Bases de datos

Bases de datos para practicar: 13 datasets gratis para descargar

Una base de datos para practicar es un conjunto de datos gratuito, con autor conocido y licencia clara, que se descarga para aprender a consultar, limpiar y analizar información. Aquí hay 13, desde los clásicos Sakila, Northwind y Chinook hasta las pruebas Saber 11 y el censo colombiano de 2018, con filas, formato y licencia verificados.

Por Jhon Mosquera19 oct 202619 min de lectura

Última actualización: 2026-10-19

Contenido de esta página

Lo llamaré Camilo, y su caso está armado con situaciones que se repiten en cualquier convocatoria de analista junior. Acaba de terminar un tecnólogo en sistemas en Bucaramanga. Durante un mes practicó con una «base de datos gratis» que bajó de un blog: una hoja con 200 clientes inventados, sin autor, sin fecha y sin licencia.

En la entrevista le preguntan qué base de datos domina. Responde que MySQL, el motor que instaló para practicar. Entonces le piden que cuente qué le preguntó a sus datos y qué encontró. No tiene nada que contar, porque 200 nombres inventados no esconden ninguna pregunta.

A Camilo no le faltaron horas de práctica. Le faltaron buenos datos.

Practicar bien exige datos con dueño: alguien que los produjo, un permiso escrito que diga qué se puede hacer con ellos y suficientes filas para que aparezcan preguntas de verdad. Este catálogo reúne trece conjuntos así. Van desde los clásicos que los fabricantes de motores publican para enseñar hasta los resultados de las pruebas Saber 11 del ICFES, el instituto que evalúa la educación en Colombia. También incluye el censo del DANE, la entidad oficial de estadística. Para cada uno verá qué trae, cómo viene, qué licencia tiene y qué enseña.

Pupitre con portátil frente a una pizarra con un diagrama de tablas para practicar bases de datos.

¿Qué es una base de datos para practicar y cómo se elige?

Una base de datos para practicar, o dataset de práctica, es cualquier colección de datos de acceso libre que usted baja a su computador para aprender a consultarla, limpiarla o analizarla sin riesgo de dañar información real. Las que sirven comparten cinco rasgos: un productor que responde por ellas, una licencia escrita, un tamaño conocido, un formato que su herramienta lee y una estructura que enseña algo.

Si todavía no tiene claro qué es una base de datos ni en qué se diferencia de un simple archivo, empiece por la guía de bases de datos. Aquí vamos directo a escoger.

El formato decide con qué programa se abre cada conjunto. Estos son los cuatro que aparecen en el catálogo:

  1. SQL. Es el lenguaje para crear y consultar bases de datos relacionales, las que guardan la información en tablas unidas entre sí. Un archivo .sql trae las órdenes que crean las tablas y las llenan.
  2. CSV. Es texto plano con una fila por línea y los valores separados por comas. Lo abre casi cualquier herramienta.
  3. JSON. Es texto organizado en pares de nombre y valor. Es el formato que suelen devolver las API, las puertas por donde un programa le pide datos a otro.
  4. XLSX. Es el formato de los libros de Excel.

Con el formato resuelto, quedan cinco preguntas para escoger:

  1. ¿Quién lo produjo? Una empresa, un proyecto o una entidad pública que responde por los datos. Si nadie firma, nadie corrige.
  2. ¿Qué licencia tiene? La licencia es el permiso que dice qué puede hacer con los datos. La CC BY 4.0, de Creative Commons, deja copiar, redistribuir y adaptar el material, incluso con fines comerciales, si se da crédito al autor [1]. La CC BY-SA 4.0 agrega una condición: lo que usted cree a partir de esos datos debe salir con la misma licencia [2]. Dominio público quiere decir que los autores renunciaron a sus derechos, como hicieron los de SQLite, un motor de bases de datos [3].
  3. ¿Qué tan grande es? Se mide en filas, que son los registros, y en columnas o tablas. Con 150 filas se aprende a describir datos; con millones, a escribir consultas que no tumben el computador.
  4. ¿Su herramienta lo lee? Un archivo SQL pide un motor de bases de datos; un CSV se abre en Python, en R (otro lenguaje para análisis estadístico) o en una hoja de cálculo.
  5. ¿El esquema enseña algo? El esquema es el plano de la base: qué tablas hay, qué columnas tiene cada una y cómo se conectan. Una sola tabla enseña poco sobre cómo se cruzan los datos.

Tabla: 13 bases de datos gratis para practicar, con formato, filas y licencia

Estas son las 13 bases de datos gratis del catálogo, ordenadas desde los clásicos de enseñanza hasta los datos públicos colombianos. Cada tamaño y cada licencia salen de la página del productor, consultada el 19 de octubre de 2026. Cuando el productor no publica el número de filas, la tabla lo dice en vez de inventarlo. La columna de nivel es mi lectura de la dificultad. Un archivo comprimido (en formato ZIP o TAR) reúne varios archivos en uno más pequeño.

