Avaliações e Detalhes do Produto MongoDB Atlas

O Performance Advisor fornece insights úteis sobre o desempenho das consultas. As informações de uso do índice também oferecem uma visão clara de como nosso código de aplicação está usando os índices, o que facilita a compreensão e a melhoria do desempenho geral. Análise coletada por e hospedada no G2.com.

Os IOPS de DISCO não são claros porque dependem de várias infraestruturas de backend. Tenho experiência com AWS ENI, e no meu caso não era óbvio como os IOPS de DISCO se comportariam ou o que esperar. Análise coletada por e hospedada no G2.com.

O MongoDB Atlas facilitou a obtenção de um banco de dados totalmente gerenciado em funcionamento para um projeto pessoal sem se preocupar com a manutenção do servidor ou configuração manual, o que foi importante, já que este era um projeto paralelo sem orçamento dedicado para infraestrutura. Armazenar registros de despesas e saldos como documentos flexíveis se encaixou naturalmente com a forma como os dados de divisão de contas entre colegas de quarto estavam estruturados, sem a necessidade de projetar um esquema relacional rígido desde o início. O nível gratuito cobriu tudo o que era necessário para uma pequena base de usuários, tornando o ROI excelente, e o processo de configuração combinado com documentação clara significou que eu estava produtivo em pouco tempo sem precisar de suporte pago. Análise coletada por e hospedada no G2.com.

Como é um serviço de nuvem gerenciado, há menos controle sobre o ajuste fino do desempenho no nível da infraestrutura em comparação com a hospedagem própria, embora isso não tenha sido um problema real na pequena escala deste projeto. Alguns dos recursos mais avançados de consulta e agregação têm uma curva de aprendizado se você está acostumado a bancos de dados relacionais e sintaxe SQL. Também não há otimização de consultas assistida por IA embutida, então entender indexação e ajuste de desempenho dependeu de pesquisa manual em vez de qualquer orientação inteligente da própria plataforma. Análise coletada por e hospedada no G2.com.

A coisa mais útil que encontrei é na verdade um recurso muito básico, mas que realmente me salvou. Quando estava realizando uma migração em um ambiente de cliente na minha empresa, eu tinha que acompanhar constantemente em qual banco de dados/conexão eu estava trabalhando. O MongoDB Atlas permite que você codifique conexões por cores, para que eu possa imediatamente dizer: "Ok, estou neste DB/nesta conexão", sem me questionar.

Outra coisa que gosto no MongoDB Atlas é como é fácil de usar com Node.js, Python, Golang e outras linguagens. Eles também fornecem monitoramento automático, para que eu possa ver coisas como uso de CPU, e há escalonamento automático em vigor. Isso significa que não preciso me preocupar tanto se estou lidando com o número certo de usuários ou se a configuração está dimensionada corretamente.

Mais um ponto: minha empresa usa tanto o AlloyDB quanto o MongoDB, então temos dados em ambos os lugares. Por causa disso, tem sido bastante fácil integrar e trabalhar entre eles. Eu também trabalho em uma multinacional onde construímos muitos agentes de IA, e os recursos do MongoDB para embeddings de fragmentos e pesquisa vetorial têm sido úteis. Acredito que esses estão na versão paga, não na gratuita, mas usá-los reduziu muito o vai e vem entre bancos de dados para nós, já que o MongoDB pode efetivamente funcionar como um banco de dados vetorial também.

Sobre preços, tenho alguns problemas. Estávamos usando a integração VertexAI, mas agora podemos ver que a integração Voyage AI é mais barata no MongoDB, então temos que migrar. Durante a migração, direi que é conveniente que haja muitos comandos que posso executar para mover dados diretamente, como mongodump e ferramentas semelhantes.

Quanto ao suporte, nunca realmente enfrentei problemas que o exigissem, então não tive a chance de contatar a equipe Atlas. No meu caso, isso geralmente é tratado pela nossa pessoa de DevOps. Análise coletada por e hospedada no G2.com.

