-
Datos guardados en archivos simples sin gestión ni estructura formal. -
Los datos se almacenaban de manera secuencial
No existía un sistema centralizado de gestión de información
El acceso a los datos era manual y lineal
Se utilizaban tarjetas perforadas
Los errores humanos eran frecuentes
Cada programa debía saber dónde estaban los datos
No había independencia entre los datos
La redundancia de datos era muy alta
No existían estándares entre los datos y las aplicaciones
La redundancia de datos era muy alta
No existían estándares
Los archivos eran propietarios -
Los datos se organizaban en niveles jerárquicos
Cada registro hijo tenía un solo padre
El acceso a los datos era navegacional
La estructura era similar a un árbol invertido
Se usaban punteros físicos para enlazar registros
Ofrecía mayor rapidez en consultas simples
Los datos estaban estrechamente ligados a la estructura de almacenamiento
Cambiar la estructura era costoso y complejo
Se necesitaba programación específica para acceder a los datos
Ideal para procesos repetitivos y bien estructurados -
IBM desarrolla IMS para administrar grandes datos en estructuras jerárquicas. -
Permitía relaciones entre datos
Los registros estaban conectados mediante punteros
Los datos se organizaban en conjuntos y elementos
Cada conjunto tenía una entidad propietario
Ofrecía mayor flexibilidad estructural
El acceso era navegacional a través de conexiones predefinidas
Se necesitaban programadores expertos
Usaba lenguajes de definición de datos (DDL) y de manipulación (DML)
Era eficiente para relaciones complejas
Permitía recorrer redes de datos mediante punteros directos -
Se desarrolla el modelo de red para permitir relaciones más flexibles entre los datos que el modelo jerárquico. -
Codd introduce el modelo relacional, organizando datos en tablas revolucionarias. -
Los datos se organizan en tablas (relaciones)
Cada tabla contiene filas (tuplas) y columnas (atributos)
Se usan claves primarias y foráneas para relacionar tablas
Basado en teoría matemática sólida
Permite consultas declarativas mediante lenguajes como SQL
Introduce la independencia lógica y física de datos
Elimina la redundancia mediante normalización
Ofrece integridad referencial entre datos relacionados
Permite filtrar y combinar datos fácilmente
Es más flexible ante cambios estructurales -
IBM crea SEQUEL, precursor fundamental del actual lenguaje SQL. -
Fue desarrollado por IBM
Permitía consultar datos usando lenguaje cercano al inglés
Simplificó el acceso a los datos sin necesidad de programación compleja
Introdujo el concepto de consultas declarativas
Inspirado directamente en el modelo relacional de Codd
Primer lenguaje diseñado para bases
Usaba comandos como SELECT, FROM, WHERE, similares al SQL actual
Permitía crear, modificar y eliminar tablas
Mejoró la accesibilidad de los datos para usuarios
Fue el precursor del lenguaje SQL -
Propone representar la información
Usa diagramas gráficos para visualizar la estructura
Cada entidad representa un objeto real o concepto
Las relaciones muestran cómo interactúan las entidades
Introdujo los conceptos de atributos y cardinalidades
Es un modelo conceptual, independiente del sistema físico
Facilita el diseño lógico de bases relacionales
Sirve como puente entre analistas y programadores
Mejora la comprensión visual del modelo de datos
Reduce errores en el diseño de bases complejas -
Peter Chen crea el modelo ER para diseñar bases relacionales. -
Oracle crea la primera base de datos comercial basada en SQL. -
Fue el primer SGBD comercial basado totalmente en SQL
Compatible con el modelo relacional de Codd
Desarrollado originalmente en lenguaje Assembly y PL/SQL
Permitía consultas interactivas mediante SQL
Orientado a entornos empresariales
Introdujo transacciones y recuperación ante fallos
Incorporó seguridad de acceso mediante usuarios y roles
Funcionaba en sistemas operativos como VAX y UNIX
Soportaba procesamiento multiusuario
Permitía administrar grandes volúmenes de datos corporativos -
Se consolidaron los RDBMS
Implementaban completamente el modelo de Codd
SQL se convirtió en el lenguaje universal de consulta
Introdujeron interfaces gráficas básicas para administración
Soportaban transacciones ACID de manera robusta
Ampliaron el uso empresarial de las bases de datos
Comenzaron a surgir los clientes y servidores separados
Se mejoraron los índices y motores de búsqueda
Se introdujo la optimización de consultas automáticas
Soportaban usuarios concurrentes con control de bloqueos -
Grandes empresas impulsan bases relacionales y surgen bases orientadas a objetos. -
Oracle y IBM lanzan pioneras bases de datos relacionales comerciales. -
Implementación robusta del modelo relacional
Soporte avanzado de SQL
Optimización para transacciones de alto volumen
Integración nativa con sistemas operativos de IBM
Soporte para recuperación ante fallos y logging
Herramientas administrativas y utilidades para DBAs
Mecanismos de seguridad con usuarios, roles y permisos
Índices y estructuras de almacenamiento optimizadas para rendimiento
Capacidad para procesamiento en lote y OLTP
Soporte para particionamiento y gestión de grandes tablas -
Surgen bases que integran objetos y almacenamiento de datos eficientes. -
Almacenan objetos directamente
Soportan conceptos de OOP
Integración cercana con lenguajes orientados a objetos
Eliminan el “impedance mismatch”
Manejan tipos de datos complejos
Soportan relaciones y enlaces directos entre objetos
Persistencia transparente de objetos para el desarrollador
