🗄️ Databases Comparison 2026

Guía por tipo, caso de uso y stack

Contexto: Comparativa basada en benchmarks públicos (TPC, YCSB), documentación oficial y experiencia de producción. La elección de base de datos es una de las decisiones más difíciles de revertir — este documento ayuda a tomar la correcta desde el inicio.

---

📋 Índice

1. Taxonomía — Tipos de bases de datos
2. Relacionales SQL
3. Documentales (NoSQL)
4. Clave-Valor / Cache
5. Columnares / Analytics
6. Grafos
7. Series temporales
8. Vectoriales / IA
9. Search Engines
10. Matriz de decisión por caso de uso

---

1. Taxonomía

Mapa del ecosistema de bases de datos 2026

📖 Glosario de conceptos clave

---

2. Relacionales

Bases de datos relacionales SQL — el caballo de batalla

📖 ORM (Object-Relational Mapper): Librería que mapea tablas SQL a objetos del lenguaje. Evita escribir SQL manual. Ejemplos: Prisma, TypeORM, SQLAlchemy, Hibernate. Riesgo: N+1 queries si no se usan correctamente. 📖 N+1 Query Problem: Anti-patrón donde para cargar N registros con sus relaciones se hacen N+1 queries en vez de 1 con JOIN. Destruye performance silenciosamente. 📖 Connection Pool: Conjunto de conexiones abiertas reutilizables. Abrir una conexión BD cuesta ~50ms — el pool las mantiene listas. PgBouncer es el proxy de pool estándar para PostgreSQL. 📖 VACUUM (PostgreSQL): Proceso que recupera espacio de filas borradas/actualizadas. PostgreSQL usa MVCC — las filas antiguas no se borran físicamente hasta VACUUM. 📖 WAL (Write-Ahead Log): Log de cambios que se escribe antes de aplicarlos. Base de la replicación y recuperación ante fallos en PostgreSQL/MySQL.

Comparativa de principales RDBMS 2026

BD	Licencia	ACID	JSON	Full-text	Replicación	Managed cloud	Caso ideal
PostgreSQL 18	Open Source	✅	✅ JSONB	✅	✅ Streaming	✅ RDS/Supabase/Neon	General purpose
MySQL 8.4	GPL/Commercial	✅	✅	⚠️ Básico	✅	✅ RDS/PlanetScale	Web apps, WordPress
SQLite 3.46/3.47	Public Domain	✅	✅	⚠️	❌	❌ Embebida	Edge, móvil, dev local
CockroachDB 25.1	BSL/Enterprise	✅	✅	❌	✅ Distribuida	✅ Cloud	Global distributed
PlanetScale	Comercial	✅	✅	❌	✅	✅ SaaS only	MySQL serverless
Neon	Comercial	✅	✅ JSONB	✅	✅	✅ SaaS only	PostgreSQL serverless
MariaDB 11	GPL	✅	✅	⚠️	✅	✅ RDS	MySQL drop-in

PostgreSQL 18 — el ganador indiscutible 2026 (v19 en beta)

Por qué PostgreSQL es la elección por defecto:
────────────────────────────────────────────────────────────────────
✅ Extensiones: pgvector, PostGIS, TimescaleDB, pg_cron
✅ JSONB: BD documental dentro de BD relacional
✅ Full-text search nativo (sin Elasticsearch para casos básicos)
✅ Row Level Security — permisos a nivel fila (clave en SaaS)
✅ Partitioning nativo para tablas grandes
✅ Logical replication para CDC (Change Data Capture)
✅ Serverless: Neon (branching!), Supabase, Aurora Serverless v2
✅ Comunidad enorme, 30+ años de madurez

Rendimiento comparativo (OLTP, queries simples, 1 nodo)

BD              Lecturas/s    Escrituras/s   Latencia P99
──────────────────────────────────────────────────────────
PostgreSQL 18   ~250k         ~80k           1–3ms
MySQL 8.4       ~220k         ~90k           1–2ms
MariaDB 11      ~200k         ~85k           1–2ms
CockroachDB 25  ~80k          ~30k           5–15ms   (latencia distribuida)
SQLite (WAL)    ~500k local   ~10k           <0.1ms   (archivo local)

