En jämförelse av de två arkitekturerna sida vid sida: datatyper, kompetens, kostnad, governance och AI, och när den ena är det bättre valet.
Välj ett datalager när er data till största delen är strukturerad, teamet arbetar i SQL och huvuduppgiften är rapportering som går att lita på. Välj ett lakehouse när ni också hanterar filer, loggar eller semistrukturerad data, vill köra data science och AI på samma kopia av datan eller vill ha öppna tabellformat. På moderna plattformar landar många företag i båda.
Valet var förr en stor arkitekturell satsning. I dag erbjuder de stora plattformarna både datalager och lakehouse på samma lagring, så frågan handlar mindre om vilken produkt och mer om vilket arbetssätt som passar er data och ert team. Jämförelsen är skriven av Devies, ett produkt- och utvecklingskonsultbolag i Göteborg som designar och driver dataplattformar för nordiska företag. Den riktar sig till CTO:er, dataansvariga och ekonomi- eller verksamhetschefer som snart ska lägga budget på en dataplattform och vill se avvägningarna i klartext.
Vad är ett datalager, en datasjö och ett data lakehouse?
Ett datalager är ett strukturerat lager för rapportering där SQL kommer först, en datasjö är billig lagring för råa filer, och ett data lakehouse kombinerar datasjöns lagring med datalagrets funktioner som tabeller, transaktioner och behörighetsstyrning.
- Ett datalager (data warehouse) är en databas byggd för analys. Den håller tvättad, strukturerad data i tabeller med ett definierat schema, frågas med SQL och matar oftast BI-verktyg.
- En datasjö (data lake) är billig objektlagring som behåller data i originalform: CSV, JSON, Parquet, bilder, loggar. Den är flexibel, men har på egen hand inga transaktioner eller garantier på tabellnivå.
- Ett lakehouse är en arkitektur som lagrar data i öppna fil- och tabellformat i datasjön och lägger datalagrets förmågor ovanpå: ACID-transaktioner, schemakontroll, SQL-åtkomst och governance.
- En data fabric är ett arkitektoniskt angreppssätt som kopplar ihop data i många lager genom gemensam metadata, kataloger och integrationstjänster. Det beskriver hur utspridd data hittas och styrs, inte var den lagras.
Begreppet lakehouse formulerades i en CIDR-artikel från 2021 av Armbrust, Ghodsi, Xin och Zaharia. Författarna menade att öppna format på datasjölagring kunde lösa datalagrets problem med inaktuell data, kostnad, inlåsning och svagt stöd för maskininlärning. Hur ett lakehouse delas in i lager, mönstret med brons, silver och guld, är ett eget ämne.
Hur skiljer sig ett data lakehouse från ett datalager?
De skiljer sig mest i vilken data de hanterar bra, vilken kompetens de förutsätter och hur öppen lagringen är. För vanlig rapportering på strukturerad data gör de ungefär samma jobb.
Kriterium
Datalager
Lakehouse
Data som passar bäst
Datalager
Strukturerade tabeller från affärssystem, CRM och ekonomi
Lakehouse
Strukturerad data plus semistrukturerad och ostrukturerad: filer, händelser, loggar, dokument
Huvudsaklig kompetens
Datalager
SQL, datamodellering, BI
Lakehouse
Python eller Spark plus SQL; data engineering
Transaktioner
Datalager
Fullständiga transaktioner över flera tabeller är standard
Lakehouse
ACID per tabell genom tabellformatet; stöd för flera tabeller varierar mellan plattformar
Lagringsformat
Datalager
Ofta proprietärt och hanterat av motorn
Lakehouse
Öppna tabellformat som Delta Lake eller Apache Iceberg
Maskininlärning och AI
Datalager
Data exporteras oftast till separata verktyg
Lakehouse
Data science arbetar på samma kopia av datan
Governance
Datalager
Mogen, på tabell- och kolumnnivå
Lakehouse
Finns på moderna plattformar, men måste sättas upp medvetet över filer och tabeller
Typiska användare
Datalager
Analytiker, ekonomi, rapportbyggare
Lakehouse
Dataingenjörer och data scientists, analytiker via SQL-ändpunkter
Största risk
Datalager
Stelhet och kostnad när datan blir mer varierad
Lakehouse
Att det blir en okontrollerad datasjö utan disciplin
Microsofts beslutsguide för Fabric kokar ner det första valet till tre frågor: utvecklar ni i Spark eller T-SQL, behöver ni transaktioner över flera tabeller, och är er data bara strukturerad eller också ostrukturerad? I Fabric lagrar båda alternativen data i Delta-format i OneLake och delar samma SQL-motor. Så långt har de två närmat sig varandra.
När väljer ni datalager, och när lakehouse?
Välj efter den data ni har och det team ni har, inte efter vilken arkitektur som är nyast.
Välj ett datalager när:
- det mesta av er data kommer från strukturerade system som affärssystemet, CRM och ekonomisystemet;
- huvudmålet är enhetlig rapportering och nyckeltal i ett BI-verktyg;
- teamet är starkast i SQL och datamodellering;
- ni behöver transaktioner över flera tabeller och en mogen, välkänd behörighetsstyrning;
- ni inte har några närliggande planer på maskininlärning på stora mängder rådata.
Välj ett lakehouse när:
- ni också behöver lagra och analysera filer, sensor- eller händelsedata, loggar eller dokument;
- data science, maskininlärning eller AI med retrieval augmented generation ska arbeta på samma data som rapporteringen;
- ni vill ha öppna tabellformat för att kunna byta frågemotor senare;
- datavolymerna är stora eller växer snabbt och ni vill ha lagring prissatt som en datasjö;
- ni har, eller ska bygga upp, kompetens inom data engineering.
