Un feature que parecía un cambio de UI tiró abajo la base de datos en hora pico. Y lo hizo con apenas el 5% de los usuarios.
La idea era simple: mostrar reviews de un producto en su pantalla de detalle, justo cuando el usuario decide si comprarlo. El problema no estaba en la pantalla. Estaba en cómo habíamos guardado los datos años antes.
El problema: datos guardados para otra pregunta
Las reviews se habían modelado de forma transaccional. Cada review pertenecía a una orden, y la orden tenía varios productos adentro, todos mezclados en un array de entidades:
{
orderId: "ORD-001",
entities: [
{ type: "ORDER", id: "ORD-001" },
{ type: "STORE", id: "S-42" },
{ type: "PRODUCT", id: "P-7" },
{ type: "PRODUCT", id: "P-9" }
],
rating: 4,
comment: "Muy bueno, llegó frío",
createdAt: "2026-01-10T21:30:00Z"
}
Ese modelo respondía bien a una pregunta: “¿qué opinó el usuario de esta orden?”. Pero la pregunta nueva era otra: “¿qué opinan todos de este producto?”. Para contestarla había que buscar dentro del array con un operador como $all, filtrar por estado, fecha y comentario, y recién después ordenar.
A la tarde, con poco tráfico, anduvo bien. A la noche, con el pico, la base no aguantó y tuvimos que apagar el feature.
El primer intento: optimizar la query
La reacción natural fue optimizar:
- Simplificar la query.
- Mover algunos filtros a la aplicación.
- Correr una prueba de carga de nuevo.
-> No alcanzó. La query era más liviana, pero seguía peleando contra la forma de los datos.
Ahí está el aprendizaje principal: si el problema es el modelo, optimizar el código es un parche.
La solución: escribir pensando en cómo se va a leer
En vez de seguir puliendo la query, cambiamos el documento. Llevamos a la raíz los campos que se consultan, aunque eso duplique información:
{
orderId: "ORD-001",
entities: [ /* se mantiene para la vista por orden */ ],
rating: 4,
comment: "Muy bueno, llegó frío",
createdAt: "2026-01-10T21:30:00Z",
storeId: "S-42",
productIds: ["P-7", "P-9"],
hasComment: true
}
Y armamos un índice compuesto pensado para la consulta por producto:
{ storeId: 1, status: 1, productIds: 1, hasComment: 1, createdAt: -1 }
La query nueva filtra por campos planos e indexados, y el orden por fecha sale del mismo índice. Además, la vista por orden sigue funcionando como antes: cada patrón de acceso tiene lo que necesita sin pisar al otro.
Migrar sin frenar producción
Cambiar el modelo con datos vivos tiene su propio riesgo. El enfoque fue este:
- Los datos nuevos se escriben con el formato nuevo desde el primer día.
- Los datos viejos se reescriben por rangos de fechas, en tandas chicas, con jobs programados de madrugada para no competir con el tráfico.
- Una sola réplica se encarga de la migración, con un timeout más largo hacia la base, para que el resto de la app no se entere.
- Antes de salir, todo se valida con pruebas de carga sobre un entorno espejo con datos equivalentes a producción.
-> Resultado: el feature volvió a salir y soportó holgadamente el tráfico de hora pico.
Lo que me llevo
- La escala cambia las reglas. Un experimento al 5% puede ser más tráfico que el total de muchas plataformas. Probá la carga antes de prender cualquier feature, por chico que parezca.
- Optimizar tiene techo. Cuando el modelo no responde la pregunta que el producto hace, la solución está en el modelo.
- En bases documentales, duplicar datos no es pecado. Es una decisión: pagás un poco más en la escritura para que la lectura sea barata.
Checklist antes de sumar una vista nueva
- ¿Qué pregunta le hace esta vista a los datos?
- ¿El modelo actual la responde con un índice, o tiene que desarmar estructuras anidadas?
- ¿Cuánto tráfico va a recibir en el peor horario, no en el promedio?
- Si hay que cambiar el modelo, ¿cómo migrás sin frenar producción?