📖 OLTP (Online Transaction Processing): Carga de trabajo típica de apps — muchas transacciones pequeñas y concurrentes. INSERT/UPDATE/SELECT por ID. Opuesto a OLAP. 📖 OLAP (Online Analytical Processing): Consultas analíticas complejas sobre grandes volúmenes — agregaciones, GROUP BY, JOINs masivos. Requiere BD columnar, no OLTP. 📖 Row Level Security (RLS): PostgreSQL permite definir políticas que filtran qué filas ve cada usuario a nivel BD. Supabase lo usa para multi-tenant SaaS sin lógica en aplicación.

¿Cuándo no usar SQL relacional?

Caso                                          Alternativa
──────────────────────────────────────────────────────────────────
Esquema cambia muy frecuentemente             MongoDB (schemaless)
Millones de escrituras/s distribuidas         Cassandra / DynamoDB
Relaciones complejas tipo red social          Neo4j (grafo)
Series temporales (métricas, IoT)             TimescaleDB o InfluxDB
Búsqueda full-text avanzada                   Elasticsearch / Typesense
Cache de alta velocidad                       Redis
Analítica sobre petabytes                     ClickHouse / BigQuery

---

3. Documentales

Bases de datos documentales NoSQL

📖 Schemaless: Sin esquema fijo — cada documento puede tener campos distintos. Flexibilidad máxima pero riesgo de datos inconsistentes sin validación en aplicación. 📖 BSON: Binary JSON — formato de MongoDB. Añade tipos como Date, ObjectId, BinData al JSON estándar. Más eficiente en serialización que JSON puro. 📖 Aggregation Pipeline: Sistema de MongoDB para transformar y agregar datos en etapas ($match, $group, $lookup). Equivalente al SELECT+GROUP BY+JOIN de SQL. 📖 Embedding vs Referencing: En documentales, puedes guardar datos relacionados dentro del mismo documento (embedding) o como referencia por ID (referencing). Embedding = más rápido, menos flexible.

Comparativa de bases de datos documentales

BD	Modelo	ACID	Escala	Managed	Búsqueda	Caso ideal
MongoDB 8.0	BSON docs	✅ Multi-doc	Sharding	✅ Atlas	⚠️ Atlas Search	CMS, catálogos, user profiles
Firestore	JSON docs	✅	Auto	✅ Firebase	❌	Apps mobile/web realtime
CouchDB 3	JSON docs	✅	Multi-master	❌	❌	Sync offline-first
DynamoDB	JSON docs	✅	Auto infinito	✅ AWS	❌	Serverless AWS, alto tráfico
Cosmos DB	Multi-model	✅	Auto	✅ Azure	✅	Azure ecosystem

MongoDB vs PostgreSQL JSONB — el debate 2026

Criterio                    MongoDB 8.0         PostgreSQL + JSONB
────────────────────────────────────────────────────────────────────
Flexibilidad esquema        ✅ Schemaless nativo  ⚠️ JSONB flexible pero con schema
Joins complejos             ❌ $lookup costoso    ✅ JOINs nativos eficientes
Transacciones multi-doc     ✅ v4+ (pero lento)   ✅ Nativo, más rápido
Escala escrituras           ✅ Sharding nativo    ⚠️ Requiere Citus/partitioning
Búsqueda texto              ⚠️ Atlas Search       ✅ tsvector nativo
Comunidad / talento         ✅ Enorme             ✅ Enorme
Coste operacional           ⚠️ Atlas caro         🟢 Neon/Supabase baratos
Recomendación 2026          Para docs puros       Para el 80% de los casos

⚠️ Tendencia 2026: Muchos equipos que usaban MongoDB están migrando a PostgreSQL con JSONB porque cubre ambos mundos —relacional y documental— sin coste operacional adicional.

