Sometimos a MotherDuck a rigurosas pruebas frente a competidores establecidos para ver si est\u00e1 a la altura de las expectativas. Lo que descubrimos desaf\u00eda el statu quo actual de las bases data anal\u00edticas y sugiere un cambio fundamental en la forma de enfocar el procesamiento data basado en cloud. Esta es la historia de c\u00f3mo una database embebida aprendi\u00f3 a volar, y por qu\u00e9 podr\u00eda revolucionar su pila data.<\/span><\/p>\n Para captar a este cliente en evoluci\u00f3n, los minoristas deben adaptarse r\u00e1pidamente.<\/p>\n MotherDuck<\/span><\/a> se describe a s\u00ed mismo como un \u201calmac\u00e9n DuckDB cloud data escalable a terabytes para an\u00e1lisis y BI de cara al cliente\u201d. Para entender qu\u00e9 hace especial a este almac\u00e9n cloud data, primero tenemos que fijarnos en <\/span>DuckDB<\/span><\/a>, el sistema database de c\u00f3digo abierto que ha estado revolucionando silenciosamente la pila data en los \u00faltimos a\u00f1os. En t\u00e9rminos sencillos, DuckDB es un sistema database OLAP SQL en memoria. Para aquellos que no viven y respiran la jerga database, vamos a desentra\u00f1ar lo que eso significa en realidad:<\/span><\/p>\n OLAP significa procesamiento anal\u00edtico en l\u00ednea. Piense en ella como una database dise\u00f1ada para analizar cantidades masivas de data y responder r\u00e1pidamente a preguntas empresariales complejas. A diferencia de las bases data tradicionales, que destacan en la b\u00fasqueda de registros individuales (como buscar el pedido de un cliente), las bases data OLAP est\u00e1n construidas para escanear millones de filas y realizar c\u00e1lculos pesados en cuesti\u00f3n de segundos. Consiguen esta velocidad almacenando data en columnas en lugar de en filas, lo que hace que sea rapid\u00edsimo analizar tendencias, calcular medias o sumar ventas en conjuntos enteros de data. Este es el mismo enfoque que utilizan los almacenes data modernos como BigQuery o Snowflake. En el lado opuesto, est\u00e1n las bases data OLTP (procesamiento de transacciones en l\u00ednea) como PostgreSQL, SQLite o MySQL. Estos son los caballos de batalla que impulsan sus aplicaciones, manejando miles de lecturas y escrituras individuales por segundo para mantener su aplicaci\u00f3n funcionando sin problemas.<\/span> Ver m\u00e1s sobre OLAP vs OLTP<\/span><\/a>.<\/span><\/p>\n Para entender lo revolucionario que es realmente el enfoque de DuckDB, tenemos que dar un paso atr\u00e1s y mirar c\u00f3mo hemos llegado hasta aqu\u00ed. A mediados de los noventa, cuando gigantes de la web como Yahoo y Amazon irrumpieron en escena, se toparon con un muro que remodelar\u00eda todo el panorama del data. Estas empresas se estaban ahogando en data, lo que m\u00e1s tarde llamar\u00edamos \u201cgran data\u201d, y sus sistemas existentes simplemente no pod\u00edan seguirles el ritmo. \u00bfLa soluci\u00f3n? Caras infraestructuras monol\u00edticas que pudieran manejar la escala. Pero cuando los costes del hardware cayeron en picado en la d\u00e9cada de 2000, surgi\u00f3 una nueva filosof\u00eda: en lugar de comprar m\u00e1quinas m\u00e1s grandes, \u00bfpor qu\u00e9 no utilizar muchas m\u00e1s peque\u00f1as y baratas? Este pensamiento dio origen a sistemas distribuidos como MapReduce y Apache Hadoop, tecnolog\u00edas dise\u00f1adas para repartir las cargas de trabajo entre clusters de hardware b\u00e1sico. Amazon capitaliz\u00f3 esta tendencia, empaquetando estas tecnolog\u00edas distribuidas como servicios y lanzando Amazon Web Services, la primera gran plataforma cloud. Durante a\u00f1os, esto se convirti\u00f3 en el libro de jugadas por defecto: cuando se planteaba un problema data, se distribu\u00eda entre m\u00e1s m\u00e1quinas (Fundamentals of Data Engineering, Joe Reis & Matt Housley).