Colocamos o MotherDuck em testes rigorosos com concorrentes estabelecidos para ver se ele est\u00e1 \u00e0 altura da propaganda. O que descobrimos desafia o status quo atual das bases data anal\u00edticas e sugere uma mudan\u00e7a fundamental na forma como abordamos o processamento data baseado em cloud. Esta \u00e9 a hist\u00f3ria de como um database incorporado aprendeu a voar e por que ele pode revolucionar sua pilha de data.<\/span><\/p>\n Para conquistar esse cliente em evolu\u00e7\u00e3o, os varejistas precisam se adaptar rapidamente.<\/p>\n M\u00e3ePato<\/span><\/a> descreve-se como um \u201carmaz\u00e9m DuckDB cloud data escalon\u00e1vel at\u00e9 terabytes para an\u00e1lise e BI voltados para o cliente\u201d. Para entender o que torna esse warehouse cloud data especial, primeiro precisamos analisar o <\/span>DuckDB<\/span><\/a>, DuckDB, o sistema database de c\u00f3digo aberto que vem revolucionando discretamente a pilha data nos \u00faltimos anos. Em termos simples, o DuckDB \u00e9 um sistema database SQL OLAP em mem\u00f3ria. Para aqueles que n\u00e3o vivem e respiram o jarg\u00e3o do database, vamos explicar o que isso realmente significa:<\/span><\/p>\n OLAP significa Online Analytical Processing (processamento anal\u00edtico on-line). Pense nele como um database projetado para processar grandes quantidades de data e responder rapidamente a perguntas comerciais complexas. Diferentemente dos bancos de dados data tradicionais, que s\u00e3o excelentes para encontrar registros individuais (como procurar o pedido de um cliente), os bancos de dados data OLAP s\u00e3o criados para examinar milh\u00f5es de linhas e realizar c\u00e1lculos pesados em segundos. Eles atingem essa velocidade armazenando o data em colunas em vez de linhas, o que torna extremamente r\u00e1pida a an\u00e1lise de tend\u00eancias, o c\u00e1lculo de m\u00e9dias ou a soma de vendas em conjuntos inteiros de data. Essa \u00e9 a mesma abordagem usada pelos modernos armaz\u00e9ns de data, como BigQuery ou Snowflake. Por outro lado, o senhor tem bases de dados data OLTP (Online Transaction Processing) como PostgreSQL, SQLite ou MySQL. Esses s\u00e3o os cavalos de batalha que alimentam seus aplicativos, lidando com milhares de leituras e grava\u00e7\u00f5es individuais por segundo para manter o aplicativo funcionando sem problemas.<\/span> Veja mais sobre OLAP vs OLTP<\/span><\/a>.<\/span><\/p>\n Para entender como a abordagem do DuckDB \u00e9 realmente revolucion\u00e1ria, precisamos dar um passo atr\u00e1s e ver como chegamos at\u00e9 aqui. Em meados da d\u00e9cada de 1990, quando gigantes da Web como Yahoo e Amazon entraram em cena, eles atingiram um obst\u00e1culo que reformularia todo o cen\u00e1rio do data. Essas empresas estavam se afogando em data, o que mais tarde chamar\u00edamos de \u201cgrande data\u201d, e seus sistemas existentes simplesmente n\u00e3o conseguiam acompanhar. A solu\u00e7\u00e3o? Infraestruturas caras e monol\u00edticas que podiam lidar com a escala. Mas como os custos de hardware despencaram nos anos 2000, surgiu uma nova filosofia: em vez de comprar m\u00e1quinas maiores, por que n\u00e3o usar v\u00e1rias m\u00e1quinas menores e mais baratas? Esse pensamento deu origem a sistemas distribu\u00eddos como o MapReduce e o Apache Hadoop, tecnologias projetadas para distribuir cargas de trabalho em clusters de hardware de commodity. A Amazon capitalizou essa tend\u00eancia, empacotando essas tecnologias distribu\u00eddas como servi\u00e7os e lan\u00e7ando o Amazon Web Services, a primeira grande plataforma cloud. Durante anos, esse se tornou o manual padr\u00e3o: quando o senhor encontrava um problema de data, distribu\u00eda-o em mais m\u00e1quinas (Fundamentals of Data Engineering, Joe Reis & Matt Housley).<\/span><\/p>\n Mas eis o que \u00e9 fascinante: enquanto todos estavam ocupados criando sistemas distribu\u00eddos, outra coisa estava acontecendo silenciosamente em segundo plano. As mesmas for\u00e7as que tornaram a computa\u00e7\u00e3o distribu\u00edda econ\u00f4mica, tamb\u00e9m tornaram as m\u00e1quinas individuais incrivelmente poderosas. Seu laptop atual tornou-se incrivelmente poderoso com mais RAM, processadores mais r\u00e1pidos e melhor armazenamento. Os desenvolvedores por tr\u00e1s do DuckDB reconheceram essa oportunidade negligenciada: e se, em vez de sempre aumentar a escala, pud\u00e9ssemos aumentar a escala de forma mais inteligente? E se pud\u00e9ssemos resolver muitos problemas data sem a complexidade dos sistemas distribu\u00eddos?