Dataset y productorFormatoTamaño verificadoLicenciaNivel (lectura del autor)
Sakila · MySQL [4]SQL, comprimido en ZIP o TAR [5]16 tablas y 7 vistas; 1.000 películas [5]Licencia libre BSD nueva (uso y cambios con aviso de autor) [6]Básico
Pagila · versión de Sakila para PostgreSQL [7]SQLEsquema de Sakila con datos ampliados: 999 clientes, unos 51.800 alquileres y unos 51.000 pagos, de enero de 2022 a julio de 2026 [7]Licencia PostgreSQL [7]Básico
Employees · MySQL [8]SQL, comprimido en ZIP [9]6 tablas y 3.919.015 filas, entre ellas 300.024 empleados [10]CC BY-SA 3.0 [11]Intermedio
World · MySQLSQL, comprimido en ZIP o TAR [13]3 tablas; 4.079 ciudades y 239 países [13]Datos con derechos de Statistics Finland; sin licencia abierta declarada [12]Básico
Chinook · proyecto abierto [14]SQL para seis motores [14]11 tablas [15]MIT [16]Básico
Northwind · Microsoft [17]SQL para SQL Server [17]13 tablas [18]MIT, la del repositorio [19]Básico
AdventureWorks · Microsoft [20]Copia de seguridad .bak o scripts SQL [20]Tres versiones; la página oficial no publica el conteo de filas [20]MIT, la del repositorio [19]Avanzado
Iris · Repositorio UCI [21]Archivos de texto .data, en ZIP [21]150 filas y 4 atributos [21]CC BY 4.0 [21]Básico
Adult · Repositorio UCI [22]Archivos de texto .data, en ZIP [22]48.842 filas y 14 atributos [22]CC BY 4.0 [22]Intermedio
Online Retail · Repositorio UCI [23]XLSX [23]541.909 filas y 6 atributos [23]CC BY 4.0 [23]Intermedio
Indicadores del Desarrollo Mundial · Banco Mundial [24]CSV, Excel y API [24]Más de 1.500 indicadores de más de 200 países y territorios, 1960-2025 [24]CC BY 4.0 [24]Intermedio
Resultados únicos Saber 11 · ICFES en datos.gov.co [25]CSV o JSON por API [25]7.109.704 filas y 51 columnas [25]CC BY-SA 4.0 [25]Avanzado
Censo Nacional de Población y Vivienda 2018 · DANE [26]33 archivos ZIP, uno por departamento y Bogotá [26]El catálogo no publica el conteo de filasUso gratuito citando al DANE; no se puede redistribuir sin su permiso escrito [27]Avanzado

Dos lecturas rápidas de la tabla. La licencia más común es la CC BY 4.0, pero dos casos piden cuidado: World no declara una licencia abierta y el censo del DANE prohíbe volver a publicar los archivos. Y Online Retail es el único que viene solo en XLSX; si lo que busca son bases en Excel para practicar fórmulas y tablas dinámicas, esas están en la guía de Excel.

Los clásicos de escuela: Sakila, Northwind, Chinook y AdventureWorks

Los clásicos de escuela son bases de datos de ejemplo que los propios fabricantes de motores publican para enseñar. MySQL documenta Sakila, Employees y World; Microsoft publica Northwind y AdventureWorks; Chinook es un proyecto abierto que funciona en varios motores. Todas se cargan en un motor de bases de datos y simulan un negocio con clientes, productos y ventas, así que sirven para aprender a cruzar tablas. Si busca bases de datos para practicar SQL, empiece por aquí.

Si quiere entender cómo se conectan esas tablas antes de cargarlas, la guía de bases de datos relacionales lo explica con claves y ejemplos resueltos.

Sakila y Pagila: películas, alquileres y pagos

Sakila la desarrolló Mike Hillyer, que trabajaba en el equipo de documentación de MySQL AB [4]. Su manual explica el propósito: ofrecer «un esquema estándar que se pueda usar para ejemplos en libros, tutoriales, artículos, muestras, etcétera» [4].

Se descarga como archivo comprimido con dos scripts SQL, uno que crea el esquema y otro que carga los datos, más un modelo para MySQL Workbench, el programa de diseño de MySQL [5]. Al instalarla aparecen 16 tablas y 7 vistas [5]. Una vista es una consulta guardada que se usa como si fuera una tabla. La tabla de películas tiene 1.000 filas [5]. Los scripts tienen una licencia libre, que permite usar y modificar el material con solo conservar el aviso de autor, llamada BSD nueva [6].

Qué se aprende: unir películas con actores, inventario, alquileres y pagos. El manual también la presenta como vitrina de vistas, procedimientos almacenados (programas guardados dentro de la base) y disparadores (acciones que la base ejecuta sola cuando cambia un dato) [4].

Si usa PostgreSQL, el otro gran motor libre, la opción es Pagila. Nació como versión de Sakila para ese motor, se distribuye con la licencia de PostgreSQL y su versión actual está probada en PostgreSQL 18 o posterior [7]. Esa versión ya no copia los datos de Sakila: subió los clientes de 599 a 999 y los alquileres de unos 16.000 a unos 51.800 [7].

Los alquileres quedaron repartidos entre enero de 2022 y julio de 2026 [7]. Hay otra adaptación muy difundida, llamada DVD Rental, que circula desde sitios de tutoriales sin repositorio del productor ni licencia escrita. Por eso no entra al catálogo.

Employees y World: volumen y geografía

Employees es la del catálogo para sentir el peso de una consulta mal escrita. La desarrollaron Patrick Crews y Giuseppe Maxia, y su manual la describe como cerca de 160 MB (megabytes, la unidad de tamaño de un archivo) repartidos en seis tablas, con unos 4 millones de registros en total [8]. Tiene licencia CC BY-SA 3.0 [11].

La prueba de validación que trae el paquete cuenta 300.024 empleados y 2.844.047 registros de salarios [10]. Sumadas, las seis tablas dan 3.919.015 filas [10].

Con casi tres millones de salarios, un cruce sin filtro se nota en el reloj. Ahí se aprende a filtrar antes de unir y a medir cuánto tarda cada consulta.

World es lo contrario: pequeña y fácil de leer. Trae tres tablas, de ciudades, países e idiomas por país [13]. Tiene 4.079 ciudades y 239 países [13]. Su manual aclara que los datos son propiedad de Statistics Finland, el instituto de estadística de Finlandia, y no les asigna una licencia abierta [12]. Sirve para practicar en su computador; no para volver a publicar sus datos.

Chinook: una tienda de música en seis motores

Chinook es un proyecto abierto mantenido por Luis Rocha que ofrece la misma base para DB2, MySQL, Oracle, PostgreSQL, SQL Server y SQLite [14]. Los datos de música salen de una biblioteca real de iTunes; las ventas, en cambio, se generaron al azar para un periodo de cuatro años [14]. Tiene licencia MIT, una licencia libre muy corta que permite casi cualquier uso si se conserva el aviso de autor [16].