Eu não consegui a integração gratuita do banco de dados vetorial que eu esperava. Eu realmente gostaria de algum tipo de esquema educacional onde eu pudesse usar o banco de dados vetorial sem pagar, mas isso parece não existir agora, e isso é uma desvantagem para mim. Análise coletada por e hospedada no G2.com.

Muito rápido, eficiente em rede e acessível. É fácil de usar e integra-se perfeitamente com aplicações e APIs existentes. A documentação do desenvolvedor é clara e o suporte está prontamente disponível quando necessário. Também gosto dos recursos de IA adicionados para análise de dados otimizada e pesquisa adicional sobre meus dados. Análise coletada por e hospedada no G2.com.

A forma como os dados são segregados cria muita fragmentação, o que torna difícil alternar entre projetos, clusters, bancos de dados e coleções quando estou tentando criar dados ou simplesmente encontrar o que preciso. Análise coletada por e hospedada no G2.com.

Eu uso o MongoDB Atlas para armazenar dados para minha startup, e acho que ser uma solução baseada em nuvem torna muito fácil escalar e operacionalizar. É flexível e ágil como um produto SaaS, e posso ligá-lo e desligá-lo com bastante facilidade. Estou satisfeito com a experiência geral porque há muito que eles oferecem, até mais do que estou usando atualmente. Também comecei do zero com o MongoDB Atlas, e foi bastante fácil começar, especialmente com o plano gratuito, que mostra o quão poderoso o produto é. Isso me faz querer fazer um upgrade para habilitar mais recursos. Além disso, foi benéfico saber que um colega já o havia usado antes, o que me tranquilizou, e achei a configuração inicial muito fácil. Análise coletada por e hospedada no G2.com.

N/A Análise coletada por e hospedada no G2.com.

O melhor do MongoDB é seu esquema de documentos flexível que me permite armazenar dados semelhantes a JSON sem estruturas de tabelas rígidas, perfeito para meu trabalho de analista de dados. O MongoDB oferece velocidades de recuperação de dados em tempo real abaixo de 100ms, tornando-o incrivelmente rápido para consultar e analisar grandes conjuntos de dados. A escalabilidade horizontal através de sharding me permite lidar facilmente com volumes crescentes de dados sem quedas de desempenho, o que é essencial para sistemas de gerenciamento de dados de eventos. O modelo de documento JSON/BSON nativo do MongoDB significa que posso trabalhar com dados no mesmo formato que uso no meu código, eliminando dores de cabeça com conversões e aumentando a produtividade do desenvolvedor. Consultas ad-hoc ricas, indexação poderosa e pipelines de agregação integrados me permitem realizar análises complexas em tempo real e transformações de dados diretamente no banco de dados. Análise coletada por e hospedada no G2.com.

Uma coisa que não gosto no MongoDB é que ele não suporta transações ACID multi-documento de forma tão robusta quanto os bancos de dados SQL tradicionais, o que pode ser problemático para aplicações que exigem forte consistência em múltiplas operações. O uso de memória do MongoDB pode ser bastante alto, já que ele depende muito da RAM para cache e desempenho, exigindo mais recursos de infraestrutura em comparação com alguns outros bancos de dados. A falta de joins nativos significa que muitas vezes tenho que lidar com relacionamentos de dados no código da aplicação em vez de no nível do banco de dados, o que adiciona complexidade às consultas e pode impactar o desempenho. Além disso, a duplicação de dados é comum no MongoDB devido ao seu modelo de documento desnormalizado, levando a requisitos de armazenamento aumentados e potenciais desafios de consistência de dados ao atualizar campos duplicados em múltiplos documentos. Análise coletada por e hospedada no G2.com.

