Un data lake es un repositorio diseñado para almacenar grandes volúmenes de datos sin procesar, normalmente utilizando almacenamiento de objetos en la nube de bajo costo. Este enfoque permite la ingestión y el almacenamiento de datos estructurados, semiestructurados y no estructurados en una única plataforma.
Los data lakes surgieron para ayudar a las organizaciones a gestionar la avalancha de big data generada por aplicaciones y servicios conectados a Internet a finales de los 2000 y principios de los 2010. A diferencia de las bases de datos y los data warehouses tradicionales, los data lakes no imponen esquemas estrictos y los data lakes actuales utilizan almacenamiento en la nube escalable y asequible, lo que los hace ideales para grandes cantidades de datos diversos.
Los data lakes son ahora un componente central de las arquitecturas de datos de muchas organizaciones. Se utilizan como almacenamiento de bajo costo y de uso general; archivos para datos antiguos o no utilizados; áreas de espera para datos entrantes; o para almacenar los conjuntos de datos masivos no estructurados necesarios para la ciencia de datos, el machine learning (ML), la inteligencia artificial (IA) y las cargas de trabajo de analytics de big data.
A pesar de las necesidades de datos en evolución y las arquitecturas emergentes (como data lakehouses), la flexibilidad de bajo costo de los data lakes sigue siendo ventajosa para las empresas que generan valor a partir de grandes volúmenes de datos. Para 2030, se espera que el mercado global de data lakes alcance los 45.8 mil millones de dólares, creciendo a una CAGR del 23.9 % a partir de 2024.1
Manténgase al día sobre las tendencias más importantes e intrigantes de la industria sobre IA, automatización, datos y más con el boletín Think. Consulte la Declaración de privacidad de IBM.
Los volúmenes de datos empresariales empiezan a parecer tan ilimitados como las estrellas en el cielo nocturno: son vastos, ilimitados y aparentemente interminables.
Los datos llegan de sensores del Internet de las cosas (IoT), fuentes de redes sociales, aplicaciones empresariales y muchas otras fuentes. Sin un lugar rentable y escalable para almacenarlo todo, las organizaciones corren el riesgo de cometer un error estratégico: dejar petabytes de datos desconocidos y sin utilizar.
Estos datos podrían contener los insights necesarios para desbloquear nuevas fuentes de ingresos, impulsar una eficiencia operativa real o brindar experiencias del cliente hiperpersonalizadas. También podría ser central para garantizar que las inversiones en IA sean efectivas y rentables: el 72 % de los CEO llega a decir que los datos propietarios son clave para desbloquear el valor de la IA generativa.2
Pero darse cuenta del valor de estos datos depende de algo más que de un lugar donde guardarlos. También requiere un fácil acceso para el uso colaborativo. Según un estudio de 2025 del IBM Institute for Business Value, el 82 % de los directores de datos encuestados considera que los datos se desperdician si los empleados no pueden acceder a ellos para la toma de decisiones.3
Como repositorios centralizados, los data lakes pueden mejorar significativamente la accesibilidad de los datos que antes estaban aislados. Por lo general, ofrecen acceso a datos de autoservicio, lo que permite a los usuarios sin conocimientos técnicos acceder y analizar conjuntos de datos confiables de toda la empresa, lo que mejora la colaboración y acelera la innovación.
Durante mucho tiempo, las organizaciones se basaron en bases de datos relacionales (desarrolladas en la década de 1970) y data warehouses (desarrollados en la década de 1980) para gestionar sus datos. Estas soluciones siguen siendo partes importantes de los ecosistemas de TI de muchas organizaciones, pero se diseñaron principalmente para conjuntos de datos estructurados.
Con el crecimiento de Internet, y especialmente la llegada de las redes sociales y los medios de transmisión, las organizaciones se encontraron con grandes cantidades de datos no estructurados, como texto e imágenes de forma libre. Los almacenes de datos y las bases de datos relacionales estaban mal equipados para manejar esta afluencia de datos en tiempo real debido a sus esquemas estrictos y costos de almacenamiento comparativamente altos.
En 2011, James Dixon, entonces director de tecnología de Pentaho, acuñó el término "data lake". Dixon vio el lago como una alternativa al almacén de datos. Mientras que los almacenes proporcionan datos procesados para casos de uso empresarial específicos, Dixon imaginó un data lake como un gran cuerpo de datos alojados en su formato natural. Los usuarios podían extraer los datos que necesitaban de este lago y usarlos como quisieran.
Muchos de los primeros data lakes se crearon en el Hadoop Distributed File System (HDFS), una infraestructura de código abierto y uno de los principales componentes de Apache Hadoop. Estos primeros data lakes se alojaban on premises, pero esto se convirtió rápidamente en un problema a medida que el volumen de datos seguía aumentando. La computación en la nube ofreció una solución: trasladar los data lakes a servicios de almacenamiento de objetos en la nube más escalables.