---

4. Clave-valor

Clave-valor / caché / session stores

📖 Cache: Copia de datos en memoria para evitar queries costosas a BD. TTL (Time-To-Live) define cuánto tiempo vive el dato antes de expirar. 📖 TTL (Time-To-Live): Tiempo en segundos hasta que un dato expira y se elimina automáticamente. Redis lo soporta por clave individual. 📖 Eviction policy: Qué hace Redis cuando se llena la memoria. LRU (Least Recently Used) elimina las claves menos usadas recientemente. 📖 Pub/Sub: Patrón publicador/suscriptor. Redis lo implementa nativamente — un servicio publica un evento, múltiples servicios lo reciben sin conocerse entre sí. 📖 Lua scripting: Redis permite ejecutar scripts Lua atómicamente — operaciones compuestas sin race conditions.

Comparativa clave-valor / caché 2026

BD	Persistencia	Estructuras	Pub/Sub	Cluster	Managed	Caso ideal
Redis 8.0	✅ RDB+AOF	Strings,Hash,List,Set,Sorted Set,Stream	✅	✅	✅ Redis Cloud/Upstash	Cache, sesiones, queues, rate limiting
Valkey 9.1	✅	Igual a Redis	✅	✅	✅	Fork OSS de Redis (Linux Foundation)
Memcached	❌	Solo strings	❌	✅	✅ ElastiCache	Cache pura simple
DynamoDB	✅	JSON	❌	✅ Auto	✅ AWS	KV serverless AWS
Upstash Redis	✅	Igual a Redis	✅	✅	✅ SaaS	Redis serverless edge

Redis — casos de uso por estructura de datos

Estructura        Caso de uso típico
──────────────────────────────────────────────────────────────────
String + TTL      Cache de respuestas API, sesiones de usuario
Hash              Perfil de usuario (campo por campo sin serializar)
List              Cola de tareas FIFO, activity feed
Sorted Set        Leaderboards, rate limiting por ventana deslizante
Set               Tags únicos, relaciones many-to-many
Stream            Event log, mensajería persistente (como Kafka lite)
Bitmap            Tracking presencia diaria (1 bit por usuario/día)
HyperLogLog       Count-distinct aproximado con memoria fija (~12KB)

📖 Valkey: Fork OSS de Redis creado por la Linux Foundation en 2024 cuando Redis cambió su licencia a SSPLv1+RSALv2. Mantiene compatibilidad y licencia BSD. AWS, Google y Microsoft lo soportan en sus clouds. 📖 Licencia Redis: En 2024, Redis pasó a licencias source-available, pero en mayo de 2025, con el lanzamiento de Redis 8.0, volvieron al modelo Open Source adoptando la licencia AGPLv3. 📖 Upstash: Redis serverless — pagas por request, no por servidor. Ideal para Edge Functions y Vercel/Cloudflare Workers donde no hay servidor persistente.

Rendimiento Redis vs Memcached

Métrica              Redis 8.0      Memcached
────────────────────────────────────────────
Ops/segundo          ~1M            ~1.2M
Latencia P99         <1ms           <1ms
Estructuras datos    Muchas         Solo strings
Persistencia         ✅             ❌
Pub/Sub              ✅             ❌
Cluster              ✅             ✅ (simple)
Elegir si...         Casi siempre   Cache pura, máx simplicidad

---

5. Columnares

Bases de datos columnares — analítica y OLAP

📖 Columnar storage: Los datos se guardan por columna, no por fila. Para SELECT AVG(precio) FROM ventas, solo se lee la columna precio — no todas las columnas de cada fila. 10-100x más rápido para analítica. 📖 Compresión columnar: Valores similares en una columna comprimen muy bien (ej: columna país con solo 50 valores distintos en 1M filas). ClickHouse logra 10:1 compresión habitual. 📖 MPP (Massively Parallel Processing): Consulta se divide entre N nodos y se ejecuta en paralelo. BigQuery, Redshift y ClickHouse Cloud usan MPP. 📖 Materialized View: Vista cuyo resultado se precalcula y almacena. Query posterior usa el resultado ya calculado — milliseconds en vez de segundos.