El script para SQLite crea 11 tablas [15]: artistas, álbumes, pistas, géneros, tipos de archivo, listas de reproducción, la tabla que une listas y pistas, clientes, empleados, facturas y líneas de factura. Esa tabla de unión es el mejor ejemplo del catálogo de una relación de muchos a muchos: una canción está en muchas listas y una lista tiene muchas canciones.

Para empezar, es mi recomendación. Tiene pocas tablas, corre en SQLite sin instalar un servidor y sus preguntas son intuitivas: qué género vende más, qué cliente compra más, qué empleado atiende más facturas.

Northwind y AdventureWorks: los ejemplos de Microsoft

Northwind es la base de ejemplo histórica de Microsoft. Su repositorio oficial aclara que los scripts se crearon para SQL Server 2000 [17], el motor de bases de datos de Microsoft. El script crea 13 tablas, entre ellas pedidos, detalle de pedidos, productos, proveedores, clientes, empleados, transportadoras y territorios [18]. La antigüedad se nota: guarda hasta las fotos de los empleados dentro de la propia tabla [18]. El repositorio que la aloja tiene licencia MIT [19].

AdventureWorks es el ejemplo actual. Viene en tres versiones: una transaccional, para el registro diario de operaciones; una de almacén de datos (data warehouse, una base pensada para analizar historia); y una ligera, recortada de la primera [20]. Se descarga como copia de seguridad .bak, un archivo que SQL Server restaura tal cual, en ediciones que van de SQL Server 2008 R2 a 2025, o como scripts de creación [20].

La página oficial no publica conteos de filas. La pongo en nivel avanzado porque pide instalar SQL Server y restaurar un respaldo antes de la primera consulta.

Bases de datos de ejemplo en archivos de texto y XLSX: Iris, Adult y el repositorio de la UCI

El Repositorio de Aprendizaje Automático de la Universidad de California en Irvine (UCI) es un archivo académico de datasets que publica, para cada uno, una ficha con autor, tamaño y licencia. Nació en 1987 como un archivo de descarga creado por David Aha, entonces estudiante de doctorado de esa universidad [28]. Hoy se presenta como «una colección de bases de datos, teorías de dominio y generadores de datos que usa la comunidad de aprendizaje automático» [28].

Tres de sus conjuntos sirven para tres etapas distintas:

  1. Iris. Donado en 1988 y atribuido a R. A. Fisher, tiene 150 filas y 4 atributos, que son las columnas que describen cada planta [21]. Cabe en una pantalla: enseña a describir datos, no a manejar volumen.
  2. Adult. Tiene 48.842 filas y 14 atributos extraídos de una base del censo de 1994 [22]. Es bueno para practicar tablas cruzadas y variables por categorías, el terreno de la estadística.
  3. Online Retail. Trae 541.909 filas de transacciones de venta registradas entre 2010 y 2011, en un archivo XLSX [23]. Por su tamaño, es un buen pretexto para pasar de la hoja de cálculo a Python o a SQL.

Los tres tienen licencia CC BY 4.0 [21] [22] [23]. Los tres son también la puerta de entrada al aprendizaje automático; cómo se entrena un modelo con ellos es tema de la guía de machine learning.

¿Y el Titanic, el más famoso de todos? Una versión académica, titanic3, la armó Thomas Cason, de la Universidad de Virginia, con datos disponibles al 2 de agosto de 1999 [29]. La página del repositorio que la publica no declara licencia ni número de filas [29]. Por eso queda fuera de la tabla, aunque usted puede usarla para estudiar citando ese origen.

¿Dónde conseguir bases de datos gratis? Cuatro repositorios confiables

Para conseguir bases de datos gratis sin riesgo, descárguelas del productor o de un repositorio que lo identifique con nombre y licencia. Cuatro cubren casi cualquier práctica: la UCI para datasets académicos, el Banco Mundial para indicadores de países, datos.gov.co para datos del Estado colombiano y el DANE para las respuestas de encuestas y censos.

RepositorioQué traeLicenciaCómo se descarga
Repositorio UCIDatasets académicos con ficha y autor [28]CC BY 4.0 en los tres revisados [21] [22] [23]Un ZIP desde la ficha de cada conjunto [21]
Banco Mundial, Indicadores del Desarrollo MundialSeries anuales de más de 200 países y territorios desde 1960 [24]CC BY 4.0 [24]CSV, Excel o API [24]
datos.gov.coConjuntos de entidades públicas colombianasLa declara cada conjunto; Saber 11 usa CC BY-SA 4.0 [25]CSV o JSON, también por API [31]
Catálogo de microdatos del DANE573 operaciones estadísticas [30]Uso gratuito citando al DANE, sin redistribución [27]Archivos ZIP por operación [26]

Kaggle es útil para encontrar datasets, pero funciona como repositorio: aloja conjuntos que suben sus propios usuarios. Antes de usar uno, busque quién produjo los datos y cite a ese productor, no a la plataforma.

Por qué el Estado publica estos datos y con qué reglas lo hace es tema del gobierno de datos. Aquí interesa cómo bajarlos.

Colombia: datos.gov.co y DANE paso a paso

En Colombia, dos portales públicos alcanzan para practicar con datos reales del país. Uno es datos.gov.co, el portal de datos abiertos del Estado, que se puede consultar por API. El otro es el catálogo de microdatos del DANE, el Departamento Administrativo Nacional de Estadística, que entrega archivos comprimidos con la información de cada vivienda, hogar o persona encuestada.

datos.gov.co: de la búsqueda a pandas en cinco pasos

El ejemplo usa los resultados de las pruebas Saber 11 que publica el ICFES, el Instituto Colombiano para la Evaluación de la Educación.

