Fontes de CRM e SaaS entregam campos que não cabem em um schema fixo: propriedades personalizadas, objetos aninhados, arrays que crescem. Onde eles pousam muda bastante conforme o destino, e a resposta está espalhada pela documentação de 22 fornecedores.
Esta é a resposta em uma única tabela: o tipo nativo que cada destino usa para dados semiestruturados, o tipo de timestamp que ele espera, como a Datrise aplica as alterações e o comportamento que costuma surpreender. Os valores estão escritos exatamente como o fornecedor os nomeia, para baterem com o que você buscaria.
Bancos relacionais
| Destino | Campos semiestruturados pousam como | Timestamps | Padrão 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 na nuvem
| Destino | Campos semiestruturados pousam como | Timestamps | Padrão 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 | Campos semiestruturados pousam como | Timestamps | Padrão de carga |
|---|---|---|---|
| ClickHouse | JSON or Map columns | DateTime64 | upsert |
| DuckDB | JSON or STRUCT columns | TIMESTAMP WITH TIME ZONE | snapshot |
Data lakes
| Destino | Campos semiestruturados pousam como | Timestamps | Padrão de carga |
|---|---|---|---|
| Amazon Athena | struct/map columns in Parquet | timestamp | merge de arquivos |
| Amazon S3 Data Lake | nested struct/map fields in Parquet | ISO-8601 timestamp columns | merge de arquivos |
| Azure Data Lake Storage | nested struct/map fields in Parquet | ISO-8601 timestamp columns | merge de arquivos |
Bancos de documentos
| Destino | Campos semiestruturados pousam como | Timestamps | Padrão de carga |
|---|---|---|---|
| MongoDB | native nested documents | BSON Date | upsert |
| Amazon DynamoDB | nested map/list attributes | ISO-8601 string or epoch number attributes | upsert |
Planilhas e arquivos
| Destino | Campos semiestruturados pousam como | Timestamps | Padrão de carga |
|---|---|---|---|
| Planilhas | 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 |
| Arquivos CSV | JSON-encoded strings for nested fields | ISO-8601 timestamp columns | snapshot |
Uma entrada por destino: a mecânica incremental que a Datrise usa e depois o comportamento que vale conhecer antes de escolher.
Incremental: uma marca d'água sobre o updated-at de cada entidade, aplicada com INSERT … ON CONFLICT DO UPDATE
Vale saber: O PostgreSQL converte identificadores sem aspas para minúsculas, então a Datrise normaliza para snake_case os campos de origem com maiúsculas misturadas
Incremental: uma marca d'água sobre updated-at, aplicada com INSERT … ON DUPLICATE KEY UPDATE
Vale saber: A collation do MySQL importa para textos de CRM, então a Datrise grava em utf8mb4 para preservar emojis e caracteres não latinos
Incremental: uma marca d'água sobre updated-at, aplicada com uma instrução MERGE
Vale saber: O SQL Server usa por padrão uma collation que ignora maiúsculas, então a Datrise preserva a grafia original em uma coluna de metadados para evitar colisões silenciosas de chaves
Incremental: uma marca d'água sobre updated-at, aplicada com MERGE INTO
Vale saber: O Oracle trata string vazia como NULL, então a Datrise distingue valores de origem em branco dos ausentes durante a carga
Incremental: uma marca d'água sobre updated-at, aplicada com INSERT … ON CONFLICT DO UPDATE
Vale saber: A Datrise grava em um schema dedicado e deixa a row-level security com você, para que as tabelas sincronizadas não herdem acesso público por acidente
Incremental: uma marca d'água sobre updated-at, aplicada com INSERT … ON CONFLICT DO UPDATE
Vale saber: O Neon separa computação e armazenamento, então a Datrise agrupa as gravações para que a computação com autoescala não faça cold start a cada pequena alteração
Incremental: uma marca d'água sobre updated-at, aplicada com INSERT … ON DUPLICATE KEY UPDATE
Vale saber: O PlanetScale não permite chaves estrangeiras por padrão, então a Datrise modela os relacionamentos com colunas de id estáveis em vez de FKs impostas
Incremental: cargas em staging mescladas por id estável com MERGE, de modo que os créditos escalam com o volume de alterações, não com o tamanho da tabela
Vale saber: O Snowflake converte identificadores sem aspas para maiúsculas, então a Datrise padroniza nomes em minúsculas entre aspas para que as referências de coluna permaneçam estáveis
