Nous avons soumis MotherDuck \u00e0 des tests rigoureux par rapport \u00e0 des concurrents \u00e9tablis pour voir s'il \u00e9tait \u00e0 la hauteur de l'engouement qu'il suscitait. Ce que nous avons d\u00e9couvert remet en question le statu quo actuel des bases data analytiques et sugg\u00e8re un changement fondamental dans la mani\u00e8re dont nous abordons le traitement data bas\u00e9 sur le cloud. Voici comment une base data embarqu\u00e9e a appris \u00e0 voler, et pourquoi elle pourrait bien r\u00e9volutionner votre pile data.<\/span><\/p>\n Pour capter cette client\u00e8le en \u00e9volution, les d\u00e9taillants doivent s'adapter rapidement.<\/p>\n MotherDuck<\/span><\/a> se d\u00e9crit comme un \u201centrep\u00f4t DuckDB cloud data \u00e9voluant jusqu'au t\u00e9raoctet pour l'analyse et la BI orient\u00e9es client\u201d. Pour comprendre ce qui rend cet entrep\u00f4t cloud data sp\u00e9cial, nous devons d'abord nous pencher sur les points suivants <\/span>DuckDB<\/span><\/a>, DuckDB est un syst\u00e8me open-source database qui r\u00e9volutionne discr\u00e8tement la pile data depuis quelques ann\u00e9es. En termes simples, DuckDB est un syst\u00e8me database SQL OLAP en m\u00e9moire. Pour ceux qui ne vivent pas et ne respirent pas le jargon de database, voyons ce que cela signifie r\u00e9ellement :<\/span><\/p>\n OLAP signifie Online Analytical Processing (traitement analytique en ligne). Il s'agit d'une base de data con\u00e7ue pour traiter des quantit\u00e9s massives de data et r\u00e9pondre rapidement \u00e0 des questions commerciales complexes. Contrairement aux bases de donn\u00e9es data traditionnelles qui excellent dans la recherche d'enregistrements individuels (comme la recherche de la commande d'un client), les bases de donn\u00e9es data OLAP sont con\u00e7ues pour analyser des millions de lignes et effectuer des calculs lourds en quelques secondes. Elles atteignent cette vitesse en stockant les data en colonnes plut\u00f4t qu'en lignes, ce qui permet d'analyser rapidement les tendances, de calculer des moyennes ou d'additionner les ventes sur des ensembles entiers de data. Il s'agit de la m\u00eame approche que celle utilis\u00e9e par les entrep\u00f4ts modernes de data tels que BigQuery ou Snowflake. De l'autre c\u00f4t\u00e9, vous avez les bases data OLTP (Online Transaction Processing) comme PostgreSQL, SQLite ou MySQL. Ce sont les b\u00eates de somme qui alimentent vos applications, g\u00e9rant des milliers de lectures et d'\u00e9critures individuelles par seconde pour assurer le bon fonctionnement de votre application.<\/span> En savoir plus sur OLAP vs OLTP<\/span><\/a>.<\/span><\/p>\n Pour comprendre \u00e0 quel point l'approche de DuckDB est r\u00e9volutionnaire, nous devons prendre du recul et examiner comment nous en sommes arriv\u00e9s l\u00e0. Au milieu des ann\u00e9es 1990, lorsque des g\u00e9ants du web comme Yahoo et Amazon ont explos\u00e9 sur la sc\u00e8ne, ils se sont heurt\u00e9s \u00e0 un mur qui allait remodeler l'ensemble du paysage du data. Ces entreprises se noyaient dans le data, ce que nous appellerons plus tard le \u201cgros data\u201d, et leurs syst\u00e8mes existants ne pouvaient tout simplement pas suivre. La solution ? Des infrastructures co\u00fbteuses et monolithiques capables de g\u00e9rer l'\u00e9chelle. Mais avec la chute des co\u00fbts du mat\u00e9riel dans les ann\u00e9es 2000, une nouvelle philosophie est