Los data lakes siguen evolucionando hoy en día. Muchas soluciones de data lakes ofrecen ahora funciones que van más allá del almacenamiento económico y escalable, como herramientas de seguridad y gobernanza de datos, catálogos de datos y gestión de metadatos.
Los data lakes también son componentes centrales de los data lakehouses, una solución de gestión de datos relativamente nueva que combina el almacenamiento de bajo costo de un lago y las capacidades de analytics de alto rendimiento de un almacén.
Una arquitectura típica de data lake se organiza en varias capas, cada una de las cuales admite una etapa del ciclo de vida de los datos.
La capa de ingesta conecta el almacenamiento central de data lakes con diversas fuentes de datos, como bases de datos, aplicaciones, dispositivos del Internet de las cosas (IoT) y sensores. La mayoría de los data lakes usan un proceso extraer, cargar, transformar (ELT) (en lugar de un proceso extraer, transformar cargar (ETL)) en esta capa. Ingieren datos en su estado original de varios pipelines de datos, pero no los transforman hasta que se necesitan. Este enfoque, que aplica un esquema solo cuando se accede a los datos, se denomina "esquema en lectura".
Mientras que los primeros data lakes se construyeron sobre Apache Hadoop, el núcleo de un moderno data lake es un servicio de almacenamiento en la nube, que puede desplegarse en entornos on-premises, nube privada y nube pública. Las opciones comunes incluyen Amazon Simple Storage Service (Amazon S3), Microsoft Azure Blob Storage, Google Cloud Storage e IBM Cloud Object Storage.
El almacenamiento de objetos en la nube permite a las organizaciones almacenar diferentes tipos de datos sin procesar en el mismo almacén de datos. También es generalmente más escalable y rentable que el almacenamiento on premises. Los proveedores de almacenamiento en la nube permiten a las organizaciones poner en marcha grandes clústeres de almacenamiento (servidores que funcionan como un sistema unificado) bajo demanda, lo que requiere el pago solo por el almacenamiento utilizado.
El catálogo de datos y la capa de metadatos permiten a los usuarios encontrar y comprender los datos dentro de los data lakes. Los catálogos de datos actúan como un inventario detallado de datos. Utilizan metadatos (como autor, datos de creación y tamaño de archivo) y herramientas de gestión de datos para ayudar a los usuarios a descubrir, comprender, gestionar, curar y acceder fácilmente a los datos.
Sin esta capa, los data lakes pueden deteriorarse y convertirse en pantanos de datos, lodazales desordenados en los que no se puede acceder a los datos válidos porque carecen de metadatos, estructura y gobernanza. Los pantanos de datos son efectivamente “vertederos” de datos.
Debido a que el almacenamiento y la computación están separados en una arquitectura de data lake, el procesamiento y análisis de datos se realizan mediante la integración con motores de computación. En esta capa, los data lakes admiten una amplia gama de herramientas. Algunos ejemplos comunes incluyen motores de procesamiento de big data como Apache Spark y Hive; machine learning y entornos de aprendizaje profundo como TensorFlow; y bibliotecas de análisis como Pandas.
Por encima de todo, el almacenamiento de data lakes debe ser seguro, especialmente cuando contiene información personal o sensible sobre empleados y clientes. Las capas de seguridad y gobernanza incluyen capacidades tales como soluciones integradas de gobernanza de datos, cifrado y controles de acceso a través de la gestión de identidad y acceso (IAM). Estas soluciones ayudan a proteger contra el acceso no autorizado y respaldan la gestión eficaz de los datos en las otras capas.
Estas capacidades también ayudan a las organizaciones a cumplir con los requisitos normativos bajo las leyes de privacidad de datos, como el Reglamento General de Protección de Datos (RGPD) y la Ley de Portabilidad y Responsabilidad del Seguro Médico de EE. UU. (HIPAA).
Una ventaja clave de los data lakes es que proporcionan acceso a datos sin procesar y que antes eran inaccesibles. La capa de acceso permite a los usuarios consultar, explorar y extraer información del lago. Los usuarios posteriores suelen incluir ingenieros de datos y científicos de datos, así como usuarios empresariales con menos conocimientos técnicos.
Esta capa utiliza interfaces de consulta e interfaces de programación de aplicaciones (API) para conectar a los usuarios con los datos. Algunos ejemplos comunes incluyen motores de consulta SQL como las API Presto y Spark.