É como a estrutura baseada em documentos é flexível para lidar com dados reais de projetos. Eu a uso em projetos de backend em Node.js, onde armazenar dados semelhantes a JSON diretamente como documentos torna o desenvolvimento muito mais rápido em comparação com bancos de dados relacionais tradicionais. Adicionar novos campos ou atualizar esquemas é simples, então não preciso redesenhar tabelas toda vez que os requisitos mudam. O desempenho também é muito bom para operações de leitura e escrita em aplicações web menores e APIs. Integrei-o com o Auth0 para gerenciar dados de usuários após a autenticação e o fluxo de trabalho parece suave. A integração com o MongoDB Atlas foi direta, e conectar bancos de dados a aplicações levou apenas alguns minutos. No geral, isso me ajudou a construir e escalar projetos de backend mais rapidamente com menos complexidade na gestão de bancos de dados. Análise coletada por e hospedada no G2.com.

É que gerenciar relações complexas entre dados pode se tornar difícil em comparação com bancos de dados SQL. Em um dos meus projetos de backend, lidar com dados de usuários e tarefas profundamente conectados exigiu consultas extras e estruturação manual. Também notei que, se os índices não forem configurados corretamente, o desempenho das consultas pode diminuir à medida que o banco de dados cresce. O MongoDB Atlas é fácil de começar, mas os preços aumentam rapidamente quando o armazenamento e o uso escalam. Depurar pipelines de agregação também pode se tornar confuso para consultas mais avançadas. No geral, funciona muito bem para estruturas de dados flexíveis, mas o manuseio de dados complexos e a escalabilidade precisam de um gerenciamento cuidadoso. Análise coletada por e hospedada no G2.com.

Eu uso principalmente o MongoDB Atlas como banco de dados em nuvem para meus projetos web e pequenas aplicações full-stack. Gosto de como é simples criar um cluster e conectá-lo aos meus aplicativos Node.js com o Mongoose. Isso tem ajudado muito com a implantação e o gerenciamento diário do banco de dados, proporcionando um ambiente consistente e confiável que posso acessar de qualquer lugar.

Também aprecio não ter que gerenciar servidores por conta própria ou lidar com backups manualmente. Além disso, a abordagem sem esquema torna as atualizações mais simples do que com bancos de dados mais estruturados. Eu realmente valorizo a flexibilidade do esquema de documentos para necessidades de desenvolvimento imprevisíveis, já que me permite reorganizar dados sem lidar com tabelas relacionais tradicionais. No geral, o modelo de documento me poupa muito tempo de desenvolvimento porque posso adicionar novos campos e ajustar como a informação é armazenada sem reestruturar o banco de dados repetidamente. Análise coletada por e hospedada no G2.com.

Para um projeto pessoal é ótimo, mas quando tenho que implementar um cluster dedicado para um projeto de cliente, o salto de M0 para M10 é bastante grande em termos de preço. Também sinto que sempre que tento executar uma consulta analítica profunda ou tentar unir várias tabelas, as coisas ficam complicadas, e também pode ser muito pesado para o cluster de CPU se meus índices não estiverem perfeitamente otimizados. Análise coletada por e hospedada no G2.com.

Eu uso principalmente o MongoDB Atlas para meu banco de dados em nuvem em projetos web e pequenas aplicações full-stack. Eu gosto de como é fácil criar um cluster e integrar com minhas aplicações Node.js usando Mongoose. O MongoDB Atlas me ajudou significativamente com a implantação e gerenciamento de banco de dados, proporcionando um ambiente consistente e disponível de qualquer local. Eu gosto que ele me permite parar de gerenciar o servidor e lidar com backups manualmente. A natureza sem esquema torna mais simples lidar com atualizações em comparação com bancos de dados estruturados. Eu realmente aprecio a flexibilidade do esquema de documentos, que atende a necessidades imprevisíveis no desenvolvimento, tornando mais fácil reorganizar o banco de dados sem lidar com tabelas relacionais tradicionais. O modelo de documento flexível me economiza muito tempo de desenvolvimento, permitindo adicionar novos campos facilmente e mudar como a informação é armazenada, sem precisar reestruturar o banco de dados repetidamente. Análise coletada por e hospedada no G2.com.