apparue : au lieu d'acheter de plus grosses machines, pourquoi ne pas utiliser un grand nombre de machines plus petites et moins ch\u00e8res ? Cette philosophie a donn\u00e9 naissance \u00e0 des syst\u00e8mes distribu\u00e9s tels que MapReduce et Apache Hadoop, des technologies con\u00e7ues pour r\u00e9partir les charges de travail sur des grappes de mat\u00e9riel de base. Amazon a capitalis\u00e9 sur cette tendance, en pr\u00e9sentant ces technologies distribu\u00e9es comme des services et en lan\u00e7ant Amazon Web Services, la premi\u00e8re grande plateforme cloud. Pendant des ann\u00e9es, c'est devenu la r\u00e8gle du jeu par d\u00e9faut : lorsque vous rencontrez un probl\u00e8me de data, vous le r\u00e9partissez sur un plus grand nombre de machines (Fundamentals of Data Engineering, Joe Reis & Matt Housley).<\/span><\/p>\n Mais voici ce qui est fascinant : pendant que tout le monde \u00e9tait occup\u00e9 \u00e0 construire des syst\u00e8mes distribu\u00e9s, quelque chose d'autre se passait tranquillement en arri\u00e8re-plan. Les m\u00eames forces qui ont rendu l'informatique distribu\u00e9e \u00e9conomique ont \u00e9galement rendu les machines individuelles incroyablement puissantes. Aujourd'hui, votre ordinateur portable est devenu incroyablement puissant, avec plus de m\u00e9moire vive, des processeurs plus rapides et une meilleure capacit\u00e9 de stockage. Les d\u00e9veloppeurs de DuckDB ont reconnu cette opportunit\u00e9 n\u00e9glig\u00e9e : et si, au lieu de toujours passer \u00e0 l'\u00e9chelle sup\u00e9rieure, nous pouvions passer \u00e0 l'\u00e9chelle sup\u00e9rieure de mani\u00e8re plus intelligente ? Et si nous pouvions r\u00e9soudre de nombreux probl\u00e8mes data sans la complexit\u00e9 des syst\u00e8mes distribu\u00e9s ?<\/span><\/p>\n L'un des moteurs database les plus d\u00e9ploy\u00e9s au monde<\/span><\/a>, SQLite adopte une approche radicalement diff\u00e9rente des bases data traditionnelles. Alors que PostgreSQL et MySQL fonctionnent comme des serveurs distincts auxquels les applications se connectent via un r\u00e9seau, SQLite s'int\u00e8gre directement dans votre application sous la forme d'une biblioth\u00e8que l\u00e9g\u00e8re. Il n'y a pas de serveur \u00e0 configurer, pas de r\u00e9seau, pas d'installation complexe, juste une fonctionnalit\u00e9 database locale pure qui s'ex\u00e9cute dans le processus de votre application. Cette simplicit\u00e9, associ\u00e9e \u00e0 une fiabilit\u00e9 et une vitesse remarquables, a rendu SQLite omnipr\u00e9sent dans tous les domaines, des applications mobiles aux navigateurs web.<\/span><\/p>\n DuckDB applique cette m\u00eame philosophie int\u00e9gr\u00e9e aux charges de travail analytiques, prouvant que vous n'avez pas toujours besoin d'un syst\u00e8me distribu\u00e9 pour analyser de grands ensembles de data. Tout comme SQLite a r\u00e9volutionn\u00e9 le stockage local de data, DuckDB exploite la puissance brute de votre machine locale pour rendre l'analyse \u00e0 nouveau simple. L'installation prend quelques secondes, il n'y a pas de d\u00e9pendances externes \u00e0 g\u00e9rer, et soudain vous ex\u00e9cutez des requ\u00eates analytiques complexes sur des gigaoctets de data sans avoir \u00e0 lancer une seule instance de cloud.