Cómo elegir tu primer data warehouse en 2026 (sin pasarte de presupuesto)

La pregunta llega siempre en algún momento. El equipo de datos creció, los reportes en Excel ya no alcanzan, alguien menciona "lake", otro menciona "lakehouse", y de repente hay que elegir un data warehouse. La respuesta corta: en LATAM, en 2026, hay tres caminos razonables.

Las tres opciones que importan

BigQuery sigue siendo la opción más simple para empezar. Pagás por consumo, no hay infraestructura que mantener, y el ecosistema de herramientas (Looker, dbt, Fivetran, todo) lo soporta nativamente. Para una empresa que recién empieza con datos serios, es casi siempre la respuesta correcta.

Snowflake brilla cuando ya tenés volumen real, equipos grandes y necesidad de aislar workloads. La separación entre compute y storage permite controlar costos de manera más granular, y el soporte para data sharing entre cuentas es genuinamente útil cuando vendés datos o trabajás con partners.

Postgres analítico (TimescaleDB, Crunchy Bridge, Neon en modo analítico) es la opción que mucha gente olvida y que para muchas empresas LATAM es lo correcto. Si tu volumen está por debajo de 100 GB, ya tenés equipo de devs cómodos con Postgres, y no necesitás el ecosistema de un warehouse propietario, Postgres analítico cuesta una fracción y te da casi todo lo que necesitás.

Cómo decidir

Tres preguntas, en orden:

1. ¿Cuánto vas a almacenar? Por debajo de 1 TB, Postgres analítico alcanza para casi todo. Entre 1 TB y 50 TB, BigQuery es el camino más eficiente. Por encima de 50 TB, Snowflake empieza a tener sentido si necesitás separar workloads.

2. ¿Qué herramientas vas a conectar? Si vas a usar Looker, BigQuery te ahorra fricción. Si vas a usar Omni o un BI de código abierto, los tres funcionan. Si tu stack es mayoritariamente Postgres-based, mantener la consistencia tiene valor.

3. ¿Cómo es tu equipo? Si tu equipo viene de Postgres, no los obligues a aprender SQL dialect nuevo sin razón. Si tu equipo ya tiene experiencia con BigQuery o Snowflake, jugá a esa fortaleza.

El error más común que vemos

Empresas que eligen Snowflake por status, sin tener el volumen ni la necesidad. Terminan pagando 5x el costo de BigQuery sin usar ninguna de las features que justifican esa elección. Si estás eligiendo entre BigQuery y Snowflake y la diferencia te parece marketing, probablemente BigQuery es la respuesta correcta para tu etapa.

Costo real en LATAM

Una cosa que cambia bastante en la región: el costo de egreso de datos hacia tu BI. Si tu BI vive en otra nube que tu warehouse, vas a pagar transferencia. Una de las razones por las que Looker + BigQuery encaja tan bien es que viven en la misma red. Tenelo en cuenta si estás eligiendo combinación de warehouse + BI.

Qué hacer hoy

Si todavía no tenés warehouse, empezá con Postgres analítico o BigQuery, según tu equipo. No te compliques. La migración entre warehouses, aunque cuesta, es factible y no es lo que decide el éxito de tu proyecto de datos. Lo que decide el éxito es la disciplina en el modelado y la documentación, no la marca del warehouse.

Si querés que revisemos tu caso específico, conversemos. En 30 minutos te damos una recomendación honesta basada en tu volumen, equipo y stack actual.