Använd båda när analytikerna behöver ett SQL-baserat datalager för kurerad rapportering medan ingenjörerna läser in och förädlar data i ett lakehouse. Microsofts guide nämner uttryckligen kombinationen lakehouse och datalager för analys i hela företaget som en rekommenderad användning. För många medelstora företag är det slutläget: ett lakehouse för inläsning och förädling, och ett datalager eller guldlager för de siffror som verksamheten skriver under på.
Var passar Azure Synapse och data fabric in?
Azure Synapse är en befintlig analystjänst från Microsoft som kombinerar verktyg för datalager och datasjö, medan data fabric är ett designsätt och inte en produkt.
Azure Synapse Analytics samlar dedikerade och serverlösa SQL-pooler för datalager, Apache Spark, pipelines för dataintegration och integration med Power BI. Många nordiska företag byggde sin första dataplattform i molnet på den. I oktober 2026 styr Microsofts egen dokumentation nytt datalagerarbete mot Microsoft Fabric. Microsoft publicerar en migreringsguide från dedikerade SQL-pooler i Synapse till Fabric Data Warehouse med en automatisk migreringsassistent. Kör ni Synapse i dag finns ingen anledning till panik, men en ny investering bör ta hänsyn till riktningen. Planera flytten som lift-and-shift eller stegvis modernisering, som guiden beskriver, och inte som en forcerad omskrivning.
Data fabric förväxlas ofta med Microsoft Fabric på grund av namnet. En data fabric kopplar ihop data där den finns, genom gemensam metadata och governance, och kan omfatta datalager, lakehouse och operativa databaser. Den är användbar när data måste ligga kvar på många ställen, till exempel efter uppköp. Den ersätter inte beslutet om hur ert centrala analyslager ska byggas.
Vad ska ni bestämma innan ni väljer?
Bestäm vilka frågor arkitekturen ska besvara innan ni jämför plattformar, eftersom samma dataplattform kan byggas på båda sätten.
Använd checklistan på ert första planeringsmöte:
- Lista de tio viktigaste affärsfrågorna som plattformen ska besvara det första året.
- Inventera datakällor och datatyper: vilka är strukturerade tabeller, och vilka är filer, händelser eller dokument?
- Bedöm teamet: kompetens i SQL och BI, i Python och Spark, och vem som ska driva plattformen efter lansering.
- Klargör AI-ambitionerna för de kommande två åren: inga, bara rapportering, maskininlärning eller AI-assistenter på företagets egna data.
- Sätt kraven på governance: personuppgifter, behörigheter per roll eller region, behov av spårbarhet.
- Gå igenom befintliga investeringar, som Synapse, SQL Server i egen drift eller Power BI, och deras migreringsvägar.
- Uppskatta kostnadsdrivarna: lagringsvolym, beräkningsmönster och licenser, i stället för listpriser.
- Välj en pilot med en domän, till exempel försäljning eller ekonomi, och bygg den hela vägen innan ni skalar upp.
När arkitekturen är klar följer valet av leverantör. Den jämförelsen finns i Microsoft Fabric, Databricks eller Snowflake.
Devies
Vill ni ha en second opinion?
Devies, en produkt- och utvecklingskonsult i Göteborg, arbetar med frågor som den här tillsammans med nordiska produkt- och IT-team. Berätta var ni står så föreslår vi ett rimligt första steg.
Vanliga frågor
Ersätter data lakehouse datalagret?
Inte helt. Lakehouse-plattformar klarar i dag mycket av det som datalager gjorde, och den ursprungliga lakehouse-artikeln förutsåg den förskjutningen. I praktiken erbjuder plattformar som Microsoft Fabric båda på samma lagring, och många företag använder ett datalager för kurerad SQL-rapportering bredvid ett lakehouse för inläsning, data science och AI. Idén med datalagret, strukturerad och styrd data för beslut, finns kvar. Lagringen under har ändrats.
Är ett data lakehouse dyrare än ett datalager?
Inte nödvändigtvis. Lagringen i ett lakehouse är oftast billigare eftersom den bygger på objektlagring, men beräkningskostnaden beror på hur mycket bearbetning ni kör och hur väl den sköts. Ett datalager kan bli billigare för små, rent strukturerade rapporteringslaster. Jämför totalkostnaden över tre år för er egen last, inklusive kompetens och drift, i stället för bara lagrings- eller listpriser.
Ska vi migrera från Azure Synapse nu?
Inte i panik. Synapse är fortfarande en dokumenterad Azure-tjänst, men i oktober 2026 styr Microsofts dokumentation nytt datalagerarbete mot Microsoft Fabric och erbjuder en migreringsguide och en assistent för dedikerade SQL-pooler. Inventera vad ni kör på Synapse, kontrollera kompatibiliteten och planera flytten som en del av er vanliga färdplan, med början i de laster som har mest att vinna på den nya plattformen.
Vad är skillnaden mellan data fabric och Microsoft Fabric?
Data fabric är ett allmänt arkitektoniskt angreppssätt: det kopplar ihop data i många system genom gemensam metadata, kataloger och governance, utan att flytta allt till ett ställe. Microsoft Fabric är en specifik analysprodukt som levereras som SaaS och innehåller lakehouse, datalager, pipelines och Power BI på ett gemensamt lagringslager. Microsoft Fabric kan ingå i en data fabric, men begreppen är inte utbytbara.
Källor
- Armbrust, Ghodsi, Xin, Zaharia: Lakehouse: A New Generation of Open Platforms that Unify Data Warehousing and Advanced Analytics, CIDR 2021
- Microsoft Learn: Warehouse and Lakehouse, a decision guide (Microsoft Fabric)
- Microsoft Learn: What is Azure Synapse Analytics?
- Microsoft Learn: Migration strategy and planning for Azure Synapse dedicated SQL pools to Fabric