<\/span><\/p>\n Ce qui rend DuckDB particuli\u00e8rement convaincant, c'est qu'il va \u00e0 la rencontre des d\u00e9veloppeurs l\u00e0 o\u00f9 ils se trouvent. Vous avez besoin d'analyser un Python DataFrame ? DuckDB peut l'interroger directement. Vous voulez analyser un fichier CSV ? Aucun probl\u00e8me. Cette int\u00e9gration transparente, associ\u00e9e \u00e0 son moteur en colonnes ultra-rapide, a fait de DuckDB l'un des syst\u00e8mes database \u00e0 la croissance la plus rapide dans le domaine de l'analyse. Les gains de performance sont souvent suffisamment spectaculaires pour que vous vous demandiez pourquoi vous utilisiez des syst\u00e8mes distribu\u00e9s au d\u00e9part. Si vous souhaitez approfondir la philosophie technique qui sous-tend cette approche, nous vous recommandons vivement de lire le document suivant<\/span> \u201cGestion des analyses en cours de fabrication Data avec DuckDB\u201d<\/span><\/a> par le co-cr\u00e9ateur de DuckDB, Hannes M\u00fchleisen.<\/span><\/p>\n Maintenant que vous savez ce qu'est DuckDB, parlons de ses limites. Toute technologie comporte des compromis. DuckDB ne peut fonctionner que sur une seule machine et n'accepte qu'une seule connexion \u00e0 la fois. Dans un monde o\u00f9 les \u00e9quipes data construisent des solutions natives cloud qui servent des organisations enti\u00e8res, il s'agit d'une contrainte assez importante. Vous ne pouvez pas avoir plusieurs analystes qui interrogent simultan\u00e9ment la m\u00eame instance de DuckDB, et vous ne pouvez certainement pas partager des ensembles data entre les \u00e9quipes comme vous le feriez avec un entrep\u00f4t data traditionnel. Malgr\u00e9 sa vitesse et sa simplicit\u00e9, DuckDB verrouille essentiellement votre data sur une seule machine, accessible \u00e0 une seule personne \u00e0 la fois. Alors, comment transformer cette database incroyablement rapide mais intrins\u00e8quement mono-utilisateur en un entrep\u00f4t de cloud data pouvant servir \u00e0 l'ensemble d'une organisation ?<\/span><\/p>\n C'est l\u00e0 que MotherDuck entre en sc\u00e8ne. MotherDuck est un entrep\u00f4t data sans serveur qui comble le foss\u00e9 entre les performances brutes de DuckDB et les besoins de collaboration des \u00e9quipes data modernes. MotherDuck cr\u00e9e ce qu'il appelle un \u201centrep\u00f4t data analytique individualis\u00e9\u201d, donnant \u00e0 chaque utilisateur sa propre instance DuckDB haute performance tout en conservant la possibilit\u00e9 de partager data dans l'ensemble de l'organisation. Voici comment fonctionne l'architecture :<\/span><\/p>\n Dans les entrep\u00f4ts traditionnels cloud data, votre ordinateur portable n'est qu'un simple terminal. Toutes les op\u00e9rations lourdes sont effectu\u00e9es sur des serveurs distants que vous payez \u00e0 l'heure. Mais voil\u00e0 : votre MacBook est probablement plus rapide qu'une instance d'entrep\u00f4t $20-60 par heure data. MotherDuck tente de tirer parti de cette puissance de calcul gr\u00e2ce \u00e0 deux approches innovantes :\u00a0<\/span><\/p>\n Avant de plonger dans ces deux m\u00e9thodes, j'aimerais pr\u00e9ciser que la puissance de calcul de MotherDuck brille vraiment lorsqu'elle est appliqu\u00e9e \u00e0 votre <\/span>couche d'or<\/span><\/a>. Pour ceux qui ne sont pas familiers avec ce terme, la couche d'or est la data finale, pr\u00eate \u00e0 l'emploi, qui a \u00e9t\u00e9 nettoy\u00e9e, agr\u00e9g\u00e9e et enrichie. Il s'agit essentiellement des ensembles de data polis qui alimentent vos analyses, vos rapports et votre apprentissage automatique. Il s'agit du data qui alimente vos d\u00e9cisions commerciales les plus critiques, ce qui rend les performances ici absolument cruciales. Chaque partie prenante a souffert de tableaux de bord douloureusement lents, et chaque membre de l'\u00e9quipe data a regard\u00e9 la roue de la mort tourner en attendant que des requ\u00eates complexes se terminent. MotherDuck s'attaque de front \u00e0 cette frustration.