<\/span><\/p>\n Pero he aqu\u00ed lo fascinante: mientras todo el mundo estaba ocupado construyendo sistemas distribuidos, algo m\u00e1s ocurr\u00eda silenciosamente en segundo plano. Las mismas fuerzas que hicieron que la inform\u00e1tica distribuida fuera econ\u00f3mica, tambi\u00e9n hicieron que las m\u00e1quinas individuales fueran incre\u00edblemente potentes. Su ordenador port\u00e1til de hoy en d\u00eda se ha vuelto incre\u00edblemente potente con m\u00e1s RAM, procesadores m\u00e1s r\u00e1pidos y mejor almacenamiento. Los desarrolladores detr\u00e1s de DuckDB reconocieron esta oportunidad pasada por alto: \u00bfy si, en lugar de escalar siempre hacia fuera, pudi\u00e9ramos escalar hacia arriba de forma m\u00e1s inteligente? \u00bfY si pudi\u00e9ramos resolver muchos problemas data sin la complejidad de los sistemas distribuidos en absoluto?<\/span><\/p>\n Uno de los motores database m\u00e1s desplegados del mundo<\/span><\/a>, SQLite adopta un enfoque radicalmente distinto al de las databases tradicionales. Mientras que PostgreSQL y MySQL se ejecutan como servidores independientes a los que las aplicaciones se conectan a trav\u00e9s de una red, SQLite se integra directamente en su aplicaci\u00f3n como una biblioteca ligera. No hay ning\u00fan servidor que configurar, ninguna sobrecarga de red ni ninguna configuraci\u00f3n compleja, s\u00f3lo funcionalidad database pura y local que se ejecuta dentro del proceso de su aplicaci\u00f3n. Esta simplicidad, combinada con una notable fiabilidad y velocidad, ha hecho que SQLite sea omnipresente en todo tipo de aplicaciones, desde aplicaciones m\u00f3viles hasta navegadores web.<\/span><\/p>\n DuckDB aplica esta misma filosof\u00eda integrada a las cargas de trabajo anal\u00edticas, demostrando que no siempre se necesita un sistema distribuido para hacer crujir grandes conjuntos de data. Al igual que SQLite revolucion\u00f3 el almacenamiento local de data, DuckDB aprovecha la potencia bruta de su m\u00e1quina local para que la anal\u00edtica vuelva a ser sencilla. La instalaci\u00f3n se realiza en cuesti\u00f3n de segundos, no hay dependencias externas con las que luchar y, de repente, estar\u00e1 ejecutando consultas anal\u00edticas complejas en gigabytes de data sin necesidad de poner en marcha una sola instancia de cloud.<\/span><\/p>\n Lo que hace que DuckDB sea especialmente convincente es c\u00f3mo se encuentra con los desarrolladores all\u00ed donde est\u00e1n. \u00bfNecesita analizar un DataFrame de Python? DuckDB puede consultarlo directamente. \u00bfQuiere analizar un archivo CSV? No hay problema. Esta perfecta integraci\u00f3n, combinada con su rapid\u00edsimo motor columnar, ha convertido a DuckDB en uno de los sistemas database de m\u00e1s r\u00e1pido crecimiento en el espacio anal\u00edtico. Las ganancias de rendimiento son a menudo lo suficientemente espectaculares como para hacerle cuestionarse por qu\u00e9 utilizaba sistemas distribuidos en primer lugar. Si desea profundizar en la filosof\u00eda t\u00e9cnica que subyace a este enfoque, le recomendamos encarecidamente la lectura de<\/span> \u201cGesti\u00f3n anal\u00edtica en proceso Data con DuckDB\u201d<\/span><\/a> por el co-creador de DuckDB, Hannes M\u00fchleisen.<\/span><\/p>\n Ahora que entiende lo que es DuckDB, hablemos de sus limitaciones. Toda tecnolog\u00eda tiene sus limitaciones. DuckDB s\u00f3lo puede funcionar en una \u00fanica m\u00e1quina y s\u00f3lo acepta una conexi\u00f3n a la vez. En un mundo en el que los equipos data construyen soluciones cloud-nativas que sirven a organizaciones enteras, \u00e9sta es una limitaci\u00f3n bastante importante. No puede tener varios analistas consultando simult\u00e1neamente la misma instancia de DuckDB y, desde luego, no puede compartir datasets entre equipos como lo har\u00eda con un almac\u00e9n data tradicional. A pesar de toda su velocidad y simplicidad, DuckDB encierra esencialmente su data en una sola m\u00e1quina, accesible a una sola persona a la vez. Entonces, \u00bfc\u00f3mo tomar esta base data incre\u00edblemente r\u00e1pida pero inherentemente monousuario y convertirla en un almac\u00e9n cloud data que pueda servir a toda una organizaci\u00f3n?