Gestión de Base de Datos — Laboratorio interactivo
Una registra lo que pasa ahora. La otra explica lo que pasó. Tocá los paneles de abajo y mirá el reloj: la diferencia entre OLTP y OLAP no es teoría, es tiempo de respuesta.
Ir a la demo en vivo ↓01 — Los dos mundos
Procesa operaciones cortas y frecuentes del día a día del negocio: una venta, una reserva, un pago. Prioriza velocidad y consistencia por sobre todo.
Ejemplo: un punto de venta, un cajero automático.
Analiza grandes volúmenes de datos históricos para responder preguntas de negocio: tendencias, comparaciones, pronósticos.
Ejemplo: un tablero de ventas por región y período.
02 — Cómo se conectan
Lo que se registra en un sistema OLTP eventualmente viaja —vía un proceso de ETL— hacia un Data Warehouse, donde se vuelve materia prima para el análisis OLAP. Mirá el flujo:
03 — Probalo vos
Completá el formulario y mandalo. Es una transacción real contra la base de datos: un INSERT, un solo registro. Mirá cuánto tarda.
Últimas ventas registradas
Todavía no registraste ninguna venta.
04 — Ahora el análisis
Elegí un tipo de análisis. Esta vez no insertamos nada: recorremos y agregamos todas las filas de la tabla con GROUP BY. Compará el tiempo contra el de la transacción anterior.
Ventas totales por categoría
Elegí un tipo de análisis para ver el resultado.
05 — Resumen
| Aspecto | OLTP | OLAP |
|---|---|---|
| Objetivo | Procesar transacciones diarias | Analizar datos históricos |
| Operaciones típicas | INSERT, UPDATE, DELETE | SELECT con agregaciones |
| Usuarios | Empleados, sistemas operativos | Analistas, gerentes |
| Modelo de datos | Normalizado (3FN) | Desnormalizado (estrella / copo de nieve) |
| Volumen por operación | Pocos registros | Millones de registros |
| Tiempo de respuesta | Milisegundos | Segundos |
| Actualización | En tiempo real | Por lotes (ETL) |
| Ejemplo | Punto de venta | Data Warehouse / BI |
06 — En la práctica
Cada compra, calificación o cambio de stock en Mercado Libre lo procesa un sistema OLTP: tiene que responder en milisegundos y no puede perder consistencia con miles de usuarios comprando al mismo tiempo.
Esos mismos datos, ya registrados, se consolidan cada cierto tiempo en un Data Warehouse mediante procesos ETL. Ahí, herramientas OLAP responden preguntas como qué categorías crecieron más este trimestre o qué provincias tienen más devoluciones — cruzando millones de registros históricos sin tocar la base que sostiene las compras en vivo.
Si esas consultas pesadas corrieran sobre la misma base transaccional, el sitio se pondría lento para todos los que están comprando en ese momento. Por eso ambos mundos existen, y por eso se mantienen separados.