  1. Busque el conjunto. En el buscador de datos.gov.co escriba el tema o la entidad. Con «Saber 11» aparece «Resultados únicos Saber 11», publicado por el ICFES [25].
  2. Anote el identificador. Cada conjunto tiene un código de ocho letras y números, en dos bloques de cuatro separados por un guion [31]. El de este es kgxf-xxbe [25].
  3. Lea la ficha antes de descargar. La de Saber 11 dice que cubre de 2010 a 2022, que tiene 51 columnas, que se actualiza cada semestre y que su licencia es CC BY-SA 4.0 [25].
  4. Mida el tamaño. El 19 de octubre de 2026, el conjunto tenía 7.109.704 filas [25]. Bajarlo entero para practicar no tiene sentido.
  5. Pida solo lo que necesita por la API. La API del portal funciona con Socrata, la plataforma que lo soporta [33]. Se llama SODA, y cada conjunto responde en una dirección que termina en su identificador y en .csv o .json [31]. Si no indica cuántas filas quiere, devuelve 1.000 [32].

Este código pide en CSV las filas de los colegios de Santander en el periodo 20224, del año 2022, y las carga con pandas, la librería de Python para trabajar con tablas:

# Saber 11 en Santander desde la API de datos.gov.co (conjunto kgxf-xxbe del ICFES)
from urllib.parse import quote, urlencode

import pandas as pd

URL = "https://www.datos.gov.co/resource/kgxf-xxbe.csv"
parametros = {
    "$select": "periodo, cole_mcpio_ubicacion, punt_global",
    "$where": "cole_depto_ubicacion = 'SANTANDER' AND periodo = '20224'",
    "$limit": 50000,  # sin este parámetro la API entrega solo 1.000 filas
}

# quote convierte espacios, comillas y el signo $ en códigos válidos para una URL
datos = pd.read_csv(URL + "?" + urlencode(parametros, quote_via=quote))
print(len(datos))  # cuántas filas llegaron

# Puntaje global promedio en los cinco municipios con más estudiantes
top5 = datos["cole_mcpio_ubicacion"].value_counts().head(5).index
promedios = (
    datos[datos["cole_mcpio_ubicacion"].isin(top5)]
    .groupby("cole_mcpio_ubicacion")["punt_global"]
    .mean()
    .round(1)
)
print(promedios)

El día de la consulta, ese filtro devolvía 49.768 filas [25]. No copio aquí los promedios: córralo usted, cambie Santander por su departamento y compare. Si publica lo que encuentre, cite al ICFES y comparta su tabla con la misma licencia CC BY-SA [2]. Para ir más lejos con pandas, la guía de Python arranca desde cero.

DANE: cómo obtener microdatos en cuatro pasos

Los microdatos son los datos sin agregar: una fila por vivienda, hogar o persona, en vez de un total por municipio. Así se piden en el DANE:

  1. Entre al catálogo central. Está en microdatos.dane.gov.co. El 19 de octubre de 2026 mostraba 573 operaciones estadísticas, que se filtran por palabra clave, por año y por colección [30].
  2. Abra la operación que le interesa. Para el Censo Nacional de Población y Vivienda 2018, la ficha es la número 643, y su unidad de análisis son las viviendas, los hogares y las personas [27]. Lea la descripción de la operación y el diccionario de datos, que es la lista de variables con su significado [26].
  3. Vaya a la pestaña «Obtener Microdatos». Para el censo hay 33 archivos ZIP, uno por departamento y uno para Bogotá; el de Santander se llama 68_Santander.zip [26].
  4. Respete las condiciones. Los microdatos de uso público son gratuitos y se citan como «Fuente: Departamento Administrativo Nacional de Estadística» [27]. Copiarlos en medios electrónicos que los pongan al alcance de varios usuarios exige aprobación previa y por escrito del DANE [27].

En mi lectura, eso permite analizar los archivos y publicar sus resultados citando al DANE, pero no subir los ZIP a un repositorio público.

¿Qué software gratuito sirve para abrir estas bases de datos?

Todo el catálogo se abre con software gratuito. Para los archivos SQL basta un motor de bases de datos, que es el programa que guarda las tablas y responde las consultas; para los CSV sirve una herramienta como DuckDB o pandas. Y si no quiere instalar nada, SQLite corre dentro del navegador.

ProgramaLicencia o condiciónPara qué datasets del catálogo
MySQLGPL, una licencia de software libre; se descarga y se usa sin pagar [34]Sakila, Employees y World
PostgreSQLLicencia PostgreSQL: uso, copia, modificación y distribución para cualquier fin, sin pago [35]Pagila y Chinook
SQL Server Express y DeveloperEdiciones gratuitas de Microsoft; Developer es solo para desarrollo y pruebas [36]Northwind y AdventureWorks
SQLiteDominio público [3]Chinook
DuckDBMIT; todas sus funciones están en la versión gratuita [37]Los archivos de la UCI y los CSV del Banco Mundial y datos.gov.co

Para crear una base de datos gratis en línea, sin instalar nada, está SQLite Fiddle. Es SQLite completo corriendo en el navegador; según su página, después de cargar no vuelve a comunicarse con el servidor, y permite importar y exportar bases [38]. Allí se puede abrir el archivo de Chinook para SQLite.

¿Cuáles son las bases de datos más utilizadas? La encuesta de desarrolladores de Stack Overflow de 2026 preguntó en qué motores había trabajado a fondo cada persona durante el último año. Respondieron esa pregunta 12.061 personas [39]. Es una encuesta voluntaria y mundial, no un censo del mercado colombiano.

MotorPorcentaje de quienes respondieron (2026)
PostgreSQL57,9 % [39]
SQLite42,1 % [39]
MySQL35,1 % [39]
Microsoft SQL Server27,1 % [39]

No hay una «mejor base de datos» en abstracto. Para practicar, la mejor es la del motor que usan en el trabajo al que usted aspira.