<\/span><\/p>\n Cette solution tire parti de la conception l\u00e9g\u00e8re et portable de DuckDB, ce qui lui permet de s'ex\u00e9cuter directement dans votre navigateur gr\u00e2ce \u00e0 WebAssembly (Wasm). Wasm est une technologie qui permet \u00e0 des logiciels complexes de s'ex\u00e9cuter nativement dans votre navigateur : pas de plugins, pas de t\u00e9l\u00e9chargements, juste de la puissance de calcul l\u00e0 o\u00f9 vous en avez le plus besoin. Avec DuckDB fonctionnant c\u00f4t\u00e9 client, vous pouvez ex\u00e9cuter des requ\u00eates analytiques complexes sans avoir \u00e0 envoyer des requ\u00eates \u00e0 un serveur et \u00e0 attendre les r\u00e9ponses. Le traitement data s'effectue directement dans votre navigateur, ce qui \u00e9limine la latence du r\u00e9seau et r\u00e9duit enti\u00e8rement les d\u00e9pendances de l'infrastructure. Vous pouvez faire l'exp\u00e9rience de cette magie en essayant<\/span> DuckDB dans votre navigateur<\/span><\/a>.<\/span><\/p>\n Nous ne nous pencherons pas ici sur la mise en \u0153uvre technique, mais il convient de noter que DuckDB-Wasm excelle. Des recherches d\u00e9taill\u00e9es dans<\/span> ce document<\/span><\/a> montre qu'il est nettement plus performant que les solutions existantes bas\u00e9es sur un navigateur, telles que la version Wasm de SQLite ou Lovefield, une base data bas\u00e9e sur JavaScript. Cette d\u00e9monstration technique intelligente est le signe d'un changement fondamental dans la mani\u00e8re dont nous envisageons la localisation des calculs analytiques.<\/span><\/p>\n MotherDuck propose cette architecture aliment\u00e9e par Wasm, comme l'explique Mehdi Ouazza dans<\/span> cet article<\/span><\/a>. Cette approche est particuli\u00e8rement efficace pour l'analyse de la couche d'or. Votre \u00e9quipe data travaille avec des donn\u00e9es propres et pr\u00eates \u00e0 l'emploi sans se soucier de l'infrastructure dorsale, le traitement s'effectue localement pour une vitesse maximale et vous obtenez des temps de r\u00e9ponse parmi les plus rapides possibles en \u00e9liminant totalement la latence du r\u00e9seau. De plus, vous \u00e9vitez les co\u00fbts de calcul \u00e9lev\u00e9s que les entrep\u00f4ts traditionnels cloud data aiment vous facturer pour chaque requ\u00eate. Il s'agit d'une proposition convaincante : des analyses plus rapides, des co\u00fbts r\u00e9duits et une architecture plus simple, le tout r\u00e9uni en une seule solution.<\/span><\/p>\n <\/p>\n Une autre fa\u00e7on de tirer parti de MotherDuck dans votre couche d'or est sa capacit\u00e9 d'ex\u00e9cution double, qui combine intelligemment la puissance de traitement locale avec l'\u00e9chelle cloud. Au lieu de forcer toute votre \u00e9quipe data \u00e0 partager les m\u00eames ressources de calcul, MotherDuck donne \u00e0 chaque utilisateur son propre \u201ccanard\u201d : une instance de calcul individuelle, sans serveur, qui \u00e9volue en fonction de ses besoins.