obrázky, exporty ze systémů. Struktura se určuje až při čtení (schema-on-read).

Silné stránky:

  • uloží cokoli a ve velkém objemu za nízkou cenu,
  • hodí se pro datovou vědu a strojové učení,
  • data můžete ukládat i dřív, než víte, k čemu je použijete.

Slabiny:

  • bez pravidel se z jezera snadno stane „datová bažina“, ve které nikdo nic nenajde,
  • slabší podpora transakcí a kvality dat,
  • pro běžný reporting je potřeba data dál zpracovat.

Lakehouse

Lakehouse se snaží spojit výhody obou. Data leží v levném úložišti jako v data lake, ale v tabulkovém formátu s podporou transakcí (například Delta Lake nad soubory Parquet). Nad stejnými daty pak můžete spouštět SQL dotazy pro reporting i analýzy v Pythonu nebo Sparku.

Typicky se data organizují do vrstev, často označovaných jako medailonová architektura:

  • Bronze: surová data tak, jak přišla ze systémů,
  • Silver: vyčištěná a sjednocená data,
  • Gold: modely připravené pro reporting, často v podobě hvězdicového schématu.

Tento přístup používá například Microsoft Fabric nebo Databricks.

Srovnání v kostce

Datový sklad Data lake Lakehouse
Struktura dat předem daná volná vrstvená, tabulková
Typ dat strukturovaná jakákoli jakákoli
Reporting výborný slabý bez úprav výborný ve vrstvě Gold
Datová věda omezená výborná výborná
Nároky na správu střední vysoké (riziko chaosu) střední

ETL, nebo ELT?

S architekturou souvisí i způsob načítání. Klasický datový sklad používá ETL: data se nejdřív transformují a pak nahrají. Lakehouse a moderní cloudové sklady častěji používají ELT: data se nahrají surová a transformují až v platformě. ELT je pružnější, protože původní data zůstávají k dispozici pro nové otázky.

Co zvolit pro firemní reporting

Pro většinu středních firem, jejichž cílem je spolehlivý reporting z ERP, CRM a dalších provozních systémů, platí:

  • Strukturovaná data a jasné reporty? Klasický datový sklad nebo vrstva Gold v lakehouse budou fungovat stejně dobře.
  • Do budoucna i nestrukturovaná data, logy nebo datová věda? Lakehouse dává prostor růst bez přestavby.
  • Samotný data lake bez dalších vrstev se pro reporting nehodí.

Důležitější než název architektury je kvalitní datový model, jasné definice metrik a vlastník dat.

Shrnutí

Datový sklad je strukturovaný a rychlý, data lake pružný a levný, lakehouse spojuje oboje ve vrstvené architektuře. Pro reporting rozhoduje vrstva připravená pro analýzu, ne marketingový název. Vybírejte podle typu dat, které máte dnes a budete mít zítra, a podle lidí, kteří budou platformu spravovat.

Pokud plánujete datový sklad nebo přechod na lakehouse, podívejte se na naši implementaci datového skladu. Navrhneme architekturu, která odpovídá vašim datům.

Vybíráte BI nástroj?

Stáhněte si průvodce výběrem BI nástroje s porovnáním a kontrolním seznamem.

Ilustrace: datová architektura od zdrojů po reporty

Microsoft Fabric

Co je Microsoft Fabric a kdy dává smysl

Microsoft Fabric slibuje všechno pro data na jednom místě: integraci, sklad, analytiku i Power BI. Vysvětlujeme, z čeho se skládá, jak se licencuje a pro které firmy se vyplatí.

· 4 min čtení

Ilustrace: firemní aplikace na Power Platform

Power Platform

Governance Power Platform: Center of Excellence krok za krokem

Low-code dává lidem ve firmě sílu stavět vlastní aplikace a automatizace. Bez pravidel ale rychle vznikne chaos. Ukazujeme, jak zavést governance Power Platform postupně a bez zbytečné byrokracie.

· 3 min čtení

Ilustrace: automatizovaný proces se schvalováním

Automatizace

Power Automate Desktop: kdy se RPA vyplatí a kdy ne

Robot, který kliká místo člověka, zní lákavě. RPA je ale až druhá volba po integraci přes API. Vysvětlujeme, kdy Power Automate Desktop dává smysl, jaké jsou typické scénáře a na co si dát pozor.

· 4 min čtení