Los data lakes ayudan a las organizaciones a obtener más valor de sus datos al facilitar su intercambio y uso. Más específicamente, los data lakes pueden proporcionar:
Los data lakes pueden ingerir y almacenar datos en una amplia variedad de formatos, incluidos conjuntos de datos estructurados, semiestructurados y no estructurados. También admiten múltiples métodos de ingestión, ya sean cargas por lotes o datos de transmisión en tiempo real. Esta flexibilidad permite a las organizaciones recopilar datos de diversas fuentes (como dispositivos IoT, fuentes de redes sociales o sistemas internos) sin la necesidad de transformaciones complejas o soluciones de almacenamiento separadas.
Con los data lakes, los datos pueden ser ingeridos y almacenados en su formato nativo y sin procesar, evitando así costosos procesos iniciales de limpieza y transformación. El almacenamiento de objetos en la nube suele ser más rentable que las alternativas locales, y el uso de tecnologías de código abierto para el procesamiento reduce aún más los costos. Estos ahorros permiten a las organizaciones optimizar sus procesos de gestión de datos, asignando el presupuesto y los recursos de manera más eficaz en todas las iniciativas.
Los data lakes desacoplan los recursos de computación y almacenamiento de datos y a menudo emplean servicios de nube, lo que facilita escalar la capacidad y la computación en comparación con muchas otras soluciones de almacenamiento de datos. Esta arquitectura les permite manejar el crecimiento masivo de datos (crítico para cargas de trabajo de IA y machine learning) sin degradaciones de rendimiento.
Los data lakes pueden ayudar a reducir silos de datos al unificar la información en una única fuente de verdad accesible en toda la organización, en lugar de dispersarse entre unidades de negocio. Los analistas y científicos de datos no tienen que perder tiempo accediendo directamente a múltiples fuentes y, en cambio, pueden acceder, consultar y utilizar rápidamente los datos que necesitan.
Este repositorio centralizado ayuda a acelerar la preparación de datos, fomenta la reutilización y apoya una toma de decisiones basada en datos más colaborativa. Gracias a estos beneficios, las organizaciones también pueden tener una innovación acelerada y esfuerzos de investigación y desarrollo.
Los data lakes, warehouses y lakehouses son tipos distintos de soluciones de almacenamiento de datos. Pero sus diferencias se complementan entre sí y, a menudo, se utilizan juntas en una arquitectura de datos integrada para admitir varios casos de uso.
Al igual que un data lake, un data warehouse agrega datos de fuentes dispares en un almacén central. La diferencia clave es que los data warehouses suelen limpiar y preparar los datos antes de la ingesta para que estén listos inmediatamente para analytics.
Los almacenes están optimizados para datos estructurados y estrechamente integrados con motores de analytics, paneles de business intelligence (BI) y herramientas de visualización de datos. Como tales, los almacenes tienden a ofrecer un rendimiento sólido, pero a un costo más alto y con menos flexibilidad que los data lakes. Las organizaciones generalmente utilizan data warehouses para proyectos de analytics específicos, mientras que confían en data lakes para el almacenamiento de datos multipropósito a gran escala.
Un data lakehouse es una solución de gestión de datos que combina el almacenamiento flexible y de bajo costo de un data lake con las capacidades de análisis de alto rendimiento de un almacén. Al igual que un data lake, un lakehouse puede almacenar datos en cualquier formato a un bajo costo. Sin embargo, también proporciona una infraestructura de analytics estilo almacén sobre el almacenamiento de data lake en la nube.
Las organizaciones pueden usar lakehouses para admitir numerosas cargas de trabajo, incluyendo IA, machine learning (ML), BI y análisis en tiempo real. Los lakehouses también pueden servir como una vía de modernización para las arquitecturas de datos: las organizaciones pueden colocar lakehouses junto con lagos y almacenes existentes sin un costoso esfuerzo de extracción y reemplazo.
Las organizaciones pueden utilizar data lakes por una amplia gama de razones en todas las industrias. Algunas de las más comunes incluyen:
Para muchas organizaciones, los data lakes funcionan como soluciones de almacenamiento multiusos para grandes volúmenes de datos. En lugar de dedicar tiempo y recursos a transformar datos para su ingesta, las organizaciones pueden almacenar los datos sin procesar entrantes en un almacenamiento escalable de objetos, que puede albergar fácilmente petabytes de datos en prácticamente cualquier formato. Los usuarios pueden consultar datos del lago directamente mediante motores de análisis o moverlos a un almacén u otra plataforma de datos según sea necesario.
Las organizaciones también pueden usar data lakes para almacenar datos “por si acaso” con casos de uso aún no definidos. Debido a que el almacenamiento de objetos es relativamente económico y escalable, las organizaciones no tienen que preocuparse por gastar demasiado en datos que tal vez aún no necesiten.
