当数据仓库可以处理非结构化数据，而数据湖可以运行分析时，组织如何决定使用哪种方法?这取决于其需要采用数据回答新问题的频率。  传统上，数据仓库收集来自组织业务的所有结构化数据，因此组织可以将其集成到单个数据模型中，运行分析并获取商业智能，无论是用于开发新产品还是向客户营销现有服务。这曾经被称为“大数据”，但现在所有组织都拥有来自电子商务网站、物联网设备和传感器等来源的大量数据，因此现代数据仓库需要处理结构化、非结构化和流媒体数据，并提供实时数据分析以及商业智能和报告。  越来越多的组织在云中实现这一目标，以实现更高的速度和更低的成本。微软Azure公司副总裁Julia White指出，越来越多的数据可能已经存在于云中，以及组织想要使用这些数据的服务。White说，“随着数据越来越多地迁移到云端，无论是来自SaaS应用程序还是只迁移到云端的应用程序;运营数据就在云端，客户在询问‘为什么我要将运营数据从云端迁回到内部部署数据中心进行分析?它没有意义。’”他指出，尽管组织内部仍然有大量的数据，而且随着边缘计算的发展，还会有更多的数据，但许多客户还是会将部分或全部数据转移到云平台上，这取决于法规遵从性问题。  White指出，“每个企业都在研究人工智能。他们很快意识到分析是其基础，他们开始问‘我的分析和我的数据仓库的状态是什么?’，而且往往不够好。”  Power BI的普及也推动了更多的微软客户进行云计算分析。White说，“当他们有了这些强大的数据可视化功能后，他们开始质疑自己的分析能力——‘我想知道数据可视化背后发生了什么：我喜欢Power BI，我希望我的分析更有趣。”  更复杂的客户希望分析他们自己的Office Graph数据(组织可以使用Azure Data Factory将其复制到Azure Data Lake)或利用Microsoft、Adobe和SAP(基于Azure Data构建的)之间的开放数据计划(ODI)数据湖并将最终整合来自更多软件供应商的数据。White说，“Azure Data Lake与Azure数据仓库紧密结合，客户正在使用Azure数据仓库获取更多见解，并在其上构建现代数据仓库。”  采用哪种数据服务?  微软公司拥有一系列看起来有点像数据仓库的云计算服务，最明显的是Azure SQL数据仓库或微软经常称之为的“DW”，但也有Azure数据工厂、Azure数据湖、Azure数据库、Power BI和Azure机器学习，以及更多打包服务，如Dynamics 365中的人工智能销售工具。  理解它们的方法不仅仅是关注它们提供的工具，还要关注它们所服务的用户以及它们如何协同工作。这是因为企业通常拥有的数据在多个数据存储中分散，创建现代数据仓库的第一步是整合所有这些孤岛。微软Azure上的这些不同数据存储越多，连接就越容易——这也是微软Azure提供如此多不同数据服务的原因之一。White表示，“另一方面，客户并不是在寻找可以做任何事情的单一工具，有一系列细微差别的选择，如果真的要挑选，并优化自己的场景使用的工具。”  Azure DW适用于处理策划数据的数据工程师。这可能是来自SQL Server数据库的数据，但它也可能是来自这些数据工程师使用Databricks或Spark和.NET从Azure HDInsight等源准备数据的管道构建的数据。  Azure数据工厂是数据工程师进行数据ETL(提取、转换、加载)的另一项服务。组织可以将其视为云计算层级ETL工具，组织可以通过拖放界面(实际上是Logic Apps)或使用Python、Java或.NET SDK(如果组织更喜欢编写代码来执行)来使用数据转换和管理数据管道的不同步骤，通过Databricks或HDInsight、Azure Data Lake或Power BI。  Power BI还可以使用Dataflows(也是免代码)进行数据转换，但