随着各行各业对于数据的使用越来越深入，传统数据链路中数据时效性差成为数据赋能业务的一大瓶颈。在一些特定数据应用场景，如银行动账分析（需要在几分钟内追踪个人账户大幅余额变更）、保单动账分析（追踪异常保单赔付）等，更需要数据分析引擎能够及时体现出数据变化后的统计结果。在这样的场景中，如果依然遵循传统 ETL 进行离线数据加工，造成的数据延迟会大大影响业务部门对于异常情况的响应能力。

随着各行各业对于数据的使用越来越深入，对于数据交付的敏捷性要求也越来越高，数据分析师和业务人员往往希望能更快的对关键数据进行分析以得出洞察。但传统的数据开发交付往往要进行繁重的 ETL 编码，以周为单位进行迭代发版。尤其是在数据集市层，虽然数据已经被清理和整理，但从性能角度出发，仍需要将不同来源数据关联在一起，并且从不同维度进行聚合。这部分工作重复程度高且较为耗时，产出的数据因为分散在不同表里对业务分析师获取数据也产生了负面影响。

出于降低成本、提高灵活性和稳定性等方面的考虑，企业级数仓逐步从在本地化部署和使用转向在云上部署或使用，这种趋势在美国市场已经被广泛接受，在中国市场也在蓬勃发展。基于云平台的数据湖仓技术凭借无可取代的弹性扩展能力、容灾性、低 TCO 和几乎无限量的存储空间，正使越来越多的用户相信：拥抱云原生才是下一代数据仓库技术、OLAP 分析技术的未来。