Comparativa columnares / analítica 2026

BD	Arquitectura	Escrituras	Latencia query	Managed	Caso ideal
ClickHouse	Columnar MPP	~1M rows/s	Sub-segundo	✅ Cloud	Analytics realtime, logs, métricas
DuckDB	Columnar embebida	Batch	Sub-segundo local	❌ Embebida	Analytics en proceso, ETL, Parquet
BigQuery	Serverless MPP	Streaming	1-5s	✅ GCP	Data warehouse GCP, petabytes
Redshift	MPP	Batch/stream	1-10s	✅ AWS	Data warehouse AWS
Snowflake	Cloud DW	Batch/stream	1-10s	✅ Multi-cloud	Data warehouse multi-cloud
Apache Druid	Real-time OLAP	Streaming	Sub-segundo	⚠️	Analytics realtime alta ingesta

ClickHouse vs DuckDB — los dos ganadores 2026

ClickHouse                          DuckDB
──────────────────────────────────  ──────────────────────────────────
✅ Servidor dedicado                ✅ Embebido en proceso (como SQLite)
✅ Multi-usuario concurrente        ⚠️ Single-process
✅ Inserción realtime ~1M rows/s    ✅ Lee Parquet/CSV directo
✅ Replicación y clustering         ✅ 0 infraestructura
✅ Para dashboards en producción    ✅ Para ETL, notebooks, análisis local
✅ ClickHouse Cloud (serverless)    ✅ Integra con Python/R/Node

📖 Parquet: Formato de archivo columnar open source. Estándar de facto para data lakes (S3, GCS). DuckDB puede hacer queries directamente sobre .parquet sin BD. 📖 ETL (Extract, Transform, Load): Proceso de extraer datos de fuentes, transformarlos y cargarlos a un destino analítico. DuckDB es ideal para la parte T y L.

Wide-Column (familias de columnas)

📖 Wide-Column: Variante que almacena datos en tablas sin esquema estricto por fila, ideal para escalas masivas y escrituras distribuidas muy veloces.

BD	Arquitectura	Latencia	Modelo	Managed	Caso ideal
Cassandra 5.0	Masterless	<10ms	CQL	✅ DataStax	Escala global, escrituras intensivas
ScyllaDB 2026.2	Masterless (C++)	Sub-ms P99	CQL	✅ Cloud	Reemplazo de altísimo rendimiento para Cassandra

---

6. Grafos

Bases de datos de grafos

📖 Grafo: Estructura de datos con nodos (entidades) y aristas (relaciones). Un nodo Usuario conectado a Producto con arista COMPRÓ. Ideal cuando las relaciones son tan importantes como los datos. 📖 Cypher: Lenguaje de query de Neo4j. MATCH (u:User)-[:FOLLOWS]->(u2:User) RETURN u2 — legible, declarativo. 📖 Graph traversal: Recorrer el grafo siguiendo aristas. Encontrar amigos de amigos en 6 saltos es trivial en Neo4j, brutal en SQL (6 JOINs recursivos).

BD	Modelo	Lenguaje	Managed	Caso ideal
Neo4j 2026.07	Property Graph	Cypher	✅ Aura	Redes sociales, recomendaciones, fraude
Amazon Neptune	Property+RDF	Gremlin/SPARQL	✅ AWS	Grafos en AWS, knowledge graphs
FalkorDB	Property Graph	Cypher	✅	Redis-compatible, grafos en Redis
ArangoDB	Multi-model	AQL	✅ Cloud	Grafo + documento + KV combinado

¿Cuándo usar BD de grafos?