<\/span><\/p>\n Um dos motores database mais utilizados no mundo<\/span><\/a>, Em um ambiente de trabalho com um sistema de gerenciamento de dados, o SQLite adota uma abordagem radicalmente diferente das bases data tradicionais. Enquanto o PostgreSQL e o MySQL s\u00e3o executados como servidores separados aos quais os aplicativos se conectam por meio de uma rede, o SQLite \u00e9 incorporado diretamente ao seu aplicativo como uma biblioteca leve. N\u00e3o h\u00e1 nenhum servidor a ser configurado, nenhuma sobrecarga de rede e nenhuma instala\u00e7\u00e3o complexa, apenas a funcionalidade pura e local do database que \u00e9 executada no processo do seu aplicativo. Essa simplicidade, combinada com confiabilidade e velocidade not\u00e1veis, tornou o SQLite onipresente em tudo, desde aplicativos m\u00f3veis at\u00e9 navegadores da Web.<\/span><\/p>\n O DuckDB aplica essa mesma filosofia incorporada a cargas de trabalho anal\u00edticas, provando que o senhor nem sempre precisa de um sistema distribu\u00eddo para analisar grandes conjuntos de data. Assim como o SQLite revolucionou o armazenamento local de data, o DuckDB aproveita o poder bruto de sua m\u00e1quina local para tornar a an\u00e1lise simples novamente. A instala\u00e7\u00e3o leva segundos, n\u00e3o h\u00e1 depend\u00eancias externas com as quais se preocupar e, de repente, o senhor est\u00e1 executando consultas anal\u00edticas complexas em gigabytes de data sem rodar uma \u00fanica inst\u00e2ncia de cloud.<\/span><\/p>\n O que torna o DuckDB particularmente atraente \u00e9 a forma como ele atende aos desenvolvedores onde eles est\u00e3o. O senhor precisa analisar um quadro Python DataFrame? O DuckDB pode consult\u00e1-lo diretamente. Deseja analisar um arquivo CSV? N\u00e3o tem problema. Essa integra\u00e7\u00e3o perfeita, combinada com seu mecanismo colunar extremamente r\u00e1pido, fez do DuckDB um dos sistemas database de crescimento mais r\u00e1pido no espa\u00e7o de an\u00e1lise. Os ganhos de desempenho s\u00e3o, muitas vezes, suficientemente significativos para fazer com que o senhor se pergunte por que estava usando sistemas distribu\u00eddos. Se o senhor quiser se aprofundar na filosofia t\u00e9cnica por tr\u00e1s dessa abordagem, recomendamos a leitura de<\/span> \u201cGerenciamento anal\u00edtico em processo Data com DuckDB\u201d<\/span><\/a> pelo cocriador do DuckDB, Hannes M\u00fchleisen.<\/span><\/p>\n Agora que o senhor j\u00e1 sabe o que \u00e9 o DuckDB, vamos falar sobre suas limita\u00e7\u00f5es. Toda tecnologia tem desvantagens. O DuckDB s\u00f3 pode operar em uma \u00fanica m\u00e1quina e aceita apenas uma conex\u00e3o por vez. Em um mundo em que as equipes do data criam solu\u00e7\u00f5es nativas do cloud que atendem a organiza\u00e7\u00f5es inteiras, essa \u00e9 uma restri\u00e7\u00e3o bastante significativa. N\u00e3o \u00e9 poss\u00edvel ter v\u00e1rios analistas consultando a mesma inst\u00e2ncia do DuckDB simultaneamente e, certamente, n\u00e3o \u00e9 poss\u00edvel compartilhar datasets entre as equipes da mesma forma que seria poss\u00edvel com um warehouse data tradicional. Apesar de toda a sua velocidade e simplicidade, o DuckDB essencialmente bloqueia seu data em uma m\u00e1quina, acess\u00edvel a uma pessoa de cada vez. Ent\u00e3o, como o senhor pega esse banco de dados data incrivelmente r\u00e1pido, mas inerentemente de usu\u00e1rio \u00fanico, e o transforma em um dep\u00f3sito data cloud que pode atender a uma organiza\u00e7\u00e3o inteira?