Migración de Data Warehouse
Migración Snowflake → S3/Athena con 80% de reducción de costos y cutover dual-write sin tiempo de inactividad
80% reducción de costos
1.1 TB migrados
El Problema
Costos de Snowflake consumiendo 80% del presupuesto de datos, infraestructura dividida entre regiones, 1,294 consultas BI bloqueadas en warehouse heredado
Costos de Snowflake consumiendo 80% del presupuesto de datos, infraestructura dividida entre regiones, 1,294 consultas BI bloqueadas en warehouse heredado. Un estudio de juegos móviles ejecutaba su analítica en Snowflake a través de dos regiones AWS a $3,500/mes, con el 90% del gasto generado por un solo warehouse de BI. Pipelines de ingresos, datos de atribución y reportes financieros estaban divididos entre regiones sin camino claro hacia la consolidación. Dependencias externas de compartición de datos y 1,294 consultas Metabase creaban riesgo de migración que hacía imposible un lift-and-shift.
Diseñamos un plan de migración de 9 fases que reemplazó Snowflake con S3 + Glue + Athena en una sola región. La decisión arquitectónica clave fue una estrategia dual-write: cada pipeline de producción escribe tanto en Snowflake como en el nuevo stack S3/Iceberg en paralelo, permitiendo reconciliación fila por fila antes del cutover con cero riesgo de pérdida de datos.
13 pipelines ETL de ingresos fueron auditados, containerizados en ECS Fargate y extendidos para escribir tablas Apache Iceberg junto a sus cargas existentes de Snowflake. 223 tablas del Catálogo de Datos Glue fueron registradas en tres bases de datos (ingresos, atribución, finanzas). Un pipeline diario de pLTV entrega datos de atribución a nivel de cohorte a un socio externo de modelado a $5/mes de costo operativo, reemplazando una dependencia de compartición de datos del proveedor.
La migración fue secuenciada para minimizar la disrupción al negocio: pipelines de ingresos primero (mayor costo, esquema más simple), luego datos de atribución (más complejos, dependencias externas), luego cutover de BI (1,294 consultas Metabase validadas contra Athena). Cada fase incluye reconciliación automatizada antes de desactivar el writer de Snowflake.
Cost reduction
BI queries migrated
pLTV pipeline cost
Why it mattered
Operating need
The studio needed to lower warehouse cost without interrupting 1,294 BI queries or revenue pipelines.
What changed
The dual-write plan let every pipeline reconcile against Snowflake before cutover, so migration risk was handled in measurable steps.
Contexto
Un estudio de juegos móviles gastaba $3,500/mes en Snowflake a través de dos regiones AWS. El 90% del costo del warehouse provenía de consultas BI. Pipelines de ingresos y atribución estaban divididos entre regiones sin camino de consolidación.
Restricción
1,294 consultas Metabase dependían de Snowflake. Dependencias externas de compartición de datos no tenían equivalente directo en Athena. Se requería cero pérdida de datos durante la migración.
Intervención
Diseñamos una migración dual-write de 9 fases: Snowflake → S3/Iceberg/Athena. 13 pipelines escribiendo en ambos sistemas en paralelo, 223 tablas Glue registradas, reconciliación automatizada por fase y un pipeline pLTV de $5/mes reemplazando una compartición de datos del proveedor.
Resultado
80% de reducción de costos proyectada, 7 pipelines dual-writing en producción, consolidación en una sola región, 223 tablas Glue operativas, pipeline pLTV de $5/mes activo con 91–100% de precisión de datos.
Arquitectura
Migración dual-write de Snowflake a S3/Iceberg con cutover sin tiempo de inactividad
Pipelines Dual-Write
Data Lake Iceberg
Pipeline de Entrega pLTV
Migración de BI
Stack Tecnológico
Stack Destino
S3 + Glue + Athena (Apache Iceberg)
Stack Origen
Snowflake (1.1 TB, 5 bases de datos)
Pipelines
ECS Fargate + Lambda (Python 3.12)
Orquestación
EventBridge + Step Functions
BI
Metabase (1,294 consultas migradas)
Entrega
Exportación S3 pLTV entre cuentas
Resultados
¿Planeando un Mandato Similar?
Una llamada de descubrimiento directa para hablar del problema, las restricciones y la vía más creíble para avanzar.
Respondemos en un plazo de 4 horas durante el horario laboral