O painel pode ser um pouco avassalador se você não tiver um conhecimento prático de bancos de dados em nuvem. Existem áreas como clusters, métricas, configuração de rede, backup e segurança. Eu tive que consultar frequentemente a documentação para entender qual configuração específica precisava ser alterada. As mensagens de erro não revelavam muito, então acabou sendo mais uma configuração de solução de problemas do que o backend. Análise coletada por e hospedada no G2.com.

O que eu mais gosto no MongoDB é o quanto ele acelera o desenvolvimento no mundo real sem atrapalhar.

Do ponto de vista do fluxo de trabalho diário, o modelo de documento é a maior vantagem. Eu armazeno dados na mesma estrutura aninhada que minhas APIs retornam, então não perco tempo juntando tabelas ou remodelando respostas. Isso por si só economiza horas ao construir ou modificar endpoints.

O pipeline de agregação é algo que uso regularmente para dashboards e análises. Em vez de escrever lógica extra no backend, eu lido com filtragem, agrupamento e transformações diretamente no banco de dados, o que mantém meu código mais limpo e rápido.

No lado de UI/UX, o MongoDB Compass e o Atlas fazem a diferença. Poder inspecionar documentos visualmente, testar consultas e gerenciar índices economiza muito tempo de depuração em comparação com fluxos de trabalho baseados puramente em CLI.

Em termos de desempenho, a indexação adequada (especialmente índices compostos) melhorou significativamente as velocidades de consulta nos meus aplicativos, muitas vezes transformando endpoints lentos em respostas quase instantâneas.

Um benefício inesperado tem sido o quão bem ele lida com mudanças rápidas de produto. Posso lançar funcionalidades sem me prender a um esquema rígido desde o início, o que tornou a iteração muito mais rápida e reduziu o retrabalho.

No geral, melhorou meu fluxo de trabalho ao reduzir o código boilerplate, simplificar o manuseio de dados e me permitir mover mais rapidamente da ideia à produção. Análise coletada por e hospedada no G2.com.

O que eu não gosto no MongoDB aparece principalmente à medida que o projeto cresce.

O maior problema é a inconsistência de esquema. Como a validação não é rigorosa por padrão, as coleções podem acabar com estruturas de documentos misturadas. Isso já me causou bugs em produção porque diferentes registros não seguem o mesmo formato. Eu geralmente corrijo isso com Mongoose ou validação personalizada, mas isso adiciona complexidade extra. Uma aplicação mais forte e opinativa de esquemas desde o início ajudaria.

Lidar com relacionamentos é outro ponto fraco. $lookup funciona, mas não é tão limpo ou eficiente quanto as junções SQL para relações complexas. Em alguns casos, tive que duplicar dados ou reestruturar coisas, o que aumenta a sobrecarga de manutenção. Uma maneira mais otimizada e amigável para desenvolvedores de lidar com relações melhoraria isso.

No lado da interface do usuário, ferramentas como o Compass são úteis, mas podem parecer lentas ou limitadas ao trabalhar com grandes conjuntos de dados. Consultar e explorar grandes coleções nem sempre é suave. Melhor desempenho e ferramentas de depuração mais avançadas fariam diferença.

O preço também pode se tornar uma preocupação com o MongoDB Atlas à medida que o uso escala. Os custos aumentam rapidamente com armazenamento e operações, o que impacta o ROI para projetos menores. Sugestões de otimização de custos mais transparentes ajudariam os desenvolvedores a gerenciar isso melhor.

No geral, esses problemas não bloqueiam o uso, mas adicionam atrito à medida que o sistema escala. Análise coletada por e hospedada no G2.com.