<\/span><\/p>\n \u00c9 aqui que o MotherDuck entra em cena. O MotherDuck \u00e9 um warehouse data sem servidor que preenche a lacuna entre o desempenho bruto do DuckDB e as necessidades de colabora\u00e7\u00e3o das equipes data modernas. O MotherDuck cria o que eles chamam de \u201carmaz\u00e9m data de an\u00e1lise individualizada\u201d, dando a cada usu\u00e1rio sua pr\u00f3pria inst\u00e2ncia de alto desempenho do DuckDB e mantendo a capacidade de compartilhar o data em toda a organiza\u00e7\u00e3o. Veja como a arquitetura funciona:<\/span><\/p>\n Nos armaz\u00e9ns cloud data tradicionais, seu laptop \u00e9 apenas um terminal burro. Todo o trabalho pesado acontece em servidores remotos pelos quais o senhor paga por hora. Mas a quest\u00e3o \u00e9 a seguinte: seu MacBook provavelmente \u00e9 mais r\u00e1pido do que uma inst\u00e2ncia de armaz\u00e9m $20-60 por hora data. O MotherDuck tenta aproveitar esse poder computacional com duas abordagens inovadoras:\u00a0<\/span><\/p>\n Antes de me aprofundar nesses dois m\u00e9todos, gostaria de afirmar que o poder computacional do MotherDuck realmente se destaca quando aplicado ao seu <\/span>camada de ouro<\/span><\/a>. Para aqueles que n\u00e3o est\u00e3o familiarizados com o termo, a camada de ouro \u00e9 o data final, pronto para os neg\u00f3cios, que foi limpo, agregado e enriquecido. Essencialmente, s\u00e3o os conjuntos polidos de data que alimentam suas an\u00e1lises, relat\u00f3rios e aprendizado de m\u00e1quina. Esse \u00e9 o data que orienta suas decis\u00f5es comerciais mais importantes, o que torna o desempenho aqui absolutamente crucial. Todas as partes interessadas j\u00e1 sofreram com pain\u00e9is dolorosamente lentos e todos os membros da equipe do data j\u00e1 olharam para a roda da morte enquanto aguardavam a conclus\u00e3o de consultas complexas. O MotherDuck enfrenta essa frustra\u00e7\u00e3o de frente.<\/span><\/p>\n Essa solu\u00e7\u00e3o aproveita o design leve e port\u00e1til do DuckDB, permitindo que ele seja executado diretamente em seu navegador por meio do WebAssembly (Wasm). Pense no Wasm como uma tecnologia que permite que softwares complexos sejam executados nativamente em seu navegador: sem plug-ins, sem downloads, apenas com poder computacional onde o senhor mais precisa. Com o DuckDB em execu\u00e7\u00e3o no lado do cliente, o senhor pode executar consultas anal\u00edticas complexas sem a dan\u00e7a habitual de enviar solicita\u00e7\u00f5es a um servidor e aguardar as respostas. O processamento do data ocorre diretamente em seu navegador, eliminando a lat\u00eancia da rede e reduzindo totalmente as depend\u00eancias de infraestrutura. O senhor pode experimentar essa m\u00e1gica experimentando<\/span> DuckDB em seu navegador<\/span><\/a>.<\/span><\/p>\n Embora n\u00e3o vamos nos aprofundar na implementa\u00e7\u00e3o t\u00e9cnica aqui, vale a pena observar que o DuckDB-Wasm \u00e9 excelente. A pesquisa detalhada em<\/span> este documento<\/span><\/a> mostra que ele supera significativamente o desempenho das solu\u00e7\u00f5es existentes baseadas em navegador, como a vers\u00e3o Wasm do SQLite ou o Lovefield, um database baseado em JavaScript. Essa demonstra\u00e7\u00e3o t\u00e9cnica inteligente sinaliza uma mudan\u00e7a fundamental na forma como pensamos sobre o local da computa\u00e7\u00e3o anal\u00edtica.<\/span><\/p>\n A MotherDuck oferece essa arquitetura baseada em Wasm, conforme explicado por Mehdi Ouazza em<\/span> este artigo<\/span><\/a>. Essa abordagem \u00e9 particularmente poderosa para a an\u00e1lise da camada de ouro. Sua equipe data come\u00e7a a trabalhar com um data limpo e pronto para os neg\u00f3cios sem se preocupar com a infraestrutura de back-end, o processamento ocorre localmente para obter velocidade m\u00e1xima e o senhor obt\u00e9m alguns dos tempos de resposta mais r\u00e1pidos poss\u00edveis, eliminando totalmente a lat\u00eancia da rede. Al\u00e9m disso, o senhor evita os altos custos de computa\u00e7\u00e3o que os armaz\u00e9ns cloud data tradicionais adoram cobrar por cada consulta. \u00c9 uma proposta atraente: an\u00e1lise mais r\u00e1pida, custos mais baixos e arquitetura mais simples, tudo em um s\u00f3 lugar.<\/span><\/p>\n <\/p>\n Outra maneira de aproveitar o MotherDuck em sua camada de ouro \u00e9 por meio de seu recurso de execu\u00e7\u00e3o dupla, que combina de forma inteligente o poder de processamento local com a escala do cloud. Em vez de for\u00e7ar toda a sua equipe de data a compartilhar os mesmos recursos computacionais, o MotherDuck oferece a cada usu\u00e1rio seu pr\u00f3prio \u201cpatinho\u201d: uma inst\u00e2ncia de computa\u00e7\u00e3o individual e sem servidor que \u00e9 dimensionada de acordo com suas necessidades.