1. Documentos
1.1. Modelo de datos basado en documentos
1.2. Almacenan datos en documentos con estructuras complejas como JSON, BSON, XML, etc.
1.3. Alta escalabilidad
1.3.1. Pueden manejar grandes volúmenes de datos y distribuir la carga de trabajo en múltiples nodos sin degradación significativa del rendimiento.
1.4. Uso común en aplicaciones web
1.4.1. Debido a su flexibilidad, escalabilidad y capacidad para manejar datos, son populares en entornos donde se necesita almacenar y recuperar datos de manera rápida y eficiente
2. Grafos
2.1. Modelo de datos basado en grafos
2.1.1. Los datos se representan como nodos (vértices) y relaciones (bordes) entre esos nodo
2.2. Flexibilidad en la representación de datos
2.2.1. Permiten representar relaciones complejas entre entidades de manera natural.
2.3. Consultas altamente relacionales y eficientes
2.3.1. Están optimizadas para realizar consultas altamente relacionales y navegación eficiente a través de la estructura del grafo.
2.4. Casos de uso variados
2.4.1. Se utilizan en una amplia variedad de casos de uso, incluidas redes sociales, recomendación de contenido, detección de fraude, análisis de redes, gestión de conocimientos, sistemas de recomendación, entre otros.
3. Clave valor
3.1. Almacena datos como un conjunto de pares clave-valor.
3.1.1. Esta estructura simple permite un acceso rápido a los datos, ya que la base de datos solo necesita buscar la clave para recuperar el valor asociado.
3.2. Escalabilidad horizontal
3.2.1. Pueden escalar fácilmente agregando más nodos al sistema, lo que permite manejar grandes volúmenes de datos y cargas de trabajo distribuidas.
3.3. Flexibilidad de esquema
3.3.1. No imponen un esquema fijo a los datos, lo que permite almacenar diferentes tipos de datos sin necesidad de estructuras predefinidas.
3.4. No soportan consultas complejas
3.4.1. No se admiten consultas complejas que impliquen operaciones de unión o agregación. Están diseñadas principalmente para recuperar datos a través de claves específicas.
4. Columnas
4.1. Están diseñados específicamente para optimizar consultas analíticas y agregaciones sobre conjuntos de datos muy grandes
4.2. Almacenan datos de manera que cada columna se almacena de forma contigua en disco.
4.3. Compresión eficiente
4.3.1. Pueden aplicar técnicas de compresión específicas para cada columna, lo que puede reducir significativamente el espacio de almacenamiento necesario.
4.4. Partitioning optimizado
4.4.1. Pueden particionar datos por columnas, lo que permite una mejor distribución del almacenamiento y procesamiento en sistemas distribuidos.
4.5. Paralelización mejorada
4.5.1. Almacenar datos por columnas facilita la paralelización de consultas, ya que múltiples procesadores pueden trabajar en diferentes columnas simultáneamente.