Caso de uso                         SQL viable    Grafo necesario
──────────────────────────────────────────────────────────────────
Red social (follows/friends)        ⚠️ Difícil    ✅ Natural
Detección de fraude (patrones red)  ❌ Lento       ✅ Rápido
Sistema de recomendaciones          ⚠️             ✅
Knowledge graph / ontología         ❌             ✅
Control de acceso basado en roles   ✅ Suficiente  ⚠️ Opcional
Jerarquía organizacional simple     ✅ Suficiente  ❌ Overkill

---

7. Series temporales

Time-series databases — métricas, IoT, observabilidad

📖 Time-series: Datos donde el tiempo es la dimensión principal — métricas de servidor, sensores IoT, precios de bolsa. Inserción masiva append-only, queries por rango temporal. 📖 Retention policy: Política que elimina datos automáticamente pasado X tiempo. Métricas de 1min se guardan 7 días, de 1hora se guardan 1 año. 📖 Downsampling: Agregar datos de alta resolución a menor resolución. Datos cada 1s → promediar a 1min → guardar solo el promedio. Reduce espacio 60x. 📖 Cardinality: Número de series únicas. Alta cardinality (millones de series distintas) es el talón de Aquiles de InfluxDB — TimescaleDB lo gestiona mejor.

BD	Base	Escrituras	Compresión	Managed	Caso ideal
TimescaleDB	PostgreSQL ext	~1M rows/s	✅	✅ Cloud	Métricas + SQL familiar
InfluxDB 3	Columnar (Arrow)	~1M rows/s	✅	✅ Cloud	IoT, monitorización
VictoriaMetrics	Custom	~5M rows/s	✅ 20:1	✅ Cloud	Prometheus replacement, alta perf
Prometheus	Local TSDB	~1M samples/s	✅	❌	Métricas K8s (scraping)
QuestDB	Columnar	~5M rows/s	✅	✅	Fintech, trading, alta frecuencia

⚠️ Stack observabilidad 2026: Prometheus (scraping) → VictoriaMetrics (storage) → Grafana (dashboards). VictoriaMetrics es drop-in replacement de Prometheus con mejor performance y menor memoria.

---

8. Vectoriales

Vector databases — IA, embeddings, búsqueda semántica

📖 Embedding: Representación numérica de texto, imagen o audio como vector de N dimensiones. “gato” y “felino” tienen embeddings similares (cercanos en el espacio vectorial). 📖 Similarity search (ANN): Búsqueda de los K vectores más cercanos a uno dado. ANN = Approximate Nearest Neighbors — resultado aproximado pero 100x más rápido que exacto. 📖 RAG (Retrieval-Augmented Generation): Técnica de IA donde antes de responder, el LLM busca documentos relevantes en BD vectorial y los incluye como contexto. Base de los chatbots con documentos propios. 📖 HNSW: Algoritmo de indexación vectorial más popular. Hierarchical Navigable Small World — grafo jerárquico que permite búsqueda ANN en O(log n).

BD	Tipo	Dimensiones max	Managed	Filtros + vector	Caso ideal
pgvector (PostgreSQL)	Extensión PG	16k	✅ Supabase/Neon	✅ SQL nativo	RAG, búsqueda semántica con SQL
Pinecone	Vectorial puro	20k	✅ SaaS	✅	Producción a escala, SaaS
Qdrant	Vectorial OSS	Ilimitado	✅ Cloud	✅ Avanzados	OSS self-hosted, producción
Weaviate	Vectorial+doc	Ilimitado	✅ Cloud	✅	Multimodal, GraphQL
LanceDB	Embebida/Disk	Ilimitado	❌ (Self-hosted)	✅	Local RAG, audio/visión edge
Chroma	Embebida	Ilimitado	❌	✅	Dev local, prototipos RAG
Milvus	Vectorial OSS	Ilimitado	✅ Zilliz	✅	Escala masiva, billions vectors

Embedded Vector DBs & Local RAG

📖 Local RAG / Embedded Vector Search: Inferencia y búsqueda vectorial ejecutadas 100% en el dispositivo del cliente (Desktop, móvil o CLI) sin enviar datos a servidores externos.