<\/span><\/p>\n O verdadeiro poder da execu\u00e7\u00e3o dupla se destaca quando o senhor est\u00e1 trabalhando com data espalhado por diferentes fontes. Imagine que o senhor precise consultar o data armazenado no MotherDuck, combin\u00e1-lo com arquivos no S3 e junt\u00e1-lo a um conjunto de data armazenado localmente em seu laptop. Os sistemas cloud tradicionais obrigariam o senhor a carregar tudo em um \u00fanico local antes de poder executar consultas entre fontes. A execu\u00e7\u00e3o h\u00edbrida do MotherDuck \u00e9 mais inteligente. Ela analisa sua consulta, mant\u00e9m apenas o data necess\u00e1rio de cada fonte e realiza uni\u00f5es inteligentes entre locais, economizando tempo e custos de transfer\u00eancia de data.<\/span><\/p>\n Nos bastidores, o otimizador do MotherDuck divide sua consulta em um DAG (gr\u00e1fico ac\u00edclico direcionado) de opera\u00e7\u00f5es, estima o custo de execu\u00e7\u00e3o de cada n\u00f3 localmente ou remotamente e lida com o movimento data automaticamente. O senhor apenas escreve o SQL; o MotherDuck calcula a estrat\u00e9gia de execu\u00e7\u00e3o ideal. Essa abordagem redefine fundamentalmente a an\u00e1lise de cloud. N\u00e3o estamos mais presos \u00e0 escolha entre a simplicidade local e a escalabilidade do cloud, cada uma com sua pr\u00f3pria complexidade em rela\u00e7\u00e3o ao compartilhamento do data e \u00e0 orquestra\u00e7\u00e3o do fluxo de trabalho. Com o MotherDuck, o senhor obt\u00e9m o melhor dos dois mundos: execute localmente quando sua m\u00e1quina puder lidar com isso, dimensione para o cloud quando necess\u00e1rio e compartilhe sem esfor\u00e7o em todo o processo. \u00c9 uma solu\u00e7\u00e3o sem servidor que reduz os custos de computa\u00e7\u00e3o do cloud porque o senhor s\u00f3 paga pelo que realmente computa.<\/p>\n Mas \u00e9 aqui que as coisas ficam interessantes: o compartilhamento do data se torna f\u00e1cil. Lembra-se de como a natureza de usu\u00e1rio \u00fanico do DuckDB tornava a colabora\u00e7\u00e3o dolorosa? Se um analista do data criasse uma an\u00e1lise incr\u00edvel, teria que exportar tudo e carreg\u00e1-lo em um sistema de armazenamento compartilhado apenas para permitir que os colegas de equipe o acessassem. Com o MotherDuck, o compartilhamento \u00e9 t\u00e3o simples quanto clicar em um bot\u00e3o ou executar uma \u00fanica linha de c\u00f3digo para criar um instant\u00e2neo de c\u00f3pia zero com controles de acesso adequados. Sem movimenta\u00e7\u00e3o de data, sem duplica\u00e7\u00e3o de storage, apenas colabora\u00e7\u00e3o instant\u00e2nea.<\/p>\n Saiba mais sobre a execu\u00e7\u00e3o de consultas duplas\/h\u00edbridas no artigo da MotherDuck em <\/span>a Confer\u00eancia sobre Pesquisa de Sistemas Data Inovadores (CIDR)<\/span><\/a>. O senhor tamb\u00e9m pode assistir a este <\/span>dbt Coalesce talk<\/span><\/a> por Jordan Tigani, cofundador e CEO da MotherDuck.<\/span><\/p>\n Vimos como o MotherDuck elimina uma sobrecarga significativa das equipes data e, ao mesmo tempo, oferece recursos avan\u00e7ados de an\u00e1lise para sua camada de ouro. Mas a teoria s\u00f3 vai at\u00e9 certo ponto. Quer\u00edamos colocar o MotherDuck \u00e0 prova contra os participantes estabelecidos no espa\u00e7o do armaz\u00e9m cloud data. Analisando o<\/span> Relat\u00f3rio de pilha Data de 2025<\/span><\/a> publicado pelo Metabase, descobrimos algo surpreendente: O PostgreSQL continua sendo a op\u00e7\u00e3o de database mais popular, mesmo para cargas de trabalho anal\u00edticas, seguido pelo Snowflake e pelo BigQuery entre as empresas pesquisadas. Isso nos deu nossas metas de compara\u00e7\u00e3o.<\/span><\/p>\n Decidimos comparar o MotherDuck com o PostgreSQL hospedado no Google Cloud e com o BigQuery, usando <\/span>Superconjunto Apache<\/span><\/a> como nossa ferramenta de BI preferida. O Superset fazia sentido por v\u00e1rios motivos: \u00e9 de c\u00f3digo aberto, amplamente adotado e tem compatibilidade nativa com o MotherDuck e com a maioria das outras grandes bases data. Nosso ambiente de teste consistiu no Apache Superset implantado no Google Cloud Kubernetes Engine, conectado a tr\u00eas back-ends diferentes: BigQuery, PostgreSQL no Cloud SQL e MotherDuck.