Lake-house en LATAM: Snowflake, Databricks o BigQuery

Las tres plataformas convergen pero las tres siguen siendo distintas. Lo que vemos funcionar para empresas medianas en Colombia, México y Chile.

Hace tres años Snowflake era el warehouse limpio, Databricks era el stack de ML, y BigQuery era para gente ya en Google Cloud. Hoy los tres se persiguen y todos terminan siendo plataformas lakehouse con compute serverless y semantic layer. Pero sigue habiendo diferencias importantes para una empresa mediana en LATAM.

Snowflake — cuando lo que sobra es presupuesto y el equipo es chico

Es el más simple operativamente. Separa storage de compute, escala con un click, integra con todo. El precio: caro si no optimizas warehouses y queries. La curva de aprendizaje para un DBA tradicional es la más corta — SQL puro, sin cluster management. Para una empresa con 1–3 ingenieros de datos y mucha presión de tiempo, gana.

Databricks — cuando el caso de uso incluye ML serio

Es la mejor opción cuando además de BI necesitas pipelines de feature engineering, training de modelos y serving. MLflow integrado, Unity Catalog real, soporte nativo para Delta y Iceberg. Si el equipo viene de Spark o quiere notebooks Python para análisis, Databricks es nativo. Costo: más complejo operativamente, requiere entender clusters.

BigQuery — cuando ya estás en Google Cloud

Si tu stack es GCP, BigQuery es default. Sin cluster management (es serverless de verdad), pricing por bytes escaneados (alineado con cómo se usan los datos), integración brutal con Looker, GA4 y Vertex AI. La trampa: el costo se dispara si nadie controla queries (un SELECT * sobre una tabla petabyte cuesta caro).

Lo que vemos en LATAM

Para empresas medianas (50–500 empleados) con stack mixto: Snowflake gana por simplicidad operativa. Para fintechs y empresas con foco en ML: Databricks. Para empresas ya profundas en Google Cloud (Workspace + GA4 + Search Ads): BigQuery sin pensarlo. El error costoso es elegir por moda — vimos clientes con Databricks pagando 3x lo que pagarían en Snowflake porque "Databricks es lo moderno".

El equalizer: dbt y Iceberg

Lo importante es no quedar lock-in. Con dbt encima, tu lógica de negocio vive en SQL versionado y puede moverse entre plataformas. Con Apache Iceberg como formato de tabla, puedes leer los mismos datos desde Snowflake, Databricks o Trino. Eso reduce el riesgo de elegir mal.

Cómo te ayudamos en Athrun Data Intelligence

Llamada de 30 min: te decimos cuál encaja con tu stack actual y proyectamos costo estimado a 12 meses. Si te ayuda, te apoyamos en la migración con plan por fases y métricas de costo por sprint.