最大区别：

数据仓库是提前设计好模式（schema）的，存储的都是结构化数据。（写时模式write-schema）

数据湖中是可以存储结构化和非结构化的数据，是无法预先定义好结构的。（读时模式read-schema直到有用户要访问、使用数据才会建立schema）

进一步对比的区别：

• 存储位置：

数据仓库：基于关系型数据模型，存储在MySQL、Oracle、DB2、Hive等主流关系型数据库中。

数据湖：通常位于分布式存储系统，例如Hadoop、S3等分布式文件系统。

• 数据源

数据仓库：数据来源最多是来自OLTP业务应用的结构化数据库中摄取的

数据湖：数据来源可以是结构化的、也可以是非结构化的，例如：业务系统数据库、 IOT设备、社交媒体、移动APP等。

• 用户不同

数据仓库：主要是业务系统的大量业务数据进行统计分析，所以会应用数据分析的部门是数据仓库的主要用户，例如：销售部、市场部、运营部、总裁办等等。

数据湖：需要一个大型的存储系统将内外部多源异构数据应收尽收，当前没有明确的数据应用用户或者是目标，将来想要使用这些数据的人可以在使用时开始设计架构，此时，数据湖更适合。但数据湖中的数据都是原始数据，是未经整理的，这对于普通的用户几乎是不可用的。数据湖更适合数据科学家，因为数据科学家可以应用模型、技术发觉数据中的价值，去解决企业中的业务问题，发掘新的商业业务模式。

• 数据质量

数据仓库：非常重数据质量，数据仓库中的数据都是经过加工处理的

数据湖：数据可靠性是较差的，这些数据可能是任意状态、形态的数据。

• 敏捷扩展性

数据仓库：数据模式schema一旦建立，要重新调整schema，往往代价会很大，牵一发而动全身，所有相关的ETL程序可能都需要调整。

数据湖：非常灵活，因为是读时模式，可以根据需要重新配置结构或者模式。

• 应用

数据仓库一般用于做批处理报告、BI可视化。

数据湖主要用于机器学习、预测分析、数据探索和挖掘分析。数据湖的应用可以敏捷地使用机器学习算法进行智能（算法）中台应用服务的研发。

综上，我们可以了解到，数据湖和数据仓库的应用点是不一样的，虽然两种数据设计模式是独立的，但是在企业中有数据仓库，也可以有数据湖。数据湖并不是要替代数据仓库，而是对企业的数据管理模式进行补充。数据湖可以被下游的数据仓库和机器学习模型更好地利用。