<\/span><\/p>\n Estruturamos nossos testes em duas fases. Primeiro, executamos o benchmark TPC-H: um benchmark padronizado de suporte \u00e0 decis\u00e3o que nos mostraria o desempenho do MotherDuck em um ambiente te\u00f3rico e controlado. Em seguida, nos aproximamos da realidade, testando como a rela\u00e7\u00e3o entre o Superset e o MotherDuck se comparava aos armaz\u00e9ns data tradicionais em cen\u00e1rios de pain\u00e9is do mundo real.<\/span><\/p>\n O TPC-H \u00e9 o padr\u00e3o para testar o desempenho anal\u00edtico do database. \u00c9 um benchmark de suporte a decis\u00f5es projetado para examinar grandes volumes de data, executar consultas complexas e fornecer respostas a quest\u00f5es comerciais cr\u00edticas em diferentes setores. O senhor pode encontrar a especifica\u00e7\u00e3o completa no<\/span> documenta\u00e7\u00e3o oficial<\/span><\/a>. O benchmark consiste em 22 consultas que simulam cargas de trabalho anal\u00edticas do mundo real, desde agrega\u00e7\u00f5es simples at\u00e9 uni\u00f5es complexas de v\u00e1rias tabelas.<\/span><\/p>\n Executamos cada consulta individualmente no SQL Lab do Superset para todas as tr\u00eas bases data: MotherDuck, BigQuery e PostgreSQL<\/b>. Tamb\u00e9m testamos as consultas diretamente na GUI do MotherDuck para eliminar a lat\u00eancia cliente-servidor e porque, francamente, qualquer empresa que use o MotherDuck provavelmente ter\u00e1 seus analistas data trabalhando na interface inspirada no notebook do MotherDuck em vez do SQL Lab do Superset. Al\u00e9m disso, o aplicativo da MotherDuck pode aproveitar a arquitetura WebAssembly que discutimos anteriormente, e est\u00e1vamos curiosos para ver o desempenho dessa execu\u00e7\u00e3o baseada em navegador em compara\u00e7\u00e3o com os modelos tradicionais de servidor-cliente. Para garantir um teste justo, o cache do Superset foi desativado em todos os benchmarks.<\/span><\/p>\n Para esse benchmark, usamos o fator de escala 10 (SF-10) do TPC-H, que gera um dataset de 10 GB. Escolhemos o fator de escala 10 porque 10 GB representa um tamanho realista de dataset para as cargas de trabalho anal\u00edticas da maioria das empresas, grande o suficiente para revelar diferen\u00e7as significativas de desempenho sem exigir uma infraestrutura em escala empresarial. Veja como o data se divide entre as principais tabelas:<\/span><\/p>\n Usamos a extens\u00e3o TPC-H do DuckDB para gerar o data localmente e, em seguida, fizemos o upload dele sem problemas para o MotherDuck. O processo levou apenas alguns minutos gra\u00e7as aos recursos de carregamento do data do MotherDuck.<\/span><\/p>\n Aqui est\u00e3o os resultados do TPC-H SF-10 em segundos. A coluna amarela mostra os resultados da interface de usu\u00e1rio nativa do aplicativo MotherDuck, enquanto as outras colunas representam o desempenho por meio do SQL Lab do Superset (SST):<\/span><\/p>\n O MotherDuck oferece consistentemente um desempenho abaixo de um segundo em todas as \u00e1reas: <\/span>21 das 22 consultas feitas pelo Superset terminam em menos de um segundo<\/b>, com todas as consultas conclu\u00eddas em menos de um segundo quando executadas diretamente pelo aplicativo da MotherDuck. O BigQuery mostra um desempenho respeit\u00e1vel, mas tem uma m\u00e9dia de <\/span>aproximadamente 4 vezes mais lento que o MotherDuck <\/b>em todo o conjunto de benchmarks. O PostgreSQL conta uma hist\u00f3ria totalmente diferente, com desempenho significativamente mais lento e dificuldades claras em agrega\u00e7\u00f5es e jun\u00e7\u00f5es complexas. Isso era previs\u00edvel, pois o PostgreSQL foi fundamentalmente projetado para cargas de trabalho OLTP em vez de processamento anal\u00edtico, mas o inclu\u00edmos em nossa compara\u00e7\u00e3o porque ele continua sendo amplamente usado por empresas para tarefas anal\u00edticas. Vale a pena observar que o PostgreSQL poderia obter um desempenho muito melhor com t\u00e9cnicas de otimiza\u00e7\u00e3o adequadas, como indexa\u00e7\u00e3o, particionamento ou visualiza\u00e7\u00f5es materializadas, mas, mesmo assim, ainda estaria lutando contra sua arquitetura baseada em linhas. A lacuna de desempenho destaca exatamente o motivo pelo qual existem sistemas OLAP criados para fins espec\u00edficos, como o MotherDuck: quando o senhor est\u00e1 executando consultas anal\u00edticas complexas em datasets substanciais, a arquitetura \u00e9 extremamente importante.