Incremental: acrescenta a uma tabela de staging e depois faz MERGE por id estável na tabela particionada de destino
Vale saber: O BigQuery cobra por bytes escaneados, então a Datrise particiona e clusteriza cada tabela para manter o custo das consultas previsível
Incremental: COPY a partir de arquivos em staging e depois um merge de deletar-e-inserir por id estável
Vale saber: O desempenho do Redshift depende das dist/sort keys, então a Datrise as escolhe a partir dos ids das suas entidades e das marcações de sincronização em vez de deixar a distribuição EVEN padrão
Gerador de upsert: DELETE … USING + INSERT (staging pattern)
Incremental: um MERGE do Delta por id estável, com histórico de alterações disponível via time travel
Vale saber: A Datrise grava tabelas Delta governadas pelo Unity Catalog, então linhagem e permissões são geridas de forma central e não por notebook
Incremental: COPY para staging e depois um MERGE por id estável
Vale saber: Os pools dedicados do Synapse recompensam uma boa distribuição hash, então a Datrise distribui por ids de entidade para evitar joins com muita movimentação de dados
Incremental: insere em um ReplacingMergeTree com chave de id estável, de modo que a última versão vence no merge
Vale saber: O ClickHouse deduplica de forma assíncrona no merge, então a Datrise usa ReplacingMergeTree e consultas seguras com FINAL em vez de assumir upserts imediatos
Incremental: reescreve as entidades alteradas no banco local (ou em Parquet) a cada execução
Vale saber: O DuckDB é embarcado e de escritor único, então a Datrise produz um snapshot de arquivo consistente em vez de gravações concorrentes em streaming
Gerador de upsert: INSERT OR REPLACE / ON CONFLICT DO UPDATE
Incremental: grava novas partições Parquet e as registra no Glue Data Catalog
Vale saber: O Athena cobra por byte escaneado e arquivos pequenos penalizam, então a Datrise compacta em Parquet de tamanho adequado em vez de muitos objetos minúsculos
Incremental: grava novas partições por data e compacta arquivos pequenos de forma agendada
Vale saber: Um lake não impõe schema, então a Datrise grava um manifesto de schema junto aos dados para manter os motores downstream consistentes
Incremental: grava novas partições por data no container e compacta de forma agendada
Vale saber: O namespace hierárquico do ADLS faz a estrutura de pastas importar, então a Datrise mantém um caminho entidade/data previsível que seus motores do Azure montam diretamente
Incremental: upserts por id estável com updateOne(upsert) sobre a chave primária de origem
Vale saber: O Mongo não tem schema fixo, então a Datrise mantém tipos de campo consistentes entre documentos para evitar surpresas de tipos mistos nas consultas
Incremental: PutItem/UpdateItem com uma chave de partição derivada do id da entidade
Vale saber: O DynamoDB recompensa projetar as chaves conforme os padrões de acesso, então a Datrise define partition/sort keys a partir dos ids das suas entidades em vez de padrões que forçam varreduras
Incremental: atualiza as linhas da aba a cada execução, preservando a ordem dos cabeçalhos
Vale saber: O Sheets tem teto na casa dos poucos milhões de células, então a Datrise grava um conjunto de colunas curado em vez de todos os campos brutos
Incremental: upserts de registros pareados por um campo de id estável
Vale saber: O Airtable impõe limites de registros por base e de taxa de API, então a Datrise agrupa as gravações e grava um conjunto de campos enxuto
Incremental: grava um CSV novo e totalmente tipado por entidade a cada execução
Vale saber: CSV não tem tipos, então a Datrise emite um schema acompanhante e faz aspas e escapes de forma consistente para que os carregadores downstream não interpretem mal vírgulas e quebras de linha
A Datrise também entrega para 21 ferramentas de BI, e todas chegam à mesma resposta: campos aninhados pousam achatados em colunas que a camada de modelagem consegue plotar. Isso é um fato, não 21 — listá-las aqui engordaria a página sem informar ninguém. Ferramentas de BI leem de um armazenamento que está na tabela acima; escolha o armazenamento primeiro.
Acesso antecipado
Esta página diz o que cada destino faz com seus dados. A Datrise faz isso por você: entidades modeladas, sincronização incremental, tabelas tipadas e nenhum script para vigiar. Entre na lista de espera e avisamos quando seu par de origem e destino estiver pronto.