Las fuentes de CRM y SaaS te entregan campos que no encajan en un esquema fijo: propiedades personalizadas, objetos anidados, arrays que crecen. Dónde aterrizan cambia mucho según el destino, y la respuesta está repartida por la documentación de 22 proveedores.
Aquí está esa respuesta en una sola tabla: el tipo nativo que cada destino usa para datos semiestructurados, el tipo de marca temporal que espera, cómo aplica Datrise los cambios y el comportamiento que suele sorprender. Los valores se escriben tal como los nombra el proveedor, para que coincidan con lo que buscarías.
Bases de datos relacionales
| Destino | Los campos semiestructurados aterrizan como | Marcas temporales | Patrón de carga |
|---|---|---|---|
| PostgreSQL | jsonb columns | timestamptz | upsert |
| MySQL | JSON columns | DATETIME/TIMESTAMP | upsert |
| Microsoft SQL Server | NVARCHAR(MAX) JSON columns | datetime2 | upsert |
| Oracle Database | JSON or CLOB columns | TIMESTAMP WITH TIME ZONE | upsert |
| Supabase | jsonb columns | timestamptz | upsert |
| Neon | jsonb columns | timestamptz | upsert |
| PlanetScale | JSON columns | DATETIME | upsert |
Warehouses en la nube
| Destino | Los campos semiestructurados aterrizan como | Marcas temporales | Patrón de carga |
|---|---|---|---|
| Snowflake | VARIANT columns | TIMESTAMP_TZ | upsert |
| Google BigQuery | JSON or nested/repeated (STRUCT) columns | TIMESTAMP | upsert |
| Amazon Redshift | SUPER columns | TIMESTAMPTZ | upsert |
| Databricks SQL Warehouse | VARIANT or STRUCT columns | TIMESTAMP | upsert |
| Azure Synapse | NVARCHAR(MAX) JSON columns | datetime2 | upsert |
Motores OLAP
| Destino | Los campos semiestructurados aterrizan como | Marcas temporales | Patrón de carga |
|---|---|---|---|
| ClickHouse | JSON or Map columns | DateTime64 | upsert |
| DuckDB | JSON or STRUCT columns | TIMESTAMP WITH TIME ZONE | snapshot |
Data lakes
| Destino | Los campos semiestructurados aterrizan como | Marcas temporales | Patrón de carga |
|---|---|---|---|
| Amazon Athena | struct/map columns in Parquet | timestamp | merge de archivos |
| Amazon S3 Data Lake | nested struct/map fields in Parquet | ISO-8601 timestamp columns | merge de archivos |
| Azure Data Lake Storage | nested struct/map fields in Parquet | ISO-8601 timestamp columns | merge de archivos |
Almacenes documentales
| Destino | Los campos semiestructurados aterrizan como | Marcas temporales | Patrón de carga |
|---|---|---|---|
| MongoDB | native nested documents | BSON Date | upsert |
| Amazon DynamoDB | nested map/list attributes | ISO-8601 string or epoch number attributes | upsert |
Hojas de cálculo y archivos
| Destino | Los campos semiestructurados aterrizan como | Marcas temporales | Patrón de carga |
|---|---|---|---|
| Hojas de cálculo | JSON-stringified cells for nested fields | ISO-8601 text or serial date cells | snapshot |
| Airtable | long-text JSON or linked records for nested data | date/dateTime fields | upsert |
| Archivos CSV | JSON-encoded strings for nested fields | ISO-8601 timestamp columns | snapshot |
Una entrada por destino: la mecánica incremental que usa Datrise y luego el comportamiento que conviene conocer antes de elegirlo.
Incremental: una marca de agua sobre el updated-at de cada entidad, aplicada con INSERT … ON CONFLICT DO UPDATE
Conviene saber: PostgreSQL pasa a minúsculas los identificadores sin comillas, así que Datrise normaliza a snake_case los campos de origen con mayúsculas mezcladas
Incremental: una marca de agua sobre updated-at, aplicada con INSERT … ON DUPLICATE KEY UPDATE
Conviene saber: La colación de MySQL importa para el texto de CRM, así que Datrise escribe en utf8mb4 para preservar emojis y caracteres no latinos
Incremental: una marca de agua sobre updated-at, aplicada con una sentencia MERGE
Conviene saber: SQL Server usa por defecto una colación que ignora mayúsculas, así que Datrise conserva el uso original en una columna de metadatos para evitar colisiones silenciosas de claves
Incremental: una marca de agua sobre updated-at, aplicada con MERGE INTO
Conviene saber: Oracle trata la cadena vacía como NULL, así que Datrise distingue los valores de origen en blanco de los ausentes durante la carga
Incremental: una marca de agua sobre updated-at, aplicada con INSERT … ON CONFLICT DO UPDATE
Conviene saber: Datrise escribe en un esquema dedicado y deja la row-level security en tus manos, para que las tablas sincronizadas no hereden acceso público por accidente
Incremental: una marca de agua sobre updated-at, aplicada con INSERT … ON CONFLICT DO UPDATE
Conviene saber: Neon separa cómputo y almacenamiento, así que Datrise agrupa las escrituras para que el cómputo autoescalado no arranque en frío con cada cambio pequeño
Incremental: una marca de agua sobre updated-at, aplicada con INSERT … ON DUPLICATE KEY UPDATE
Conviene saber: PlanetScale no permite claves foráneas por defecto, así que Datrise modela las relaciones con columnas de id estables en lugar de FKs impuestas