<\/span><\/p>\n Aqu\u00ed es donde entra en escena MotherDuck. MotherDuck es un almac\u00e9n data sin servidor que tiende un puente entre el rendimiento bruto de DuckDB y las necesidades de colaboraci\u00f3n de los equipos data modernos. MotherDuck crea lo que ellos denominan un \u201calmac\u00e9n data de an\u00e1lisis individualizado\u201d que proporciona a cada usuario su propia instancia DuckDB de alto rendimiento al tiempo que mantiene la capacidad de compartir data en toda la organizaci\u00f3n. He aqu\u00ed c\u00f3mo funciona la arquitectura:<\/span><\/p>\n En los almacenes tradicionales cloud data, su port\u00e1til no es m\u00e1s que un terminal tonto. Todo el trabajo pesado se realiza en servidores remotos por los que usted paga por horas. Pero he aqu\u00ed la cuesti\u00f3n: su MacBook es probablemente m\u00e1s r\u00e1pido que una instancia de almac\u00e9n $20-60 por hora data. MotherDuck intenta aprovechar esta potencia de c\u00e1lculo con dos enfoques innovadores:\u00a0<\/span><\/p>\n Antes de sumergirme en estos dos m\u00e9todos, me gustar\u00eda afirmar que la potencia de c\u00e1lculo de MotherDuck brilla realmente cuando se aplica a su <\/span>capa de oro<\/span><\/a>. Para quienes no est\u00e9n familiarizados con el t\u00e9rmino, la capa de oro es el data final, listo para el negocio, que se ha limpiado, agregado y enriquecido. Esencialmente son los data pulidos que impulsan sus an\u00e1lisis, informes y aprendizaje autom\u00e1tico. Este es el data que impulsa sus decisiones empresariales m\u00e1s cr\u00edticas, lo que hace que el rendimiento aqu\u00ed sea absolutamente crucial. Todas las partes interesadas han sufrido con cuadros de mando dolorosamente lentos, y todos los miembros del equipo data se han quedado mirando la rueda giratoria de la muerte mientras esperaban a que terminaran las consultas complejas. MotherDuck aborda esta frustraci\u00f3n de frente.<\/span><\/p>\n Esta soluci\u00f3n aprovecha el dise\u00f1o ligero y port\u00e1til de DuckDB, permiti\u00e9ndole ejecutarse directamente en su navegador a trav\u00e9s de WebAssembly (Wasm). Piense en Wasm como una tecnolog\u00eda que permite ejecutar software complejo de forma nativa en su navegador: sin plugins, sin descargas, s\u00f3lo potencia de c\u00e1lculo donde m\u00e1s la necesita. Con DuckDB ejecut\u00e1ndose en el lado del cliente, puede ejecutar consultas anal\u00edticas complejas sin el baile habitual de enviar peticiones a un servidor y esperar las respuestas. El procesamiento data tiene lugar directamente en su navegador, eliminando la latencia de la red y reduciendo por completo las dependencias de la infraestructura. Puede experimentar esta magia usted mismo probando<\/span> DuckDB en su navegador<\/span><\/a>.<\/span><\/p>\n Aunque no profundizaremos aqu\u00ed en la implementaci\u00f3n t\u00e9cnica, vale la pena se\u00f1alar que DuckDB-Wasm sobresale. La investigaci\u00f3n detallada en<\/span> este documento<\/span><\/a> demuestra que supera con creces a las soluciones existentes basadas en navegador, como la versi\u00f3n Wasm de SQLite o Lovefield, una database basada en JavaScript. Esta ingeniosa demostraci\u00f3n t\u00e9cnica se\u00f1ala un cambio fundamental en nuestra forma de pensar sobre la ubicaci\u00f3n del c\u00e1lculo anal\u00edtico.<\/span><\/p>\n MotherDuck ofrece esta arquitectura impulsada por Wasm, como explica Mehdi Ouazza en<\/span> este art\u00edculo<\/span><\/a>. Este enfoque es especialmente potente para los an\u00e1lisis de la capa de oro. Su equipo data se pone a trabajar con data limpios y listos para el negocio sin preocuparse de la infraestructura de backend, el procesamiento tiene lugar localmente para lograr la m\u00e1xima velocidad y usted consigue algunos de los tiempos de respuesta m\u00e1s r\u00e1pidos posibles al eliminar por completo la latencia de la red. Adem\u00e1s, evitar\u00e1 los elevados costes de c\u00e1lculo que a los almacenes tradicionales cloud data les encanta cobrarle por cada consulta. Es una propuesta convincente: an\u00e1lisis m\u00e1s r\u00e1pidos, costes m\u00e1s bajos y una arquitectura m\u00e1s sencilla, todo en uno.