数据湖是一个集中式存储库，可存储任意规模结构化和非结构化数据，支持大数据和AI计算。数据湖构建（Data Lake Formation，DLF）作为云原生数据湖架构核心组成部分，帮助用户快速地构建云原生数据湖解决方案。数据湖构建提供湖上元数据统一管理、企业级权限控制，并无缝对接多种计算引擎，打破数据孤岛，洞察业务价值。
1、开源生态构建数据湖
用户已经基于阿里云开源大数据生态系统（E-MapReduce，实时计算Flink，DLA等产品）来构建自己的数据处理分析平台，而在数据量飞速膨胀的趋势下，用户存储资源与计算资源扩容速度不匹配，有成本优化方面的诉求；大数据生态的丰富，用户的数据来源广泛，元数据分散较难管理，用户希望能统一管理不同存储中的元数据。
2、构建湖仓一体数据仓库
数据仓库和数据湖，是大数据架构的两种设计取向。数据湖优先的设计，通过开放底层文件存储，给数据入湖带来了最大的灵活性。而数据仓库优先的设计，更加关注的是数据使用效率、大规模下的数据管理、安全/合规这样的企业级成长性需求。灵活性和成长性，对于处于不同时期的企业来说，重要性不同。随着用户业务的逐渐清晰与沉淀，用户面临着数据湖和数据仓库架构的融合，依托于阿里云数据仓库（MaxCompute、Hologres、ADB等产品）和数据湖构建产品，帮助用户打造湖仓一体的数据系统，让数据和计算在湖和仓之间自由流动，从而构建一个完整的有机的大数据技术生态体系。
3、数据湖数据实时分析
用户大量不同类型数据存储在OSS中，希望能对数据做各种多种维度的分析查询，如实时数据分析、OLAP查询，并将对应的结果反馈到业务系统中。同时用户希望能方便的对接云上多种计算引擎，在数据查询时能够直接进行，不需要提取全部数据到查询系统。
4、数据湖构建机器学习
大数据是AI的基础，AI也是大数据的未来。数据湖可以很好的在经典机器学习场景和深度学习场景下服务用户：在机器学习场景下，用户面临数据量大，模型训练慢，算法效果差的问题，需要数据湖具备能够对接成熟的机器学习平台的能力。在深度学习时，用户需要能够动态的调整对GPU资源的使用，节约成本。