Incremental: cargas en staging fusionadas por id estable con MERGE, de modo que los créditos escalan con el volumen de cambios, no con el tamaño de la tabla
Conviene saber: Snowflake pasa a mayúsculas los identificadores sin comillas, así que Datrise estandariza nombres en minúscula entre comillas para que las referencias de columna se mantengan estables
Incremental: añade a una tabla de staging y luego hace MERGE por id estable sobre la tabla particionada de destino
Conviene saber: BigQuery factura por bytes escaneados, así que Datrise particiona y agrupa cada tabla para mantener predecible el coste de las consultas
Incremental: COPY desde archivos en staging y luego un merge de borrar-e-insertar por id estable
Conviene saber: El rendimiento de Redshift depende de las dist/sort keys, así que Datrise las elige a partir de los ids de tus entidades y las marcas de sincronización en lugar de dejar la distribución EVEN por defecto
Generador de upsert: DELETE … USING + INSERT (staging pattern)
Incremental: un MERGE de Delta por id estable, con historial de cambios disponible vía time travel
Conviene saber: Datrise escribe tablas Delta gobernadas por Unity Catalog, así que el linaje y los permisos se gestionan de forma central y no por notebook
Incremental: COPY a staging y luego un MERGE por id estable
Conviene saber: Los pools dedicados de Synapse premian una buena distribución hash, así que Datrise distribuye por ids de entidad para evitar joins con mucho movimiento de datos
Incremental: inserta en un ReplacingMergeTree con clave de id estable, de modo que la última versión gana en el merge
Conviene saber: ClickHouse deduplica de forma asíncrona en el merge, así que Datrise usa ReplacingMergeTree y consultas seguras con FINAL en lugar de asumir upserts inmediatos
Incremental: reescribe las entidades cambiadas en la base local (o en Parquet) en cada ejecución
Conviene saber: DuckDB es embebido y de un solo escritor, así que Datrise produce un snapshot de archivo consistente en lugar de escrituras concurrentes en streaming
Generador de upsert: INSERT OR REPLACE / ON CONFLICT DO UPDATE
Incremental: escribe nuevas particiones Parquet y las registra en el Glue Data Catalog
Conviene saber: Athena factura por byte escaneado y los archivos pequeños penalizan, así que Datrise compacta a Parquet de tamaño adecuado en lugar de muchos objetos diminutos
Incremental: escribe nuevas particiones por fecha y compacta archivos pequeños de forma programada
Conviene saber: Un lake no impone esquema, así que Datrise escribe un manifiesto de esquema junto a los datos para mantener consistentes los motores aguas abajo
Incremental: escribe nuevas particiones por fecha en el contenedor y compacta de forma programada
Conviene saber: El espacio de nombres jerárquico de ADLS hace que importe la estructura de carpetas, así que Datrise mantiene una ruta entidad/fecha predecible que tus motores de Azure montan directamente
Incremental: upserts por id estable con updateOne(upsert) sobre la clave primaria de origen
Conviene saber: Mongo no tiene esquema fijo, así que Datrise mantiene tipos de campo consistentes entre documentos para evitar sorpresas de tipos mixtos en las consultas
Incremental: PutItem/UpdateItem con una clave de partición derivada del id de la entidad
Conviene saber: DynamoDB premia diseñar las claves según los patrones de acceso, así que Datrise define partition/sort keys a partir de los ids de tus entidades en lugar de valores por defecto que obligan a escanear
Incremental: refresca las filas de la pestaña en cada ejecución, preservando el orden de las cabeceras
Conviene saber: Sheets tope alrededor de unos pocos millones de celdas, así que Datrise escribe un conjunto de columnas curado en lugar de todos los campos en bruto
Incremental: upserts de registros emparejados por un campo de id estable
Conviene saber: Airtable impone límites de registros por base y de tasa de API, así que Datrise agrupa las escrituras y escribe un conjunto de campos acotado
Incremental: escribe un CSV nuevo y completamente tipado por entidad en cada ejecución
Conviene saber: CSV no tiene tipos, así que Datrise emite un esquema acompañante y entrecomilla y escapa de forma consistente para que los cargadores aguas abajo no interpreten mal comas y saltos de línea
Datrise también entrega a 21 herramientas de BI, y todas llegan a la misma respuesta: los campos anidados aterrizan aplanados en columnas que su capa de modelado puede graficar. Eso es un hecho, no 21 — listarlas aquí engordaría la página sin informar a nadie. Las herramientas de BI leen de un almacén que sí está en la tabla de arriba; elige primero el almacén.
Acceso anticipado
Esta página te dice qué hace cada destino con tus datos. Datrise lo hace por ti: entidades modeladas, sincronización incremental, tablas tipadas y ni un script que vigilar. Únete a la lista de espera y te avisamos cuando tu par de origen y destino esté listo.