Construcción de un almacén de datos en la nube con Amazon Redshift - Elección entre Serverless y RA3

Conozca los criterios para elegir entre clústeres Serverless y RA3 provisionados, y cómo prevenir silos de datos mediante el uso compartido de datos y la integración con data lakes a través de Spectrum.

Unos 8 min de lecturaÚltima actualización: 2026-10-29

Descripción general de la arquitectura de Redshift

Redshift es un almacén de datos en la nube basado en almacenamiento columnar y una arquitectura de procesamiento masivamente paralelo (MPP). El almacenamiento columnar lee solo las columnas necesarias para las consultas analíticas, reduciendo drásticamente la E/S en comparación con los sistemas RDBMS orientados a filas. El nodo líder se encarga del análisis de consultas y la generación de planes de ejecución, mientras que los nodos de cómputo realizan el procesamiento paralelo de datos. Las instancias RA3 separan el cómputo del almacenamiento, con los datos almacenados en Redshift Managed Storage (RMS) basado en S3. Los datos de acceso frecuente se almacenan en caché en SSD locales, por lo que no es necesario preocuparse por la latencia de lectura desde S3.

Elección entre Serverless y clústeres provisionados

Redshift Serverless escala automáticamente la capacidad en incrementos de RPU (Redshift Processing Unit) y no genera costos cuando no se ejecutan consultas. Es ideal para cargas de trabajo intermitentes como consultas periódicas de paneles de BI, análisis ad-hoc y entornos de desarrollo y pruebas. Por otro lado, los clústeres provisionados (RA3) son adecuados para cargas de trabajo que funcionan de forma continua. En entornos de producción con ejecución continua de consultas las 24 horas, la combinación de clústeres provisionados con instancias reservadas tiene un costo menor que Serverless. Como referencia, si el tiempo diario de ejecución de consultas es menos de 8 horas, Serverless tiene ventaja; si es al menos 8 horas, la tienen los clústeres provisionados RA3.

Uso compartido de datos e integración con data lakes mediante Spectrum

El uso compartido de datos es una función que permite compartir datos en vivo en tiempo real entre clústeres de Redshift. Un clúster productor crea un recurso compartido de datos y un clúster consumidor lo referencia. No se produce copia de datos y el consumidor siempre ve los datos más recientes del productor. Esto es efectivo cuando los departamentos operan clústeres independientes pero necesitan compartir datos maestros comunes. Redshift Spectrum permite ejecutar consultas SQL directamente sobre datos almacenados en S3. Combinado con formatos columnares como Parquet u ORC, puede analizar data lakes a escala de petabytes sin cargar datos en Redshift. Utilizando el Glue Data Catalog como almacén de metadatos, tanto Redshift como Athena pueden consultar las mismas definiciones de tablas.

Precios de Redshift

Redshift Serverless se factura según el uso de RPU (Redshift Processing Unit), con una capacidad base configurable a partir de 8 RPU y un costo aproximado de USD 0.375 por hora de RPU (a fecha de agosto de 2026). No se aplican cargos cuando no se ejecutan consultas. Para clústeres provisionados, RA3.xlplus cuesta aproximadamente USD 1.086 por nodo por hora (alrededor de USD 782/mes), con descuentos de instancias reservadas de hasta el 64%. Redshift Managed Storage cuesta aproximadamente USD 0.024 por GB al mes. Con una ejecución diaria de consultas de menos de 8 horas, Serverless tiene ventaja; con un funcionamiento continuo de al menos 8 horas, la tienen los clústeres provisionados RA3.

Diseño de tablas y rendimiento

El rendimiento de Redshift depende en gran medida del diseño de las tablas. Los puntos clave son el estilo de distribución, que decide cómo repartir los datos entre los nodos, y el diseño de la ordenación, que decide en qué orden colocar los datos. Si distribuye por la misma clave las tablas que combina con frecuencia, el movimiento de datos entre nodos disminuye y las combinaciones se aceleran. Si ordena por las columnas que usa con frecuencia para filtrar, puede evitar leer datos innecesarios. Los datos se comprimen automáticamente, lo que reduce el almacenamiento y el volumen de lectura. Diseñar la distribución y la ordenación según sus patrones de consulta es la clave de un almacén de datos que responde con rapidez incluso con grandes volúmenes de datos.

Carga y transformación de datos

La forma básica de cargar datos en Redshift es la carga masiva desde S3, que permite ingerirlos en paralelo con eficiencia. Si adopta un enfoque ELT que realiza las transformaciones dentro del almacén de datos, puede procesar grandes volúmenes de datos aprovechando su gran capacidad de procesamiento. Si convierte las agregaciones que ejecuta con frecuencia en vistas materializadas, que calculan y guardan los resultados de antemano, puede acelerar las consultas repetidas. También hay una función que ajusta automáticamente la optimización de las tablas, con la que puede reducir el esfuerzo de operación. Diseñar un flujo que ingiera los datos sin procesar y les dé dentro del almacén una forma fácil de analizar eleva la eficiencia del aprovechamiento de los datos.