<\/span><\/p>\n <\/p>\n Otra forma de aprovechar MotherDuck en su capa gold es a trav\u00e9s de su capacidad de ejecuci\u00f3n dual, que combina de forma inteligente la potencia de procesamiento local con la escala cloud. En lugar de obligar a todo su equipo data a compartir los mismos recursos computacionales, MotherDuck da a cada usuario su propio \u201cpatito\u201d: una instancia computacional individual, sin servidor, que escala en funci\u00f3n de sus necesidades.<\/span><\/p>\n La verdadera potencia de la ejecuci\u00f3n dual brilla cuando se trabaja con data dispersos en distintas fuentes. Imagine que necesita realizar consultas data almacenadas en MotherDuck, combinarlas con archivos en S3 y unirlas con un conjunto data que se encuentra localmente en su ordenador port\u00e1til. Los sistemas cloud tradicionales le obligar\u00edan a cargarlo todo en un \u00fanico lugar antes de poder ejecutar consultas entre fuentes. La ejecuci\u00f3n h\u00edbrida de MotherDuck es m\u00e1s inteligente. Analiza su consulta, conserva s\u00f3lo el data necesario de cada fuente y realiza uniones inteligentes entre ubicaciones, ahorr\u00e1ndole tiempo y costes de transferencia de data.<\/span><\/p>\n Bajo el cap\u00f3, el optimizador de MotherDuck descompone su consulta en un DAG (grafo ac\u00edclico dirigido) de operaciones, estima el coste de ejecutar cada nodo localmente frente a remotamente y gestiona el movimiento data autom\u00e1ticamente. Usted s\u00f3lo tiene que escribir SQL; MotherDuck calcula la estrategia de ejecuci\u00f3n \u00f3ptima. Este enfoque redefine fundamentalmente la anal\u00edtica cloud. Ya no estamos atascados eligiendo entre la simplicidad local y la escalabilidad cloud, cada una con su propia complejidad en torno a la compartici\u00f3n data y la orquestaci\u00f3n del flujo de trabajo. Con MotherDuck, obtendr\u00e1 lo mejor de ambos mundos: ejec\u00fatelo localmente cuando su m\u00e1quina pueda soportarlo, escale al cloud cuando sea necesario y comparta sin esfuerzo en todo momento. Es una soluci\u00f3n sin servidor que reduce los costes de computaci\u00f3n cloud porque s\u00f3lo paga por lo que realmente computa.<\/p>\n Pero aqu\u00ed es donde se pone interesante: compartir data se hace sin esfuerzo. \u00bfRecuerda c\u00f3mo la naturaleza monousuario de DuckDB hac\u00eda penosa la colaboraci\u00f3n? Si un analista de data creaba un an\u00e1lisis asombroso, ten\u00eda que exportarlo todo y subirlo a un sistema de almacenamiento compartido s\u00f3lo para que sus compa\u00f1eros de equipo pudieran acceder a \u00e9l. Con MotherDuck, compartir es tan sencillo como pulsar un bot\u00f3n o ejecutar una \u00fanica l\u00ednea de c\u00f3digo para crear una instant\u00e1nea de copia cero con los controles de acceso adecuados. Sin movimiento de data, sin duplicaci\u00f3n de almacenamiento, s\u00f3lo colaboraci\u00f3n instant\u00e1nea.<\/p>\n Obtenga m\u00e1s informaci\u00f3n sobre la ejecuci\u00f3n de consultas duales\/h\u00edbridas en el documento de MotherDuck de <\/span>la Conferencia sobre Investigaci\u00f3n Innovadora en Sistemas Data (CIDR)<\/span><\/a>. Tambi\u00e9n puede ver esto <\/span>dbt Coalescer hablar<\/span><\/a> por Jordan Tigani, cofundador y director general de MotherDuck.<\/span><\/p>\n Hemos visto c\u00f3mo MotherDuck elimina una importante sobrecarga de los equipos data a la vez que ofrece potentes capacidades anal\u00edticas para su capa de oro. Pero la teor\u00eda s\u00f3lo llega hasta cierto punto. Quer\u00edamos poner a prueba a MotherDuck frente a jugadores establecidos en el espacio de almacenes cloud data. Observando el<\/span> Informe sobre la pila Data de 2025<\/span><\/a> publicado por Metabase, encontramos algo sorprendente: PostgreSQL sigue siendo la opci\u00f3n database m\u00e1s popular, incluso para cargas de trabajo anal\u00edticas, seguida de Snowflake y BigQuery entre las empresas encuestadas. Esto nos dio nuestros objetivos de comparaci\u00f3n.