Solución           Motor base     Formato almacén    Caso ideal
─────────────────────────────────────────────────────────────────────────────────
LanceDB            Lance (Rust)   Columnar (Arrow)   Local RAG ultra-rápido, multimodal
DuckDB + vss       DuckDB (C++)   Parquet / DuckDB   SQL + Analítica vectorial local
Turso (libsql)     SQLite (C)     libsql-vector      Edge DB distribuida con soporte vectorial
Chroma             Python / Rust  SQLite / HNSW      Prototipos rápidos RAG en Python

• LanceDB: Diseñado en Rust sobre el formato columnar Lance (basado en Apache Arrow). Ofrece rendimiento de disco sub-milisegundo y cero overhead de servidor, siendo la solución favorita para Local RAG y apps nativas desktop.
• DuckDB + vss: Permite realizar consultas analíticas complejas junto con distancia coseno / L2 sobre vectores directamente en SQL nativo embebido.
• Turso / libsql: Extiende SQLite para sincronización edge multirregión con capacidad de almacenar e indexar vectores en la propia base de datos distribuida local.

⚠️ Recomendación 2026: Para el 80% de proyectos RAG en servidor, pgvector en PostgreSQL es suficiente — evita añadir otro servicio. Para aplicaciones locales, desktop o edge sin servidor, LanceDB y Turso / libsql lideran la categoría.

---

9. Búsqueda

Search engines — búsqueda full-text y semántica

📖 Índice invertido: Estructura que mapea cada palabra a los documentos que la contienen. Base de toda búsqueda full-text. “manzana” → [doc3, doc7, doc12]. 📖 BM25: Algoritmo de ranking de relevancia. Pondera frecuencia del término, longitud del documento y frecuencia en corpus. Estándar de facto para búsqueda textual. 📖 Faceting: Filtros dinámicos basados en atributos. “Filtrar por marca + precio + valoración” en resultados de búsqueda — Typesense y Algolia son especialmente buenos.

BD	Modelo	Latencia	Tolerancia errores	Managed	Caso ideal
Elasticsearch 9.5	Índice invertido	10-50ms	✅	✅ Elastic Cloud	Logs (ELK), búsqueda compleja
OpenSearch	Fork ES	10-50ms	✅	✅ AWS	ES en AWS, open source
Typesense	Índice invertido	1-5ms	✅ Nativo	✅ Cloud	Búsqueda producto eShop, UI rápida
Algolia	Propietario	<5ms	✅	✅ SaaS only	eCommerce, docs search, premium
Meilisearch	Índice invertido	1-5ms	✅	✅ Cloud	OSS Algolia alternativa
PostgreSQL FTS	tsvector	5-20ms	❌	✅	Búsqueda básica sin servicio extra

Elegir...
────────────────────────────────────────────────────────────────────
Typesense / Meilisearch    eShop, búsqueda UI, autocompletado rápido
Algolia                    Presupuesto disponible, DX excelente, SaaS
Elasticsearch              Logs, observabilidad, búsqueda muy compleja
PostgreSQL FTS             Búsqueda básica, evitar servicio adicional

---

10. Decisión

Matriz de decisión — ¿qué base de datos usar en cada caso?

Caso de uso	BD primaria	BD secundaria	Por qué
App web CRUD típica	PostgreSQL	Redis (cache)	ACID + JSON + extensiones
SaaS multi-tenant	PostgreSQL + RLS	Redis	Row Level Security nativo
eShop / catálogo	PostgreSQL	Typesense (búsqueda)	SQL para datos, search aparte
App móvil realtime	Firestore	—	Sync offline, Firebase SDK
Alto tráfico escrituras	DynamoDB	Redis	Escala infinita AWS
Red social / grafo	PostgreSQL + Neo4j	Redis	SQL para perfiles, grafo para relaciones
Analítica / dashboard	ClickHouse	PostgreSQL (OLTP)	Columnar para agregaciones
Observabilidad / métricas	VictoriaMetrics	PostgreSQL	Prometheus-compatible, compresión 20:1
IoT / series temporales	TimescaleDB	Redis	PostgreSQL + time partitioning
RAG / chatbot con docs	pgvector	—	PostgreSQL ya existe, evitar servicio extra
RAG a escala >10M docs	Qdrant	PostgreSQL	Vectorial dedicado, filtros avanzados
Logs / ELK	Elasticsearch	—	Estándar industria para logs
Cache / sesiones	Redis / Valkey	—	<1ms, estructuras ricas
Edge / serverless	Neon + Upstash	—	PostgreSQL + Redis serverless
Data warehouse	ClickHouse / BigQuery	—	Según cloud provider