¿Hay bases de datos gratuitas en la nube?

Sí. Cuatro proveedores grandes ofrecen hoy una capa gratuita para tener una base de datos en la nube sin pagar, con límites que conviene leer antes de cargar datos. Todas exigen abrir una cuenta con el proveedor. Estos son los datos de su documentación oficial, consultada el 19 de octubre de 2026. Un GiB (gibibyte) equivale a unos mil millones de bytes, algo más que un gigabyte, y un TiB equivale a 1.024 GiB:

ServicioQué da gratisEl límite que más se siente
Azure SQL Database, oferta gratuitaHasta 10 bases por suscripción, cada una con 32 GB de datos y 100.000 segundos de procesador virtual al mes, mientras exista la suscripción [40]Al agotar el mes, la base se pausa hasta el mes siguiente o empieza a cobrar, según la opción elegida [40]
BigQuery sandbox, de Google Cloud10 GiB de almacenamiento para toda la vida de la cuenta y 1 TiB de consultas al mes, sin tarjeta de crédito [41]Las tablas vencen a los 60 días y el espacio no se recupera al borrar datos [41]
MongoDB Atlas, clúster gratuito0,5 GB de almacenamiento y un clúster por proyecto [42]Se pausa tras 30 días sin conexiones [42]
Oracle Autonomous AI Database, Always FreeDos bases de 20 GB cada una, con un procesador, mientras exista la cuenta [43]El almacenamiento y el procesador no se pueden ampliar sin pasar a pago [43]

La versión ligera de AdventureWorks se puede cargar como muestra al crear la base en Azure [20], así que la oferta de Azure sirve para practicar con un clásico sin instalar SQL Server.

Una advertencia de bolsillo colombiano: si se pasa de los límites y la cuenta tiene activado el cobro, la factura llega en dólares. De las cuatro, la sandbox de BigQuery es la que declara por escrito que no pide tarjeta [41].

¿Qué base de datos domina? Cómo responder en una entrevista

La pregunta «¿qué base de datos domina?» de una entrevista o de un formulario de hoja de vida no busca una marca. Busca evidencia. Una buena respuesta nombra el motor, el dataset con que practicó y una pregunta que respondió con él, en ese orden.

Un ejemplo: «Domino PostgreSQL en nivel intermedio. Cargué Pagila y calculé qué categorías de película dejan más ingresos en cada tienda, cruzando pagos, alquileres, inventario y categorías». Esa frase dice más que «manejo SQL avanzado».

Si solo ha usado SQLite con Chinook, dígalo así. En mi experiencia, la honestidad sobre el nivel pesa más que el nombre del motor, porque la siguiente pregunta siempre es «muéstreme».

¿Qué cambia cuando se practica con datos de verdad?

Camilo volvió a practicar, esta vez con los resultados Saber 11 de los colegios de Santander. La primera consulta le trajo 49.768 filas. La primera sorpresa llegó al mirar otros años: hay registros de 2013 sin puntaje global [25]. Ya tenía algo que contar.

Esa es la diferencia que yo veo entre un dataset de juguete y uno real. El de juguete obedece. El real trae huecos, códigos raros y preguntas que nadie le encargó.

Creo que el recurso más subestimado para un estudiante colombiano no son los clásicos en inglés, sino los portales del Estado. Un muchacho de Bucaramanga puede estudiar los resultados de su propio colegio con un computador prestado y software que no cuesta un peso. Lo que lo separa de hacerlo no es el presupuesto. Es saber dónde están los datos y qué licencia tienen.

Y ahí hay un asunto de equidad. Cuando alguien cobra por una «base de datos para practicar», vale la pena revisar primero si no es una de estas, que los fabricantes, la UCI, el ICFES y el DANE entregan gratis. Quien no lo sabe puede terminar pagando por lo que ya era suyo.

La pregunta para Camilo, y para usted, es qué dato de su ciudad le gustaría entender, y si ya revisó si alguien lo publicó.

Preguntas frecuentes

¿Es legal descargar y usar estas bases de datos? Sí, dentro de lo que diga cada licencia. Con CC BY puede incluso redistribuir y adaptar el material dando crédito [1]. Con CC BY-SA, lo que derive debe salir con la misma licencia [2]. El censo del DANE se usa gratis, pero no se puede volver a publicar el archivo sin permiso escrito [27]. Y World tiene derechos de Statistics Finland [12]: úsela para estudiar, no para redistribuirla.

¿Cuál es la mejor base de datos para empezar a practicar desde cero? A mi juicio, Chinook en SQLite: once tablas, un tema que cualquiera entiende y ningún servidor que instalar [15]. Cuando ya cruce tablas sin pensarlo, pase a Employees, que con 2.844.047 salarios obliga a escribir consultas eficientes [10].

¿Puedo practicar sin instalar nada en el computador? Sí. SQLite Fiddle corre en el navegador y deja cargar un archivo de base de datos [38]. La sandbox de BigQuery tampoco pide instalación ni tarjeta, aunque sus tablas se borran a los 60 días [41]. Para un computador de pocos recursos, como el de muchas salas de sistemas, la primera opción es la más liviana.

¿Dónde encuentro ejercicios de base de datos para practicar? Cada base de este catálogo trae su propio banco de preguntas: qué se vende más, quién compra más, cómo cambian los puntajes entre municipios. La forma de escribir esas consultas, con su sintaxis, se explica en la guía de SQL. Si busca bases reales de sistemas cotidianos para analizar cómo están organizadas, vea los ejemplos de bases de datos.

¿Sirven los datasets que se descargan de Kaggle? Pueden servir, siempre que identifique a su productor original. En esa plataforma, quien sube un conjunto no siempre es quien lo produjo. Si la ficha no dice de dónde salieron los datos ni con qué licencia, trátelo como trató Camilo su hoja de 200 clientes: como un dato sin dueño. El glosario de ciencia de datos aclara los términos que aparecen en esas fichas.