<\/span><\/p>\n Decidimos comparar MotherDuck con PostgreSQL alojado en Google Cloud y BigQuery, utilizando <\/span>Superset Apache<\/span><\/a> como nuestra herramienta de BI elegida. Superset ten\u00eda sentido por varias razones: es de c\u00f3digo abierto, est\u00e1 ampliamente adoptada y tiene compatibilidad nativa con MotherDuck junto con la mayor\u00eda de las dem\u00e1s bases databases principales. Nuestro entorno de pruebas consisti\u00f3 en Apache Superset desplegado en Google Cloud Kubernetes Engine, conectado a tres backends diferentes: BigQuery, PostgreSQL en Cloud SQL y MotherDuck.<\/span><\/p>\n Estructuramos nuestras pruebas en dos fases. En primer lugar, ejecutamos el benchmark TPC-H: un benchmark estandarizado de apoyo a la toma de decisiones que nos mostrar\u00eda el rendimiento de MotherDuck en un entorno controlado y te\u00f3rico. Despu\u00e9s nos acercamos m\u00e1s a la realidad, probando c\u00f3mo la relaci\u00f3n entre Superset y MotherDuck se comparaba con los almacenes tradicionales data en escenarios de cuadros de mando del mundo real.<\/span><\/p>\n TPC-H es el est\u00e1ndar para probar el rendimiento anal\u00edtico database. Es un punto de referencia de apoyo a la toma de decisiones dise\u00f1ado para examinar grandes vol\u00famenes de data, ejecutar consultas complejas y ofrecer respuestas a preguntas empresariales cr\u00edticas en diferentes sectores. Puede encontrar la especificaci\u00f3n completa en<\/span> documentaci\u00f3n oficial<\/span><\/a>. El punto de referencia consta de 22 consultas que simulan cargas de trabajo anal\u00edticas del mundo real, desde simples agregaciones hasta complejas uniones de varias tablas.<\/span><\/p>\n Ejecutamos cada consulta individualmente a trav\u00e9s del SQL Lab de Superset para las tres bases data: MotherDuck, BigQuery y PostgreSQL<\/b>. Tambi\u00e9n probamos las consultas directamente en la interfaz gr\u00e1fica de MotherDuck para eliminar la latencia cliente-servidor y porque, francamente, cualquier empresa que utilice MotherDuck probablemente tendr\u00eda a sus analistas data trabajando en la interfaz inspirada en el bloc de notas de MotherDuck en lugar de en el SQL Lab de Superset. Adem\u00e1s, la aplicaci\u00f3n de MotherDuck puede aprovechar la arquitectura WebAssembly de la que hemos hablado antes, y ten\u00edamos curiosidad por ver c\u00f3mo se comportar\u00eda esta ejecuci\u00f3n basada en navegador en comparaci\u00f3n con los modelos tradicionales servidor-cliente. Para garantizar unas pruebas justas, la cach\u00e9 de Superset se desactiv\u00f3 en todas las pruebas comparativas.<\/span><\/p>\n Para este punto de referencia, utilizamos el factor de escala 10 (SF-10) de TPC-H, que genera un dataset de 10 GB. Elegimos el factor de escala 10 porque 10GB representa un tama\u00f1o de dataset realista para las cargas de trabajo anal\u00edticas de la mayor\u00eda de las empresas, lo suficientemente grande como para revelar diferencias de rendimiento significativas sin requerir una infraestructura a escala empresarial. He aqu\u00ed c\u00f3mo se desglosa el data en las tablas clave:<\/span><\/p>\n Utilizamos la extensi\u00f3n DuckDB TPC-H para generar el data localmente y luego lo cargamos sin problemas en MotherDuck. El proceso dur\u00f3 s\u00f3lo unos minutos gracias a la capacidad de carga de data de MotherDuck.<\/span><\/p>\n Aqu\u00ed est\u00e1n los resultados de TPC-H SF-10 en segundos. La columna amarilla muestra los resultados de la interfaz de usuario nativa de la aplicaci\u00f3n MotherDuck, mientras que las otras columnas representan el rendimiento a trav\u00e9s del SQL Lab de Superset (SST):<\/span><\/p>\n MotherDuck ofrece sistem\u00e1ticamente un rendimiento por debajo del segundo en todos los \u00e1mbitos: <\/span>21 de 22 consultas a trav\u00e9s de Superset terminan en menos de un segundo<\/b>, con todas las consultas complet\u00e1ndose por debajo del segundo cuando se ejecutan directamente a trav\u00e9s de la aplicaci\u00f3n de MotherDuck. BigQuery muestra un rendimiento respetable pero promedia <\/span>aproximadamente 4 veces m\u00e1s lento que MotherDuck <\/b>en todo el