Como o Snowflake separa armazenamento e computação
Brian B.
Reseña Original
Trabalho implementando o Snowflake para clientes de analytics e também uso a plataforma nos nossos próprios projetos de dados. O que mais pesa na minha rotina é a separação de armazenamento e computação: cada parte escala sozinha, sem administrador de banco dedicado, e isso deixa o ambiente eficiente e elástico. Atendo empresas de setores bem diferentes, todas com o mesmo tipo de necessidade, um lugar simples e escalável para analisar dados, e é exatamente aí que a ferramenta entrega.
Como a separação de armazenamento e computação muda a escala no dia a dia
Quando comecei a trabalhar com o Snowflake, a separação entre armazenamento e computação foi o ponto que mais me chamou atenção, porque é uma mudança radical em relação a como os bancos de dados do passado eram construídos. Antes, crescer quase sempre significava mexer na mesma estrutura que guardava os dados, e qualquer ajuste de capacidade vinha junto com risco e trabalho de administração. Aqui, o cliente ajusta o compute conforme a demanda aumenta ou diminui, sem tocar no dado armazenado.
Na prática, isso resolve um problema recorrente dos nossos projetos: a demanda de análise oscila muito. Em períodos de pico, o ambiente precisa responder rápido; em períodos mais calmos, não faz sentido manter a mesma estrutura ligada. Como as duas camadas são independentes, o cliente escala cada lado conforme a necessidade real, sem depender de um DBA acompanhando cada movimento. É por isso que digo que a plataforma é fácil de usar e não carrega aquele peso operacional de banco tradicional.
Também vale destacar a abrangência. Nossos clientes usam a ferramenta em praticamente todos os setores e verticais, sempre em problemas que pedem um ambiente de dados eficiente, simples e escalável. Não é um caso de uso de nicho: é uma base que serve desde iniciativas internas nossas até operações de analytics de clientes com necessidades bem distintas.
O espaço que ainda existe em analytics avançado com Python, Scala e Java
O ponto em que vejo mais espaço para evoluir é o analytics avançado rodando direto nos virtual warehouses, com Python, Scala ou Java executando nativamente. Hoje esse é o tipo de demanda que aparece com frequência nos nossos clientes de analytics, e é justamente onde a plataforma ainda tem margem para crescer. Não é um bloqueio para o trabalho, mas é uma frente que acompanho de perto e comento com quem está montando a arquitetura.
Na prática, quando um cliente chega querendo concentrar processamento analítico mais elaborado no mesmo ambiente, esse é o critério que entra na conversa antes da decisão. Prefiro ser transparente sobre essa lacuna em vez de prometer algo que o produto ainda não entrega com a mesma naturalidade de um data warehouse. Para quem está avaliando a ferramenta, entender esse limite evita expectativa errada logo no início do projeto.
Ainda assim, nada disso muda o meu veredito geral. A base de armazenamento e computação separados, o baixo peso de administração e a facilidade de escala continuam sendo o que sustenta a escolha da plataforma nos projetos que acompanho.
Por que quem vem de banco relacional estranha os conceitos no começo
Um detalhe que costumo avisar logo na primeira conversa: para quem vem de um background de RDBMS, a ferramenta pode parecer pouco intuitiva, porque alguns conceitos são uma ruptura e tanto com o que a pessoa aprendeu. A separação entre armazenamento e computação é o exemplo mais claro. Quem passou anos pensando em um servidor único precisa desaprender parte desse modelo para aproveitar bem a plataforma.
O segundo aviso é sobre escopo. A ferramenta não é especialmente indicada para muitos casos de uso de banco de dados, como cenários de OLTP. Sinceramente, é difícil chamar isso de desvantagem, porque claramente não foi para isso que o produto foi desenhado. O problema aparece quando alguém tenta encaixar uma carga transacional em um ambiente analítico e depois culpa a ferramenta pelo resultado.
Por isso, a orientação que dou é sempre a mesma: entenda o desenho antes de comparar. Quando o cliente encaixa a plataforma no problema certo, o ambiente fica eficiente, fácil de usar e escalável na medida em que a operação cresce ou encolhe.
No fim, o que sustento é que o Snowflake é a plataforma de dados em nuvem mais completa com que trabalho hoje. A separação entre armazenamento e computação, a ausência de carga pesada de DBA e a facilidade de escalar para cima e para baixo explicam a escolha. As ressalvas sobre analytics avançado e sobre a curva de quem vem de RDBMS são reais, mas não tiram o mérito de um ambiente que resolve o essencial com consistência.
Más reseñas de Snowflake
¿Evaluando Snowflake?
Obtén una cotización personalizada de Snowflake según tus necesidades.
Hablar por WhatsApp
por Snowflake
Snowflake permite armazenar, processar e compartilhar dados para análises e aplicações empresariais. Conheça recursos, documentação e critérios de adoção para avaliar a solução no contexto da sua empresa.