Estructura física de almacenamiento donde los datos se guardan por columnas en lugar de por filas, acelerando exponencialmente las consultas de agregación analítica.
Explicación y Contexto Conceptual
El Almacenamiento Columnar (la base de formatos abiertos como Apache Parquet y de data warehouses como Snowflake, BigQuery y Redshift) es la clave técnica detrás de la velocidad vertiginosa de la analítica moderna. Las bases de datos tradicionales almacenan la información por filas (Row-Oriented): guardan juntas toda la información de un cliente (nombre, apellido, email, dirección, última compra).
En analítica de marketing, sin embargo, rara vez necesitamos consultar todos los datos de un solo cliente; por el contrario, consultamos una sola métrica sobre millones de clientes (por ejemplo: 'Calcular el gasto promedio total de todos los usuarios'). Si los datos están por filas, el disco duro debe escanear gigabytes enteros de nombres y direcciones inútiles para extraer solo el valor monetario.
Al almacenar por columnas, el sistema lee exclusivamente la columna 'monto_gastado', reduciendo el volumen de datos leídos del disco en más de un 90%. Además, al contener datos del mismo tipo en cada columna, se logran ratios de compresión astronómicos.
Ejemplo en la Práctica
Una consulta para calcular el promedio de ticket sobre 100 millones de compras tarda 8 minutos en MySQL por filas y solo 1.2 segundos en BigQuery con formato columnar.