Referencias

Las citas en otro idioma son traducción propia.

  1. Creative Commons. Atribución 4.0 Internacional (CC BY 4.0), resumen de la licencia — libertad de compartir (copiar y redistribuir) y adaptar el material para cualquier propósito, incluso comercial; condición de atribución: dar crédito, enlazar la licencia e indicar si se hicieron cambios. Creative Commons: CC BY 4.0, resumen en español — Consultada: 2026-10-19.
  2. Creative Commons. Atribución-CompartirIgual 4.0 Internacional (CC BY-SA 4.0), resumen de la licencia — mismas libertades que CC BY 4.0, más la condición CompartirIgual: quien remezcla, transforma o crea a partir del material debe distribuir su contribución con la misma licencia del original. Creative Commons: CC BY-SA 4.0, resumen en español — Consultada: 2026-10-19.
  3. SQLite. SQLite Copyright — todo el código y la documentación de SQLite fueron dedicados al dominio público por sus autores, que firmaron declaraciones juradas en ese sentido. SQLite: SQLite Is Public Domain — Consultada: 2026-10-19.
  4. Oracle. Sakila Sample Database, sección 2 «Introduction» — Sakila fue desarrollada inicialmente por Mike Hillyer, exmiembro del equipo de documentación de MySQL AB; «It is intended to provide a standard schema that can be used for examples in books, tutorials, articles, samples, and so forth»; también sirve para mostrar vistas, procedimientos almacenados y disparadores de MySQL. MySQL: Sakila Sample Database, Introduction — Consultada: 2026-10-19.
  5. Oracle. Sakila Sample Database, sección 4 «Installation» — archivo descargable en TAR comprimido o ZIP, con sakila-schema.sql, sakila-data.sql y sakila.mwb; la salida de SHOW FULL TABLES lista 23 objetos (16 tablas base y 7 vistas, conteo propio sobre esa salida); SELECT COUNT(*) FROM film devuelve 1000. MySQL: Sakila Sample Database, Installation — Consultada: 2026-10-19.
  6. Oracle. Sakila Sample Database, «License for the Sakila Sample Database» — el contenido de sakila-schema.sql y sakila-data.sql tiene licencia New BSD. MySQL: Sakila Sample Database, License — Consultada: 2026-10-19.
  7. Devrim Gündüz y colaboradores. Pagila (repositorio y README) — Pagila empezó como versión para PostgreSQL de la base de ejemplo Sakila de MySQL; se distribuye con la licencia de PostgreSQL; probada en PostgreSQL 18 y posteriores (versión 4.0.0); el historial de la versión 4.0.0 dice «Grow the customer base from 599 to 999» y que los alquileres pasan de «~16k to ~51.8k rows» y los pagos de «~16k to ~51k rows», «spanning January 2022 through July 2026». GitHub: devrimgunduz/pagila — Consultada: 2026-10-19.
  8. Oracle. Employees Sample Database, sección 1 «Introduction» — desarrollada por Patrick Crews y Giuseppe Maxia; unos 160 MB de datos repartidos en seis tablas, con 4 millones de registros en total; incluye pruebas de integridad. MySQL: Employees Sample Database, Introduction — Consultada: 2026-10-19.
  9. Oracle. Employees Sample Database, «Installation» — la base se obtiene del repositorio test_db en GitHub como archivo ZIP o por Git, y se carga con la herramienta de línea de órdenes mysql. MySQL: Employees Sample Database, Installation — Consultada: 2026-10-19.
  10. Oracle. Employees Sample Database, «Validating the Employee Data» — registros esperados por tabla: employees 300.024; departments 9; dept_manager 24; dept_emp 331.603; titles 443.308; salaries 2.844.047 (suma propia: 3.919.015). MySQL: Employees Sample Database, Validation — Consultada: 2026-10-19.
  11. Oracle. Employees Sample Database, «License for the Employees Database» — licencia Creative Commons Attribution-Share Alike 3.0 Unported. MySQL: Employees Sample Database, License — Consultada: 2026-10-19.
  12. Oracle. Setting Up the world Database, introducción — los datos de ejemplo de la base world tienen copyright de Statistics Finland; el manual remite a sus avisos legales, que cubren la documentación y no asignan una licencia abierta a los datos. MySQL: Setting Up the world Database — Consultada: 2026-10-19.
  13. Oracle. Setting Up the world Database, «Installation» — archivo TAR comprimido o ZIP con world.sql; SHOW TABLES lista city, country y countrylanguage; SELECT COUNT(*) devuelve 4079 en city y 239 en country. MySQL: world Database, Installation — Consultada: 2026-10-19.
  14. Luis Rocha. Chinook Database (repositorio y README) — base de ejemplo disponible para DB2, MySQL, Oracle, PostgreSQL, SQL Server y SQLite; «Media related data was created using real data from an iTunes Library»; la información de ventas se generó con datos aleatorios para un periodo de cuatro años. GitHub: lerocha/chinook-database — Consultada: 2026-10-19.
  15. Luis Rocha. Chinook_Sqlite.sql (script de creación para SQLite) — 11 sentencias CREATE TABLE: Album, Artist, Customer, Employee, Genre, Invoice, InvoiceLine, MediaType, Playlist, PlaylistTrack y Track (conteo propio sobre el script). GitHub: Chinook_Sqlite.sql — Consultada: 2026-10-19.
  16. Luis Rocha. LICENSE.md del repositorio Chinook — licencia MIT; «Copyright (c) 2008-2024 Luis Rocha». GitHub: licencia de Chinook — Consultada: 2026-10-19.
  17. Microsoft. sql-server-samples, carpeta northwind-pubs (README) — scripts para crear y cargar las bases de ejemplo Northwind (instnwnd.sql) y pubs (instpubs.sql), creados originalmente para SQL Server 2000. GitHub: microsoft/sql-server-samples, northwind-pubs — Consultada: 2026-10-19.