Consultas orientadas a objetos y APIs en lugar de SQL tradicional
Control fino de versiones y concurrencia a nivel objeto
Mejor rendimiento en modelos con estructuras complejas y jerárquicas -
Microsoft democratiza bases de datos y se estandariza SQL internacionalmente. -
Publicación de una versión ampliamente aceptada del estándar SQL por ANSI/ISO
Estableció una base común para interoperabilidad
Definió sintaxis y semántica para operaciones básicas
Introdujo reglas para tipos de datos
Estableció normas para integridad referencial
Normalizó el comportamiento de joins
Definición de vistas como objeto lógico reutilizable
Especificación de transacciones
Favoreció la portabilidad de aplicaciones entre distintos RDBMS
Inclusión de funciones agregadas -
Transición masiva a arquitecturas cliente-servidor separando UI y datos
Conexión de bases de datos a aplicaciones web dinámicas
Aparición y adopción de motores open source
Protocolos y controladores facilitan conectividad
Soporte para concurrencia de usuarios remotos vía red
Nacimiento de aplicaciones web
Uso de CGI, PHP, ASP y otras tecnologías para
Emergen patrones de tres capas
Mejora en herramientas de administración remota de bases de datos
Aumento de la demanda por rendimiento -
Internet impulsa bases de datos web como MySQL y PostgreSQL. -
Se popularizan bases XML para gestionar datos semiestructurados estandarizados. -
Introducción del formato XML como estándar de intercambio de datos
Capacidad para manejar datos no completamente estructurados
Integración con aplicaciones web mediante XML y XQuery
Estructuras jerárquicas en lugar de tablas planas
Ideal para documentos, configuraciones y datos flexibles
Uso extendido en servicios web
Permite validación de datos mediante DTD o XML
Facilita la interoperabilidad entre distintos sistemas
Mejora la comunicación entre plataformas
Uso de bases como eXistDB o BaseX -
Nacen bases NoSQL orientadas a documentos, columnas, grafos y claves-valor. -
Surgen bases como MongoDB, Cassandra, Redis, CouchDB
No utilizan estrictamente el modelo relacional
Escalabilidad horizontal como principal ventaja
Soporte para grandes volúmenes de datos no estructurados
Eliminación de las restricciones de ACID en algunos casos
Se enfocan en alta disponibilidad y rendimiento
Modelos: documento, grafo, clave-valor y columna
MongoDB lidera el enfoque orientado a documentos
Cassandra ofrece escritura masiva distribuida
Neo4j domina el enfoque orientado a grafos -
Surgen servicios en la nube para almacenar y gestionar datos. -
Introducción de Amazon RDS y Google Cloud SQL
Se populariza el concepto “Database as a Service” (DBaaS)
Escalabilidad dinámica bajo demanda
Reducción de costos de infraestructura
Mantenimiento y parches automáticos
Acceso remoto desde cualquier parte del mundo
Seguridad administrada por el proveedor
Modelos de pago por uso
Integración con servicios de análisis y almacenamiento
Compatibilidad con SQL y NoSQL -
Hadoop y Spark gestionan grandes volúmenes de datos distribuidos eficientemente. -
Nace la era del Big Data
Se desarrollan sistemas como Hadoop y Spark
Capacidad para procesar grandes volúmenes de datos distribuidos
Uso de clústeres de servidores para almacenar y analizar datos
Se prioriza la escalabilidad horizontal
Introducción del paradigma MapReduce
Soporte para datos estructurados, semiestructurados y no estructurados
Enfoque en análisis de datos en tiempo real
Integración con herramientas de machine learning
Alta tolerancia a fallos -
NewSQL une consistencia relacional con alto rendimiento de NoSQL. -
Combinan lo mejor de SQL y NoSQL
Mantienen la consistencia ACID de los modelos relacionales
Ofrecen el rendimiento y escalabilidad de NoSQL
Google Spanner se convierte en el referente
Uso de transacciones distribuidas eficientes
Enfoque en escalabilidad global
Soporte para consultas SQL tradicionales
Diseñadas para entornos de nube
Requieren menos mantenimiento que RDBMS clásicos
Bajan la latencia en sistemas transaccionales -
Bases multimodelo integran documento, grafo y relacional en un sistema. -
Soportan varios modelos de datos en un mismo motor
Ejemplos: ArangoDB, OrientDB, Couchbase
Permiten combinar documentos, grafos y tablas relacionales
Reducen la necesidad de múltiples bases especializadas
Flexibles para distintos tipos de aplicaciones
Optimizan el almacenamiento y la recuperación de datos
Usadas en análisis complejos y redes sociales
Soporte para lenguaje de consultas múltiples
Mejor integración con APIs y microservicios
Eficiencia en proyectos con datos heterogéneos -
Bases se adaptan para integrarse con aprendizaje automático y análisis. -
Integran funciones de machine learning directamente en el motor
Capaces de análisis predictivo sin herramientas externas
Soportan procesamiento en tiempo real
Se optimizan para entrenar modelos de IA
Aumenta la velocidad de toma de decisiones
Soporte nativo para Python, R y TensorFlow
Uso en analítica avanzada y automatización
Pueden predecir fallas, fraudes o comportamientos
Escalabilidad automática con cargas de IA
Integración con plataformas de nube híbrida -
Bases autónomas con IA gestionan, optimizan y protegen datos automáticamente. -
Administradas por inteligencia artificial
Pueden autogestionarse sin intervención humana
Detectan y corrigen errores automáticamente
Optimizan consultas en tiempo real
Se ajustan al rendimiento según uso
Autoprotección ante ciberataques y fallos
Oracle Autonomous Database como líder del sector
Se basan en aprendizaje continuo
Integran analítica predictiva avanzada
Se autoescalan según la demanda