Stack de BDs por tipo de proyecto

STARTUP / APP SIMPLE
  → PostgreSQL (Neon/Supabase) + Redis (Upstash)
  → Todo en uno: OLTP + JSONB + FTS + pgvector
  → Coste: ~$0-50/mes

APP EN CRECIMIENTO
  → PostgreSQL + Redis + Typesense
  → Añadir búsqueda dedicada cuando FTS no es suficiente
  → Coste: ~$100-500/mes

PLATAFORMA ENTERPRISE
  → PostgreSQL (OLTP) + Redis (cache) + ClickHouse (analytics)
  → + Elasticsearch (logs) + pgvector o Qdrant (RAG)
  → Coste: ~$1k-10k/mes

DATA PLATFORM
  → PostgreSQL + Kafka (streaming) + ClickHouse (OLAP)
  → + S3/GCS (data lake Parquet) + DuckDB (ETL)
  → Coste: ~$5k+/mes

Regla de oro 2026

┌──────────────────────────────────────────────────────────────────┐
│  Comienza siempre con PostgreSQL.                                 │
│  Añade Redis cuando necesites caché o gestión de sesiones.       │
│  Añade Typesense o Meilisearch cuando necesites búsqueda en UI.  │
│  Añade ClickHouse cuando necesites analítica sobre más de 1M filas. │
│  Añade pgvector cuando integres IA o RAG.                        │
│  Especializa solo cuando PostgreSQL ya no sea suficiente.        │
└──────────────────────────────────────────────────────────────────┘

📖 CDC (Change Data Capture): Captura de cambios en BD en tiempo real para sincronizar con otros sistemas. PostgreSQL logical replication → Debezium → Kafka → ClickHouse es el pipeline estándar. 📖 Data Lake: Almacén de datos en bruto (S3/GCS) en formato Parquet/Avro. Sin esquema fijo — se define al leer. Más barato que data warehouse pero requiere más procesamiento.

---

Documento generado: Agosto 2026 | PostgreSQL 18 · Redis 8.0 · MongoDB 8.3 · ClickHouse · pgvector · Qdrant · Typesense

---

📚 Bibliografía y fuentes

Benchmarks de bases de datos

Fuente	URL	Qué aporta
TPC Benchmarks (TPC-C, TPC-H)	https://www.tpc.org/tpcc/	Estándar industria para OLTP (TPC-C) y OLAP (TPC-H)
YCSB (Yahoo Cloud Serving Benchmark)	https://github.com/brianfrankcooper/YCSB	Benchmark NoSQL — lecturas/escrituras comparativas MongoDB, Cassandra, Redis
ClickHouse Benchmark — comparativa	https://benchmark.clickhouse.com	Comparativa oficial ClickHouse vs BigQuery vs Snowflake vs DuckDB
pgbench — PostgreSQL official	https://www.postgresql.org/docs/current/pgbench.html	Herramienta oficial benchmark PostgreSQL OLTP
Redis Benchmark oficial	https://redis.io/docs/management/optimization/benchmarks/	Metodología y resultados benchmark Redis ops/s
DuckDB vs alternatives benchmark	https://duckdb.org/why_duckdb.html	Comparativa DuckDB vs SQLite vs Pandas en analítica local