conjunto de pruebas comparativas. PostgreSQL cuenta una historia totalmente diferente, con un rendimiento significativamente m\u00e1s lento y claras dificultades en agregaciones y uniones complejas. Esto era previsible ya que PostgreSQL est\u00e1 dise\u00f1ado fundamentalmente para cargas de trabajo OLTP m\u00e1s que para procesamiento anal\u00edtico, pero lo incluimos en nuestra comparaci\u00f3n porque sigue siendo ampliamente utilizado por las empresas para tareas anal\u00edticas. Cabe se\u00f1alar que PostgreSQL podr\u00eda conseguir un rendimiento mucho mejor con t\u00e9cnicas de optimizaci\u00f3n adecuadas como la indexaci\u00f3n, el particionado o las vistas materializadas, pero incluso as\u00ed, seguir\u00eda luchando contra su arquitectura basada en filas. La brecha de rendimiento pone de relieve exactamente por qu\u00e9 existen los sistemas OLAP construidos a prop\u00f3sito como MotherDuck: cuando se ejecutan consultas anal\u00edticas complejas en conjuntos data sustanciales, la arquitectura importa enormemente.<\/span><\/p>\n Mientras que TPC-H muestra el rendimiento bruto de las consultas, la verdadera prueba es c\u00f3mo se traduce esto en la experiencia real del usuario en las herramientas de inteligencia empresarial.<\/span><\/p>\n Vimos que el rendimiento era excelente para los analistas data que trabajaban con SQL en su almac\u00e9n data, pero quer\u00edamos comprobar si esta mejora se trasladar\u00eda a la creaci\u00f3n de cuadros de mando, donde las partes interesadas del negocio interact\u00faan realmente con el data. Despu\u00e9s de todo, unas consultas SQL rapid\u00edsimas no importan mucho si sus cuadros de mando siguen tardando una eternidad en cargarse.<\/span><\/p>\n Para comprobarlo, utilizamos un conjunto realista de comercio electr\u00f3nico data de<\/span> Kaggle<\/span><\/a> que contiene 67,5 millones de filas en 9 GB de data, el tipo de escala con el que trabajan muchas empresas para sus an\u00e1lisis mensuales de clientes. Utilizando esta \u00fanica tabla, construimos un cuadro de mandos exhaustivo que pondr\u00eda a prueba la capacidad de cada sistema para manejar cargas de trabajo de inteligencia empresarial del mundo real:<\/span><\/p>\n Prob\u00e9 el salpicadero exhaustivamente a trav\u00e9s de m\u00faltiples ejecuciones, aplicando varios filtros, midiendo los tiempos de carga, desactivando la cach\u00e9 y monitorizando los tiempos de respuesta a trav\u00e9s de las herramientas para desarrolladores de mi navegador. Despu\u00e9s de m\u00faltiples ciclos de prueba para asegurar resultados consistentes, aqu\u00ed est\u00e1n las m\u00e9tricas de rendimiento del salpicadero en segundos:<\/span><\/p>\n Nuestras pruebas de carga de cuadros de mando revelan las implicaciones pr\u00e1cticas del rendimiento de database en la experiencia del usuario. MotherDuck ofrece una capacidad de respuesta excepcional en los cuadros de mando, con un tiempo medio de carga de s\u00f3lo 3,35 segundos, lo que permite una anal\u00edtica realmente interactiva en la que los usuarios pueden explorar data con fluidez y sin fricciones. Por el contrario, BigQuery necesita 8,55 segundos para cargar el mismo cuadro de mandos. Sigue siendo aceptable para la elaboraci\u00f3n de informes planificados, pero crea retrasos notables que pueden desalentar el an\u00e1lisis exploratorio. El tiempo de carga de 216 segundos de PostgreSQL (>3 minutos) lo hace completamente impracticable para el uso de cuadros de mando. Esta ventaja de rendimiento que representa MotherDuck puede transformar fundamentalmente la forma en que los usuarios empresariales interact\u00faan con data. Cuando los cuadros de mando se cargan en segundos en lugar de minutos, la adopci\u00f3n por parte de los usuarios se dispara, los analistas pueden iterar r\u00e1pidamente sobre las perspectivas y el an\u00e1lisis se convierte en una ventaja competitiva en lugar de un cuello de botella.