<\/span><\/p>\n Embora o TPC-H mostre o desempenho bruto da consulta, o verdadeiro teste \u00e9 como isso se traduz na experi\u00eancia real do usu\u00e1rio em ferramentas de business intelligence.<\/span><\/p>\n Vimos que o desempenho era excelente para os analistas do data que trabalhavam com SQL em seu armaz\u00e9m do data, mas quer\u00edamos testar se essa melhoria se traduziria em pain\u00e9is, onde as partes interessadas da empresa realmente interagem com o data. Afinal de contas, consultas SQL extremamente r\u00e1pidas n\u00e3o importam muito se os pain\u00e9is ainda demorarem muito para carregar.<\/span><\/p>\n Para testar isso, usamos um conjunto realista de com\u00e9rcio eletr\u00f4nico data de<\/span> Kaggle<\/span><\/a> contendo 67,5 milh\u00f5es de linhas em 9 GB de data, o tipo de escala com que muitas empresas trabalham para suas an\u00e1lises mensais de clientes. Usando essa \u00fanica tabela, criamos um painel abrangente que testaria a capacidade de cada sistema de lidar com cargas de trabalho reais de business intelligence:<\/span><\/p>\n Testei o painel extensivamente em v\u00e1rias execu\u00e7\u00f5es, aplicando v\u00e1rios filtros, medindo os tempos de carregamento, desativando o cache e monitorando os tempos de resposta por meio das ferramentas de desenvolvimento do meu navegador. Ap\u00f3s v\u00e1rios ciclos de teste para garantir resultados consistentes, aqui est\u00e3o as m\u00e9tricas de desempenho do painel em segundos:<\/span><\/p>\n Nossos testes de carregamento do painel revelam as implica\u00e7\u00f5es pr\u00e1ticas do desempenho do database na experi\u00eancia do usu\u00e1rio. O MotherDuck oferece uma capacidade de resposta excepcional do painel com um tempo m\u00e9dio de carregamento de apenas 3,35 segundos, permitindo uma an\u00e1lise verdadeiramente interativa em que os usu\u00e1rios podem explorar o data de forma fluida e sem atrito. Em contrapartida, o BigQuery requer 8,55 segundos para carregar o mesmo painel. Isso ainda \u00e9 aceit\u00e1vel para relat\u00f3rios planejados, mas cria atrasos percept\u00edveis que podem desencorajar a an\u00e1lise explorat\u00f3ria. O tempo de carregamento de 216 segundos do PostgreSQL (>3 minutos) o torna completamente impratic\u00e1vel para o uso de pain\u00e9is. Essa vantagem de desempenho que o MotherDuck representa pode transformar fundamentalmente a forma como os usu\u00e1rios corporativos interagem com o data. Quando os pain\u00e9is s\u00e3o carregados em segundos em vez de minutos, a ado\u00e7\u00e3o do usu\u00e1rio aumenta, os analistas podem iterar rapidamente as informa\u00e7\u00f5es e a an\u00e1lise se torna uma vantagem competitiva em vez de um gargalo.<\/span><\/p>\n O MotherDuck combina armazenamento com <\/span>pagamento conforme o uso<\/span><\/a> otimizado para an\u00e1lises interativas. Como ele \u00e9 dimensionado em uma \u00fanica m\u00e1quina em vez de ser distribu\u00eddo em um cluster, ele evita a sobrecarga que os usu\u00e1rios acabam pagando. Uma sess\u00e3o de dezenas de consultas pode custar apenas $0.05-$0.10, enquanto uma equipe que executa milhares de consultas mensalmente pode gastar apenas $20-$40. Por outro lado, as bases data sempre ativas podem custar $300-$500\/m\u00eas apenas para se manterem ativas, e os armaz\u00e9ns cloud geralmente cobram $5-$10 por TB digitalizado. Com seu projeto de aumento de escala, o MotherDuck mant\u00e9m os pre\u00e7os simples, previs\u00edveis e econ\u00f4micos.