Documentación oficial — bases de datos relacionales

Fuente	URL	Relevancia
PostgreSQL 18 — Official docs	https://www.postgresql.org/docs/18/	JSONB, FTS, RLS, VACUUM, WAL, partitioning
PostgreSQL — Row Level Security	https://www.postgresql.org/docs/current/ddl-rowsecurity.html	RLS para SaaS multi-tenant
Neon — Serverless PostgreSQL	https://neon.tech/docs	Branching, serverless, cold start
Supabase docs	https://supabase.com/docs	PostgreSQL + Auth + Realtime + Storage
CockroachDB — Architecture	https://www.cockroachlabs.com/docs/stable/architecture/overview.html	Distributed SQL, latencia global
PlanetScale docs	https://planetscale.com/docs	MySQL serverless, branching de schemas

Documentación oficial — NoSQL y clave-valor

Fuente	URL	Relevancia
MongoDB 8.3 — docs	https://www.mongodb.com/docs/manual/	Aggregation pipeline, transacciones multi-doc, Atlas
Redis — Data structures	https://redis.io/docs/data-types/	Estructuras de datos, casos de uso por tipo
Valkey — docs (Linux Foundation)	https://valkey.io/docs/	Fork OSS de Redis, compatibilidad, motivación
Upstash docs	https://upstash.com/docs/redis	Redis serverless, edge functions
DynamoDB — Developer Guide	https://docs.aws.amazon.com/amazondynamodb/latest/developerguide/	Modelo de datos, single-table design, auto-scaling

Documentación oficial — columnares y analítica

Fuente	URL	Relevancia
ClickHouse — docs	https://clickhouse.com/docs	Arquitectura columnar, MergeTree, inserción masiva
DuckDB — docs	https://duckdb.org/docs/	Embebido, Parquet, integración Python/Node
BigQuery — docs	https://cloud.google.com/bigquery/docs	Serverless MPP, precios por query, streaming
Apache Parquet format	https://parquet.apache.org/docs/	Formato columnar estándar para data lakes

Documentación oficial — vectoriales y búsqueda

Fuente	URL	Relevancia
pgvector — GitHub	https://github.com/pgvector/pgvector	Extensión PostgreSQL para embeddings, HNSW, IVFFlat
Qdrant — docs	https://qdrant.tech/documentation/	Vectorial OSS, filtros payload, benchmarks ANN
Pinecone — docs	https://docs.pinecone.io	Vectorial SaaS, dimensiones, metadata filtering
ANN Benchmarks	https://ann-benchmarks.com	Comparativa algoritmos ANN (HNSW, IVF, etc.)
Typesense — docs	https://typesense.org/docs/	Search engine OSS, typo tolerance, faceting
Elasticsearch — docs	https://www.elastic.co/guide/en/elasticsearch/reference/current/	Full-text search, BM25, agregaciones

Series temporales y observabilidad

Fuente	URL	Relevancia
TimescaleDB — docs	https://docs.timescale.com	Extensión PostgreSQL time-series, hypertables
VictoriaMetrics — docs	https://docs.victoriametrics.com	Drop-in Prometheus, compresión 20:1, cardinality
InfluxDB 3 — docs	https://docs.influxdata.com	IOx columnar engine, Flux/SQL query

Encuestas y tendencias del sector

Fuente	URL	Relevancia
DB-Engines Ranking	https://db-engines.com/en/ranking	Ranking popularidad bases de datos por categoría
Stack Overflow Developer Survey 2024 — Databases	https://survey.stackoverflow.co/2024/#databases	Bases de datos más usadas y más queridas
Stack Overflow Survey 2024 — Databases	https://survey.stackoverflow.co/2024/#databases	Bases de datos más usadas y queridas en ecosistema Node.js/TypeScript

📌 Nota metodológica: Los valores de lecturas/escrituras por segundo son orientativos en hardware de referencia (NVMe SSD, 32GB RAM, 8 cores). Los resultados de producción varían significativamente según esquema, índices, tamaño de datos y configuración del servidor. Para benchmarks propios se recomienda pgbench, YCSB o sysbench.