# Data Hub De acordo com o Goasduff (2020), *Data Hubs* são “hubs” conceituais, lógicos e físicos para mediação da semântica, em suporte à governança e compartilhamento de dados entre sistemas. *Data Hubs* possibilitam o fluxo contínuo de dados devidamente governados. Para o DAMA (2017), existem diferentres tipos de *Data Hubs*, uma vez que este é um conceito que objetiva a consolidação e o provimento de dados consistentes tanto para outros sistemas quanto diretamente para para humanos. Neste sentido, DAMA (2017) menciona que *Data Warehouses* e soluções de Gestão de Dados Mestres são tipos de *Data Hubs*. Segundo Harrad (2020), o Data Hub é o local ideal para os dados principais de uma organização. Ele centraliza os dados que são críticos entre os aplicativos e permite o compartilhamento contínuo entre diversos *endpoints*, ao mesmo tempo em que é a principal fonte de dados confiáveis para a iniciativa de governança de dados. Os *Data Hubs* fornecem Dados Mestres para aplicativos e processos corporativos. Eles também são usados para conectar aplicativos de negócios a estruturas analíticas, como *data warehouses* e *data lakes*. [![image-1647868803510.png](https://kb.ufla.br/uploads/images/gallery/2022-03/scaled-1680-/QqV3ntNP4IXIbhSS-image-1647868803510.png)](https://kb.ufla.br/uploads/images/gallery/2022-03/QqV3ntNP4IXIbhSS-image-1647868803510.png)**Figura 1:** *Data Hub *como pilar principal de dados governados. Fonte: HADDAD (2020). Diferentemente de *Data Warehouses* e *Data Lakes*, que são focados no provimento de dados para finalidades analíticas, os *Data Hubs* servem como pontos de mediação e compartilhamento de dados, com o foco em governança (HARRAD, 2020). *Data warehouses*, *Data Lakes* e *Data Hubs* não são alternativas intercambiáveis, mas sim complementares. Juntos podem apoiar iniciativas baseadas em dados e transformação digital. A tabela abaixo resume suas semelhanças e diferenças HARRAD (2020):
***Data Hub*** ***Data Warehouse*** ***Data Lake***
**Uso primário** Processos operacionais Análise e relatórios Análise, relatórios e *Machine Learning*.
**Formato dos dados** Estruturados Estruturados Estruturados e não estruturados
**Governança de Dados** Pilar principal para todas as regras de aplicação de governança de dados Governança pós-fato, pois consome dados operacionais existentes Abordagem de dados “Use por sua conta e risco”. Pouco governado
**Qualidade de Dados** Altíssima qualidade Alta qualidade Média e baixa qualidade
**Integração com aplicações** Integração bidirecional em tempo real com processos de negócios existentes por meio de APIs. ETL monodirecional em lote. Os dados transformados e limpos são atualizados em baixa frequência (por hora, diariamente ou semanalmente) ETL ou ELT monodirecional em lote. Os dados são despejados sem controle, assumindo uma limpeza futura pelo consumidor
**Interação com usuários de negócio** Pode ser a fonte primária de autoria de elementos-chave de dados, como Dados Mestre e Dados de Referência. Expõe interfaces amigáveis para criação de dados, administração de dados e pesquisa. Oferece acesso somente leitura a dados limpos e preparados, por meio de relatórios, painéis analíticos ou consultas ad-hoc. Requer limpeza/preparação de dados antes do consumo. O acesso aos usuários corporativos é oferecido principalmente por meio de relatórios, painéis ou consultas ad-hoc. Usado para preparar conjuntos de dados de aprendizado de máquina.
**Processos Operacionais da organização** Repositório principal para dados confiáveis expostos em processos de negócios. Pode ser o principal condutor dos processos de negócios corporativos. Serve principalmente para processos de análise. Atende principalmente processos de *Machine Learning*.