<\/span><\/p>\n A princ\u00edpio, o MotherDuck pode parecer mais caro devido \u00e0 sua taxa organizacional e ao modelo de pre\u00e7o de computa\u00e7\u00e3o diferente. Entretanto, ambos os sistemas usam modelos de pre\u00e7os que favorecem diferentes padr\u00f5es de uso: O BigQuery se destaca no processamento de grandes lotes, enquanto o MotherDuck \u00e9 otimizado para an\u00e1lises interativas. Para o nosso benchmark TPC-H, a execu\u00e7\u00e3o de 22 consultas no SF-10 custou $0,03 para o MotherDuck, em compara\u00e7\u00e3o com $0,60-$1,00 para o BigQuery. Ao levar em conta a sobrecarga de infraestrutura - nossa configura\u00e7\u00e3o do PostgreSQL exigia 14 euros\/dia apenas para permanecer on-line -, a abordagem sem servidor da MotherDuck geralmente oferece um custo total de propriedade superior para cargas de trabalho anal\u00edticas interativas.<\/span><\/p>\n Em escala empresarial, a economia muda de acordo com os padr\u00f5es de uso. O BigQuery se torna mais econ\u00f4mico para processamento em lote de volume muito alto, enquanto o MotherDuck mant\u00e9m sua vantagem para an\u00e1lises interativas e fluxos de trabalho explorat\u00f3rios. O principal insight: escolha seu modelo de pre\u00e7o com base em como sua equipe realmente trabalha com o data, e n\u00e3o apenas nos custos brutos por unidade.<\/span><\/p>\n Observa\u00e7\u00e3o: todos os exemplos de pre\u00e7os s\u00e3o baseados na regi\u00e3o europe-west4 e devem ser considerados ilustrativos e n\u00e3o exatos, pois os custos reais dependem muito de padr\u00f5es de uso espec\u00edficos e das caracter\u00edsticas do data.<\/span><\/i><\/p>\n O MotherDuck representa uma mudan\u00e7a fundamental na forma como pensamos sobre as bases anal\u00edticas do data, uma mudan\u00e7a que desafia a suposi\u00e7\u00e3o de que o senhor precisa de sistemas complexos e distribu\u00eddos para lidar com cargas de trabalho s\u00e9rias do data. Ao adotar a filosofia incorporada do DuckDB e estend\u00ea-la ao cloud, o MotherDuck oferece os recursos colaborativos que as equipes modernas do data exigem, mantendo o desempenho bruto que torna o DuckDB excepcional.<\/span><\/p>\n Nossos resultados de benchmarking contam uma hist\u00f3ria convincente: O MotherDuck superou consistentemente o BigQuery e o PostgreSQL por margens significativas, oferecendo desempenho de consulta de menos de um segundo em conjuntos de 10 GB data e tempos de carregamento de painel que permitem uma an\u00e1lise verdadeiramente interativa. A vantagem de desempenho sobre o BigQuery e a grande vantagem sobre o PostgreSQL em cen\u00e1rios de painel n\u00e3o se trata apenas de consultas mais r\u00e1pidas, mas de transformar a an\u00e1lise em uma experi\u00eancia mais interativa e explorat\u00f3ria que incentiva a tomada de decis\u00f5es data-driven.<\/span><\/p>\n Talvez o mais importante seja o fato de a MotherDuck alcan\u00e7ar esse desempenho e, ao mesmo tempo, reduzir drasticamente a complexidade e os custos da infraestrutura. Enquanto as configura\u00e7\u00f5es tradicionais de cloud exigem uma infraestrutura sempre ativa que custa centenas de d\u00f3lares por m\u00eas, o modelo sem servidor da MotherDuck cobra apenas pelo uso real, reduzindo os custos com frequ\u00eancia. O pre\u00e7o de pagamento por computa\u00e7\u00e3o se alinha perfeitamente \u00e0 forma como os analistas realmente trabalham: executando v\u00e1rias consultas em sess\u00f5es de explora\u00e7\u00e3o em vez de solicita\u00e7\u00f5es isoladas e pouco frequentes.<\/span><\/p>\n As implica\u00e7\u00f5es v\u00e3o al\u00e9m do desempenho e do custo. O modelo de execu\u00e7\u00e3o dupla do MotherDuck e os recursos de an\u00e1lise baseados em navegador sugerem um futuro em que a fronteira entre a computa\u00e7\u00e3o local e a de cloud se tornar\u00e1 cada vez mais fluida. Em vez de for\u00e7ar as equipes a escolherem entre a simplicidade local e a escalabilidade de cloud, a MotherDuck oferece ambos, direcionando a computa\u00e7\u00e3o de forma inteligente para onde fizer mais sentido.<\/span><\/p>\n O que realmente me impressionou durante os testes foi a simplicidade de uso e configura\u00e7\u00e3o do MotherDuck. O modelo de execu\u00e7\u00e3o dupla permitiu que eu consultasse o data tanto localmente quanto no cloud simultaneamente, enquanto a configura\u00e7\u00e3o da conex\u00e3o entre o Superset e o MotherDuck foi extremamente simples.