Concurrencia y gestión de cargas de trabajo

En entornos donde muchos usuarios ejecutan consultas al mismo tiempo, el rendimiento suele bajar por la competencia por los recursos. Redshift cuenta con un mecanismo que amplía temporalmente la capacidad de procesamiento cuando aumenta la concurrencia, de modo que mantiene la capacidad de respuesta incluso en los momentos de congestión. Con la función de gestión de cargas de trabajo, puede repartir las consultas en colas según su importancia o tipo y controlar la asignación de recursos. Si da prioridad a las consultas ligeras que terminan en poco tiempo, puede evitar que esperen detrás de las consultas pesadas. Asignar los recursos de forma adecuada según las características de los usuarios y de los trabajos conduce a una operación que usa los recursos de cómputo limitados de manera equitativa y eficiente.

Seguridad y gobernanza

Como en un almacén de datos se reúnen los datos importantes de la organización, la protección y la gestión del acceso son imprescindibles. Cifre los datos almacenados y las comunicaciones, coloque el clúster dentro de una VPC y controle la red. Si concede los permisos de acceso según los roles y limita el alcance visible a nivel de columna o de fila, puede cambiar lo que ve cada usuario incluso en la misma tabla. También puede proteger las columnas sensibles mediante el enmascaramiento. Registre quién accedió a qué datos para poder auditarlo. Si aplica una gestión de permisos coherente también al integrarse con un data lake, puede lograr una gobernanza de datos bien controlada en toda la organización.

Resumen

Redshift es un almacén de datos en la nube que ofrece análisis de alto rendimiento sobre datos a escala de petabytes. Un enfoque gradual de comenzar con Serverless y migrar a clústeres provisionados a medida que crecen las cargas de trabajo es efectivo. Aprovechando el uso compartido de datos y Spectrum, puede prevenir silos de datos y lograr análisis unificado en todo su data lake.

Referencias (recursos oficiales de AWS)

Las fuentes primarias de esta página son el sitio web y la documentación oficiales de AWS. Consulta las páginas oficiales siguientes para conocer las especificaciones y los precios más recientes.

Si esta página y la documentación oficial difieren, prevalece la documentación oficial.

Uso práctico de Amazon Quick - Casos de uso por departamento y patrones de diseño para la automatización de flujos de trabajoPresentamos de forma concreta escenarios de uso para cada departamento, como ventas / TI / finanzas, y patrones de diseño de flujos de trabajo de notificación / aprobación / varias etapas con Quick Flows.Visualización de dashboards BI - Plataforma de decisiones basada en datos con Amazon Quick SightExplicamos la construcción de dashboards BI interactivos con Amazon Quick Sight (antes Amazon QuickSight) y una plataforma de análisis de datos serverless con integración Athena. Presentamos la visualización de alta velocidad con el motor SPICE y métodos prácticos para compartir insights en toda la organización.Construcción de redes blockchain - Amazon Managed Blockchain y la migración desde QLDB (descontinuado)Explicamos la construcción de redes blockchain con Amazon Managed Blockchain, el papel de Amazon QLDB (descontinuado el 31-07-2025) y su ruta oficial de migración a Aurora PostgreSQL.Colaboración de datos con preservación de privacidad con AWS Clean RoomsEjecute análisis conjuntos entre múltiples empresas sin compartir ni copiar datos. Aprenda sobre reglas de agregación para prevenir la identificación individual y Cryptographic Computing para análisis cifrado.Unificación de identidades de clientes - Cotejo de datos de clientes dispersos con AWS Entity ResolutionSe explica el cotejo de registros de datos de clientes (resolución de entidades) con AWS Entity Resolution. Se presentan los tres flujos de trabajo de coincidencia (basado en reglas, basado en ML y basado en servicios de proveedores), el mapeo de ID, los precios, la protección de la privacidad y la integración con Clean Rooms.Aprovechamiento de datos de terceros con AWS Data Exchange - Adquisición de datos y gestión de suscripcionesSe adquieren productos de datos de terceros a través de Marketplace y se construye un pipeline de entrega automática a S3. También se presentan métodos para convertir en productos y monetizar los datos propios.Construcción de un data lake con Amazon S3 y Lake Formation - Patrones de diseño y gobernanzaSe presentan patrones de diseño de data lake que usan S3 como base de almacenamiento y logran un control de acceso detallado con Lake Formation. También se explican los pipelines ETL y la optimización de costes.Gobernanza de data lake - Control de acceso centralizado con AWS Lake FormationConstrucción, control de acceso y gobernanza de data lake con AWS Lake Formation. Gestión granular de permisos a nivel de columna y fila para data lakes basados en S3, e integración con Glue y Athena.