  18. Microsoft. instnwnd.sql (script de creación de Northwind) — 13 sentencias CREATE TABLE: Employees, Categories, Customers, Shippers, Suppliers, Orders, Products, Order Details, CustomerCustomerDemo, CustomerDemographics, Region, Territories y EmployeeTerritories (conteo propio recorriendo el script completo); los INSERT de Employees incluyen las fotos codificadas en hexadecimal. GitHub: instnwnd.sql — Consultada: 2026-10-19.
  19. Microsoft. license.txt del repositorio sql-server-samples — «Microsoft SQL Server Sample Code», licencia MIT. GitHub: licencia de microsoft/sql-server-samples — Consultada: 2026-10-19.
  20. Microsoft. AdventureWorks Sample Databases, Microsoft Learn (fecha de la página: 16 de marzo de 2026) — versiones OLTP, Data Warehouse y Lightweight (versión reducida de la OLTP); copias de seguridad .bak de SQL Server 2008 R2 a 2025 y scripts de creación; la versión AdventureWorksLT se puede elegir como datos de muestra al crear una base en Azure SQL Database. Microsoft Learn: AdventureWorks sample databases — Consultada: 2026-10-19.
  21. UCI Machine Learning Repository. Iris — creador: R. A. Fisher; donado el 30 de junio de 1988; 150 instancias y 4 atributos; datos tabulares; archivos iris.data, bezdekIris.data e iris.names, descargables en iris.zip; licencia CC BY 4.0. UCI Machine Learning Repository: Iris — Consultada: 2026-10-19.
  22. UCI Machine Learning Repository. Adult — creadores: Barry Becker y Ronny Kohavi; donado el 30 de abril de 1996; 48.842 instancias y 14 atributos, extraídos de la base del censo de 1994; archivos adult.data, adult.test y adult.names en adult.zip; licencia CC BY 4.0. UCI Machine Learning Repository: Adult — Consultada: 2026-10-19.
  23. UCI Machine Learning Repository. Online Retail — creador: Daqing Chen; donado el 5 de noviembre de 2015; 541.909 instancias y 6 atributos; transacciones entre 2010 y 2011; archivo Online Retail.xlsx; licencia CC BY 4.0. UCI Machine Learning Repository: Online Retail — Consultada: 2026-10-19.
  24. Banco Mundial. World Development Indicators, ficha en el Data Catalog (metadatos actualizados el 12 de octubre de 2026) — más de 1.500 indicadores de más de 200 países y territorios; periodicidad anual, cobertura 1960-2025; descarga en Excel o CSV y servicio de API; licencia Creative Commons Attribution 4.0. Banco Mundial: World Development Indicators — Consultada: 2026-10-19.
  25. Instituto Colombiano para la Evaluación de la Educación (ICFES), en el Portal Nacional de Datos Abiertos. Resultados únicos Saber 11 (identificador kgxf-xxbe; categoría Educación; descripción: resultados de 2010 a 2022; frecuencia de actualización semestral; licencia Creative Commons Attribution-Share Alike 4.0 International; 51 columnas según los metadatos) — 7.109.704 filas y 49.768 filas para cole_depto_ubicacion = SANTANDER y periodo = 20224, según conteos propios con la API del portal el día de la consulta; en una muestra de la API, un registro del periodo 20131 llegó sin valor en punt_global. datos.gov.co: Resultados únicos Saber 11 — Consultada: 2026-10-19.
  26. Departamento Administrativo Nacional de Estadística (DANE). Censo Nacional de Población y Vivienda – CNPV – 2018, pestaña «Obtener Microdatos» (ficha 643) — 33 archivos ZIP con enlace de descarga, uno por departamento y uno para Bogotá (entre ellos 68_Santander.zip); documentación en PDF y metadatos en DDI/XML y JSON; secciones de descripción de la operación y diccionario de datos. DANE: CNPV 2018, obtener microdatos — Consultada: 2026-10-19.
  27. Departamento Administrativo Nacional de Estadística (DANE). Censo Nacional de Población y Vivienda – CNPV – 2018, descripción de la operación (ficha 643) — productor: Dirección de Censos y Demografía; unidad de análisis: viviendas, hogares y personas; condiciones de acceso: los microdatos de uso público son gratuitos y están en la web del DANE, los licenciados pueden tener costo; cita obligatoria «Fuente: Departamento Administrativo Nacional de Estadística: www.dane.gov.co»; se prohíbe copiar o reproducir los datos en medios electrónicos que los pongan a disposición de múltiples usuarios sin aprobación previa y por escrito del DANE. DANE: CNPV 2018, descripción de la operación — Consultada: 2026-10-19.
  28. UCI Machine Learning Repository. About — el archivo se creó en 1987 como archivo FTP por David Aha, estudiante de doctorado de la UCI; se describe como «a collection of databases, domain theories, and data generators that are used by the machine learning community». UCI Machine Learning Repository: About — Consultada: 2026-10-19.
  29. Departamento de Bioestadística, Universidad Vanderbilt (repositorio de datos de Frank Harrell). Titanic data — Thomas Cason, de la Universidad de Virginia, actualizó y mejoró los datos y creó el conjunto titanic3; los datos reflejan lo disponible al 2 de agosto de 1999; la página no declara licencia ni número de filas. Vanderbilt Biostatistics: Titanic data — Consultada: 2026-10-19.
  30. Departamento Administrativo Nacional de Estadística (DANE). Catálogo central de microdatos — «Encontró 573 operaciones estadísticas de 573»; filtros por palabra clave, por año y por colección; el DANE invita a citar a la entidad como fuente. DANE: Catálogo central de microdatos — Consultada: 2026-10-19.