La alta capacidad de almacenamiento y los costos de almacenamiento relativamente bajos hacen que los data lakes sean un componente común de las estrategias de copia de seguridad y recuperación ante desastres para datos críticos. Los data lakes también se utilizan con frecuencia para almacenar datos fríos o inactivos a un costo menor. Este enfoque es útil para archivar datos antiguos y mantener registros históricos para auditorías de cumplimiento, consultas regulatorias o futuros casos de uso de analytics.
Por ejemplo, la industria bancaria y financiera genera datos de transacciones de alta velocidad procedentes de los mercados bursátiles, las tarjetas de crédito y otras actividades financieras. También debe conservar documentos legales y otros registros para cumplir con los requisitos normativos y de auditoría. Las arquitecturas de data lakes son muy adecuadas para almacenar estos formatos de datos mixtos y preservar datos existentes e históricos para facilitar la consulta.
Según el Estudio del CEO de IBM en 2025, el 61 % de los directores ejecutivos (CEO) con mejor desempeño están de acuerdo en que tener las herramientas de IA generativa más avanzadas le da a una organización una ventaja competitiva. Los data lakes desempeñan un papel importante en las cargas de trabajo de IA, ML y analytics de big data, incluida la creación de modelos predictivos y el entrenamiento de sistemas de IA generativa.
Estos proyectos requieren acceso a conjuntos de datos grandes y diversos, tanto estructurados como no estructurados y semiestructurados. La arquitectura del data lake proporciona capacidades de integración y almacenamiento escalables y rentables con entornos de procesamiento para admitir estas necesidades.
Según los datos de evaluación comparativa del IBM Institute for Business Value, el 64 % de las organizaciones informa que derribar las barreras organizacionales para el intercambio de datos es uno de sus mayores desafíos relacionados con las personas. Las organizaciones no pueden tener pleno beneficio de sus datos si están aislados y son difíciles de acceder.
Los data lakes pueden ayudar a respaldar las iniciativas de integración de datos al proporcionar un repositorio centralizado para datos de múltiples fuentes. Al consolidar datos diversos en un solo entorno, crean una base sólida para la armonización y la transformación posteriores.
Si bien los data lakes ofrecen escalabilidad, flexibilidad y ventajas de costos, existen tres desafíos principales que las organizaciones deben considerar.
Para evitar los pantanos de datos, es necesario aplicar desde el primer momento prácticas sólidas de gobernanza, calidad y seguridad de los datos. Definir y aplicar estándares de datos, gestión y documentación de metadatos, y controles de acceso ayudará a garantizar que los data lakes permanezcan organizados, útiles y seguros.
Dinesh Nirmal, vicepresidente sénior de IBM Software, señala que estos principios son especialmente críticos al preparar data lakes para admitir la IA generativa:
“Si bien los datos no están estructurados, es importante aplicar la misma gobernanza y seguridad que se utiliza para los datos estructurados. Ahí hay una gran oportunidad: la IA generativa solo puede tener éxito si proporcionamos a los modelos datos gobernados y confiables”.
Es posible que no necesite un data lake a menos que gestione grandes volúmenes de datos semiestructurados y no estructurados para IA, machine learning o ciencia de datos. Los data lakes ofrecen almacenamiento en la nube rentable y escalable con computación separada. Alternativamente, un data lakehouse combina esa escalabilidad con las capacidades de analytics de datos integradas de un data warehouse.
Los data lakes no son seguros de forma predeterminada y pueden ser objetivos principales para las amenazas de seguridad porque son repositorios centralizados de grandes volúmenes de datos (algunos de ellos información confidencial). Los data lakes seguros utilizan cifrado, controles de acceso y protecciones de red para proteger los conjuntos de datos del acceso no autorizado.
Sí, los data lakes son muy adecuados para el machine learning porque almacenan los enormes volúmenes de datos sin procesar y diversos necesarios para entrenar, validar, ajustar y desplegar modelos de ML. Mediante el uso de motores de analytics y procesamiento de datos (como Apache Spark), los equipos de ciencia de datos pueden acceder y preparar conjuntos de datos sin procesar directamente dentro del lago para construir y refinar sus modelos.
Ponga sus datos a trabajar, dondequiera que residan, con el lakehouse de datos híbrido y abierto para IA y analytics.
Resuelva los desafíos de datos actuales con una arquitectura de lakehouse.Conéctese a los datos en minutos, obtenga rápidamente insights confiables y reduzca los costos de su almacén de datos.
Desbloquee el valor de los datos empresariales con IBM Consulting y cree una organización impulsada por insights que ofrezca ventajas empresariales.
1 Data lakes. Global Industry Analysts. 1 de octubre de 2025.
2 2025 CEO Study: 5 mindshifts to supercharge business growth: Move from productivity to performance with agentic AI. IBM Institute for Business Value. Mayo de 2025.
3 The 2025 CDO Study: The AI multiplier effect, IBM Institute for Business Value, 12 de noviembre de 2025.