<\/span><\/p>\n MotherDuck combina el almacenamiento con <\/span>pago por uso<\/span><\/a> computaci\u00f3n, optimizado para el an\u00e1lisis interactivo. Como se escala en una sola m\u00e1quina en lugar de distribuirse en un cl\u00faster, se evitan los gastos generales que los usuarios acaban pagando. Una sesi\u00f3n de docenas de consultas puede costar s\u00f3lo $0,05-$0,10, mientras que un equipo que ejecute miles de consultas al mes puede gastar s\u00f3lo $20-$40. En cambio, las bases data siempre activas pueden gastar $300-$500\/mes s\u00f3lo para mantenerse activas, y los almacenes cloud suelen cobrar $5-$10 por TB escaneado. Gracias a su dise\u00f1o escalable, MotherDuck mantiene unos precios sencillos, predecibles y rentables.<\/span><\/p>\n MotherDuck puede parecer inicialmente m\u00e1s caro debido a su cuota de organizaci\u00f3n y a un modelo de precios de computaci\u00f3n diferente. Sin embargo, ambos sistemas utilizan modelos de precios que favorecen diferentes patrones de uso: BigQuery destaca en el procesamiento de grandes lotes, mientras que MotherDuck est\u00e1 optimizado para el an\u00e1lisis interactivo. Para nuestra comparativa TPC-H, ejecutar 22 consultas en SF-10 cost\u00f3 $0,03 para MotherDuckversus $0,60-$1,00 para BigQuery. Cuando se tienen en cuenta los gastos generales de infraestructura, nuestra configuraci\u00f3n PostgreSQL requiri\u00f3 14 euros\/d\u00eda s\u00f3lo para mantenerse en l\u00ednea, el enfoque sin servidor de MotherDuck ofrece a menudo un coste total de propiedad superior para las cargas de trabajo anal\u00edticas interactivas.<\/span><\/p>\n A escala empresarial, la econom\u00eda cambia en funci\u00f3n de los patrones de uso. BigQuery resulta m\u00e1s rentable para el procesamiento por lotes de gran volumen, mientras que MotherDuck mantiene su ventaja para los an\u00e1lisis interactivos y los flujos de trabajo exploratorios. La idea clave: elija su modelo de precios bas\u00e1ndose en c\u00f3mo trabaja realmente su equipo con data, no s\u00f3lo en los costes brutos por unidad.<\/span><\/p>\n Nota: Todos los ejemplos de precios se basan en la regi\u00f3n europa-oeste4 y deben considerarse ilustrativos y no exactos, ya que los costes reales dependen en gran medida de los patrones de uso espec\u00edficos y de las caracter\u00edsticas del data.<\/span><\/i><\/p>\n MotherDuck representa un cambio fundamental en la forma de pensar sobre las bases anal\u00edticas data, que desaf\u00eda la suposici\u00f3n de que se necesitan sistemas complejos y distribuidos para manejar cargas de trabajo data serias. Al tomar la filosof\u00eda integrada de DuckDB y extenderla al cloud, MotherDuck ofrece las capacidades de colaboraci\u00f3n que requieren los equipos data modernos, manteniendo al mismo tiempo el rendimiento bruto que hace que DuckDB sea excepcional.<\/span><\/p>\n Nuestros resultados de las pruebas comparativas cuentan una historia convincente: MotherDuck super\u00f3 sistem\u00e1ticamente tanto a BigQuery como a PostgreSQL por m\u00e1rgenes significativos, ofreciendo un rendimiento de consulta de menos de un segundo en conjuntos de data de 10 GB y tiempos de carga de cuadros de mando que permiten una anal\u00edtica verdaderamente interactiva. La ventaja de rendimiento sobre BigQuery y la gran ventaja sobre PostgreSQL en escenarios de cuadros de mando no se trata s\u00f3lo de consultas m\u00e1s r\u00e1pidas, sino de transformar la anal\u00edtica en una experiencia m\u00e1s interactiva y exploratoria que fomente la toma de decisiones data-driven.<\/span><\/p>\n Y lo que es m\u00e1s importante, MotherDuck consigue este rendimiento al tiempo que reduce dr\u00e1sticamente la complejidad y los costes de la infraestructura. Donde las configuraciones tradicionales de cloud requieren una infraestructura siempre activa que cuesta cientos de d\u00f3lares al mes, el modelo sin servidor de MotherDuck cobra s\u00f3lo por el uso real, lo que a menudo reduce los costes. El precio de pago por ordenador se alinea perfectamente con la forma en que trabajan realmente los analistas: ejecutando m\u00faltiples consultas en sesiones de exploraci\u00f3n en lugar de peticiones aisladas y poco frecuentes.