  31. Tyler Technologies (Socrata). API Endpoints, documentación para desarrolladores — todo conjunto tiene un identificador único de ocho caracteres alfanuméricos en dos bloques de cuatro separados por un guion; los extremos de la versión 2.1 tienen la forma /resource/IDENTIFICADOR.json y entregan JSON, CSV o GeoJSON. Socrata Developers: API Endpoints — Consultada: 2026-10-19.
  32. Tyler Technologies (Socrata). The $limit Parameter, documentación para desarrolladores — si no se indica, el límite es de 1.000 registros por solicitud; los extremos de la versión 2.0 tienen un máximo de 50.000 y los de las versiones 2.1 y 3.0 no tienen máximo. Socrata Developers: $limit — Consultada: 2026-10-19.
  33. Ministerio de Tecnologías de la Información y las Comunicaciones. Datos Abiertos Colombia: Herramientas — sección de guías, manuales y tutoriales del portal; apartado «Desarrollar usando los datos» sobre la API de Socrata utilizada para el desarrollo de aplicaciones. Datos Abiertos Colombia: Herramientas — Consultada: 2026-10-19.
  34. Oracle. MySQL 8.4 Reference Manual, sección 1.2.1 «What is MySQL?» — cualquiera puede descargar MySQL de internet y usarlo sin pagar; el software usa la licencia GPL (GNU General Public License) y existe una versión con licencia comercial. MySQL: Reference Manual 8.4, What is MySQL? — Consultada: 2026-10-19.
  35. The PostgreSQL Global Development Group. PostgreSQL Licence — permiso para usar, copiar, modificar y distribuir el software y su documentación para cualquier propósito, sin pago y sin acuerdo escrito. PostgreSQL: Licence — Consultada: 2026-10-19.
  36. Microsoft. SQL Server downloads — SQL Server 2025 Developer: edición gratuita para desarrollo y pruebas fuera de producción; SQL Server 2025 Express: edición gratuita para desarrollo y producción de aplicaciones de escritorio, web y servidores pequeños. Microsoft: SQL Server downloads — Consultada: 2026-10-19.
  37. DuckDB Foundation. Frequently Asked Questions — «DuckDB is fully open-source under the MIT license»; todos los componentes están en la versión gratuita; los CSV se cargan infiriendo su esquema con CREATE TABLE … AS FROM. DuckDB: FAQ — Consultada: 2026-10-19.
  38. SQLite. SQLite Fiddle — aplicación JavaScript que envuelve una versión WebAssembly del intérprete de SQLite; corre en el dispositivo y, después de cargar, no interactúa con el servidor remoto; las bases se pueden importar y exportar desde la barra de opciones. SQLite: Fiddle — Consultada: 2026-10-19.
  39. Stack Overflow. 2026 Developer Survey: Technology, bases de datos — pregunta «Which database environments have you done extensive development work in over the past year?»; todos los encuestados (All Respondents), 12.061 respuestas: PostgreSQL 57,9 %, SQLite 42,1 %, MySQL 35,1 %, Microsoft SQL Server 27,1 %. Fuente de Nivel B (informe de industria). Stack Overflow: 2026 Developer Survey, Technology — Consultada: 2026-10-19.
  40. Microsoft. Try Azure SQL Database for Free, Microsoft Learn (fecha de la página: 10 de marzo de 2026) — por cada base, 100.000 segundos de vCore, 32 GB de datos y 32 GB de copias de seguridad gratis al mes durante la vida de la suscripción; hasta 10 bases General Purpose por suscripción; al llegar al límite, pausa automática hasta el mes siguiente o uso con cargos adicionales, según la opción elegida. Microsoft Learn: Azure SQL Database free offer — Consultada: 2026-10-19.
  41. Google Cloud. Use the BigQuery sandbox (actualizada el 15 de octubre de 2026) — explorar BigQuery sin costo, sin tarjeta de crédito ni cuenta de facturación; límite de por vida de 10 GiB de almacenamiento, que no se repone al borrar datos; 1 TiB de datos de consulta procesados al mes; tablas, vistas y particiones vencen a los 60 días. Google Cloud: BigQuery sandbox — Consultada: 2026-10-19.
  42. MongoDB. Atlas Free Cluster Limits — almacenamiento máximo de 0,5 GB en clústeres gratuitos; como máximo un clúster gratuito por proyecto de Atlas; pausa automática tras 30 días de inactividad sin conexiones. MongoDB Docs: Atlas Free Cluster Limits — Consultada: 2026-10-19.
  43. Oracle. Always Free Resources, documentación de Oracle Cloud Infrastructure — toda cuenta recibe dos Oracle Autonomous AI Databases Always Free, cada una con 1 procesador y 20 GB de almacenamiento, que no se pueden escalar; los recursos Always Free son gratuitos durante la vida de la cuenta en la región de origen. Oracle Cloud Infrastructure: Always Free Resources — Consultada: 2026-10-19.
Cómo investigamos esta página
  • Pregunta que responde: Qué bases de datos gratuitas sirven para practicar, con qué formato, tamaño y licencia, y cómo se bajan datos reales de Colombia.
  • Fuentes: identificadas 54 → incluidas 43
  • Criterios de inclusión: solo la página del productor de cada dataset o programa y una encuesta de industria como única fuente secundaria; nada de enciclopedias, blogs de cursos ni copias de Kaggle.
  • Fecha de corte de los datos: 2026-10-19

Escrito por Jhon Mosquera — economista, especialista en Big Data y candidato a MBA con énfasis en Business Intelligence; consultor estratégico y gestor de proyectos. Bucaramanga, Colombia.

Escríbeme por WhatsApp

Las ilustraciones y esquemas de esta página fueron generados con inteligencia artificial y revisados por el autor. Conoce el proceso completo en la nota de transparencia.

Scroll to Top