Como o Snowflake separa armazenamento e computação

Brian B.

Avaliação via trustradius

Avaliação 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.

Ver avaliação completa no trustradius
Voltar para todas as avaliações

Avaliando o Snowflake?

Obtenha uma cotação personalizada de Snowflake baseada nas suas necessidades.

Falar no WhatsApp

Simular Economia

Calcule sua economia potencial ao migrar para Snowflake.

Simular Economia
Snowflake
Snowflake

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.

SoftwareAnalytics
Página do Produto