<\/span><\/p>\n Las implicaciones van m\u00e1s all\u00e1 del rendimiento y el coste. El modelo de ejecuci\u00f3n dual de MotherDuck y las capacidades anal\u00edticas basadas en el navegador sugieren un futuro en el que la frontera entre la inform\u00e1tica local y la cloud ser\u00e1 cada vez m\u00e1s fluida. En lugar de obligar a los equipos a elegir entre la simplicidad local y la escalabilidad cloud, MotherDuck ofrece ambas, dirigiendo de forma inteligente la computaci\u00f3n hacia donde tenga m\u00e1s sentido.<\/span><\/p>\n Lo que realmente me impresion\u00f3 durante las pruebas fue la sencillez de uso y configuraci\u00f3n de MotherDuck. El modelo de ejecuci\u00f3n dual me permiti\u00f3 consultar el data tanto localmente como en el cloud de forma simult\u00e1nea, mientras que la configuraci\u00f3n de la conexi\u00f3n entre Superset y MotherDuck fue notablemente sencilla.<\/span><\/p>\n Para las organizaciones que buscan modernizar sus capacidades anal\u00edticas empezando por la capa gold, MotherDuck ofrece una propuesta muy atractiva: rendimiento de nivel empresarial, flujos de trabajo colaborativos y rentabilidad, todo ello sin la sobrecarga operativa de la infraestructura de almac\u00e9n data tradicional. En un mundo en el que las decisiones data-driven determinan cada vez m\u00e1s la ventaja competitiva, la capacidad de explorar data de forma interactiva a velocidades inferiores al segundo no es s\u00f3lo un \"nice-to-have\"; se est\u00e1 convirtiendo en algo esencial.<\/span><\/p>\n \u00bfListo para experimentar por s\u00ed mismo la actuaci\u00f3n de MotherDuck?<\/b> Puede empezar con un <\/span>21 d\u00edas de prueba gratuita o con su plan gratuito de 10 GB <\/span><\/a>para probarlo con sus propios conjuntos data y cargas de trabajo. Si busca orientaci\u00f3n sobre si MotherDuck se adapta a su pila data espec\u00edfica o necesita ayuda con la implementaci\u00f3n, p\u00f3ngase en contacto con nuestro equipo en <\/span>Artefact<\/span><\/a>, estaremos encantados de evaluar sus necesidades anal\u00edticas y ayudarle a navegar por la transici\u00f3n hacia una infraestructura anal\u00edtica m\u00e1s eficiente y rentable.<\/span><\/p>\n <\/p>","protected":false},"excerpt":{"rendered":" MotherDuck ampl\u00eda el rendimiento anal\u00edtico de DuckDB al cloud con funciones de colaboraci\u00f3n, ofreciendo un rendimiento 4 veces m\u00e1s r\u00e1pido que BigQuery y un ahorro de costes con respecto a los almacenes data tradicionales gracias a unos precios de pago por uso sin servidor. Tras el anuncio de la nueva regi\u00f3n europea cloud de MotherDuck, quedamos impresionados por su rendimiento y su atractivo precio. MotherDuck ya puede integrarse en sus capas de oro para acelerar el servicio de casos de uso data y ahorrar costes al mismo tiempo. Vea la comparativa de rendimiento.<\/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\/es\/wp-json\/wp\/v2\/blog\/1015858","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media\/1021833"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=1015858"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-category?post=1015858"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-language?post=1015858"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Un pato incubando<\/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>\nEl pato que aprendi\u00f3 a volar<\/b><\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-Architecture.png\")
<\/p>\n\n
An\u00e1lisis en el navegador<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-WASM-Powered-1.5-tier-architecture.png\")
<\/p>\nDoble ejecuci\u00f3n<\/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 en libertad<\/h2>\n
Evaluaci\u00f3n comparativa 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>\nRendimiento del cuadro de mandos<\/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>\nComparaci\u00f3n de precios<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Pricing-models-of-each-solution-for-the-benchmark.png\")
<\/p>\nConclusi\u00f3n<\/b><\/h2>\n