<\/span><\/p>\n Para as organiza\u00e7\u00f5es que buscam modernizar seus recursos anal\u00edticos come\u00e7ando pela camada de ouro, a MotherDuck oferece uma proposta muito atraente: desempenho de n\u00edvel empresarial, fluxos de trabalho colaborativos e efici\u00eancia de custos, tudo isso sem a sobrecarga operacional da infraestrutura tradicional de armaz\u00e9m data. Em um mundo em que as decis\u00f5es data-driven determinam cada vez mais a vantagem competitiva, a capacidade de explorar o data de forma interativa em velocidades inferiores a um segundo n\u00e3o \u00e9 apenas algo agrad\u00e1vel de se ter; est\u00e1 se tornando essencial.<\/span><\/p>\n Pronto para experimentar o desempenho do MotherDuck por si mesmo?<\/b> O senhor pode come\u00e7ar com um <\/span>Teste gratuito de 21 dias ou com seu plano gratuito de 10 GB <\/span><\/a>para test\u00e1-lo com seus pr\u00f3prios conjuntos de data e cargas de trabalho. Se estiver procurando orienta\u00e7\u00e3o sobre a adequa\u00e7\u00e3o do MotherDuck \u00e0 sua pilha data espec\u00edfica ou se precisar de ajuda com a implementa\u00e7\u00e3o, entre em contato com nossa equipe em <\/span>Artefact<\/span><\/a>, Se o senhor tiver alguma d\u00favida sobre o que \u00e9 uma infraestrutura anal\u00edtica, teremos prazer em avaliar suas necessidades anal\u00edticas e ajud\u00e1-lo a navegar na transi\u00e7\u00e3o para uma infraestrutura anal\u00edtica mais eficiente e econ\u00f4mica.<\/span><\/p>\n <\/p>","protected":false},"excerpt":{"rendered":" A MotherDuck estende o desempenho anal\u00edtico do DuckDB para o cloud com recursos colaborativos, oferecendo desempenho 4x mais r\u00e1pido do que o BigQuery e economia de custos em rela\u00e7\u00e3o aos armaz\u00e9ns data tradicionais por meio de pre\u00e7os sem servidor e de pagamento por uso. Ap\u00f3s o an\u00fancio da nova regi\u00e3o europeia do cloud da MotherDuck, ficamos impressionados com seu desempenho e pre\u00e7o atraente. A MotherDuck j\u00e1 pode ser integrada \u00e0s suas camadas de ouro para acelerar o atendimento de casos de uso de data e, ao mesmo tempo, economizar custos. Veja o benchmark de desempenho.<\/p>","protected":false},"featured_media":1021833,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995,21939],"blog-language":[2991],"class_list":["post-1015858","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-category-medium","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog\/1015858","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media\/1021833"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=1015858"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-category?post=1015858"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-language?post=1015858"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Um pato chocando<\/b><\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Client-Server-MotherDuck.png\")
<\/p>\n![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Chart-MotherDuck.png\")
<\/h3>\nO pato que aprendeu a voar<\/b><\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-Architecture.png\")
<\/p>\n\n
An\u00e1lise no navegador<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-WASM-Powered-1.5-tier-architecture.png\")
<\/p>\nExecu\u00e7\u00e3o dupla<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-Dualhybrid-query-execution.png\")
<\/h2>\n![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Architecture-Managed-DuckDB-in-the-cloud.png\")
<\/p>\nPatos na natureza<\/h2>\n
Benchmarking TPC-H<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-Web-GUI.png\")
<\/p>\n![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-Tables.png\")
<\/p>\n![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Results-for-the-22-queries-in-seconds-MD.png\")
<\/p>\nDesempenho do painel<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Superset-dashboard.png\")
<\/p>\n![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Loading-results-MD.png\")
<\/p>\nCompara\u00e7\u00e3o de pre\u00e7os<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Pricing-models-of-each-solution-for-the-benchmark.png\")
<\/p>\nConclus\u00e3o<\/b><\/h2>\n