<\/span><\/p>\n La puissance r\u00e9elle de la double ex\u00e9cution se r\u00e9v\u00e8le lorsque vous travaillez avec data dispers\u00e9 dans diff\u00e9rentes sources. Imaginez que vous ayez besoin d'interroger data stock\u00e9e dans MotherDuck, de la combiner avec des fichiers dans S3 et de la joindre \u00e0 un ensemble data situ\u00e9 localement sur votre ordinateur portable. Les syst\u00e8mes cloud traditionnels vous obligeraient \u00e0 tout t\u00e9l\u00e9charger en un seul endroit avant de pouvoir ex\u00e9cuter des requ\u00eates intersources. L'ex\u00e9cution hybride de MotherDuck est plus intelligente. Elle analyse votre requ\u00eate, ne conserve que les data n\u00e9cessaires de chaque source et effectue des jointures intelligentes entre les emplacements, ce qui vous permet d'\u00e9conomiser du temps et des co\u00fbts de transfert de data.<\/span><\/p>\n Sous le capot, l'optimiseur de MotherDuck d\u00e9compose votre requ\u00eate en un DAG (graphe acyclique dirig\u00e9) d'op\u00e9rations, estime le co\u00fbt d'ex\u00e9cution de chaque n\u0153ud localement ou \u00e0 distance et g\u00e8re automatiquement les mouvements data. Il vous suffit d'\u00e9crire du code SQL ; MotherDuck d\u00e9termine la strat\u00e9gie d'ex\u00e9cution optimale. Cette approche red\u00e9finit fondamentalement l'analyse cloud. Nous ne sommes plus oblig\u00e9s de choisir entre la simplicit\u00e9 locale et l'extensibilit\u00e9 \u00e0 cloud, chacune avec sa propre complexit\u00e9 en mati\u00e8re de partage data et d'orchestration du flux de travail. Avec MotherDuck, vous obtenez le meilleur des deux mondes : ex\u00e9cutez localement lorsque votre machine peut le supporter, passez \u00e0 l'\u00e9chelle cloud lorsque c'est n\u00e9cessaire, et partagez sans effort tout au long du processus. Il s'agit d'une solution sans serveur qui r\u00e9duit les co\u00fbts de calcul du cloud car vous ne payez que pour ce que vous calculez r\u00e9ellement.<\/p>\n Mais c'est l\u00e0 que les choses deviennent int\u00e9ressantes : le partage de data se fait sans effort. Vous souvenez-vous que la nature mono-utilisateur de DuckDB rendait la collaboration p\u00e9nible ? Si un analyste de data cr\u00e9ait une analyse \u00e9tonnante, il devait tout exporter et le t\u00e9l\u00e9charger vers un syst\u00e8me de stockage partag\u00e9 juste pour permettre \u00e0 ses co\u00e9quipiers d'y acc\u00e9der. Avec MotherDuck, le partage est aussi simple que de cliquer sur un bouton ou d'ex\u00e9cuter une seule ligne de code pour cr\u00e9er un instantan\u00e9 sans copie avec les contr\u00f4les d'acc\u00e8s appropri\u00e9s. Pas de d\u00e9placement de data, pas de duplication du stockage, juste une collaboration instantan\u00e9e.<\/p>\n Pour en savoir plus sur l'ex\u00e9cution de requ\u00eates doubles\/hybrides, consultez l'article de MotherDuck (en anglais). <\/span>la Conf\u00e9rence sur la recherche en mati\u00e8re de syst\u00e8mes Data innovants (CIDR)<\/span><\/a>. Vous pouvez \u00e9galement regarder ceci <\/span>dbt Coalesce talk<\/span><\/a> par Jordan Tigani, cofondateur et directeur g\u00e9n\u00e9ral de MotherDuck.<\/span><\/p>\n Nous avons vu comment MotherDuck supprime une part importante des frais g\u00e9n\u00e9raux des \u00e9quipes data tout en offrant de puissantes capacit\u00e9s d'analyse pour votre couche d'or. Mais la th\u00e9orie n'a qu'une port\u00e9e limit\u00e9e. Nous avons voulu mettre MotherDuck \u00e0 l'\u00e9preuve face \u00e0 des acteurs \u00e9tablis dans le domaine des entrep\u00f4ts cloud data. En examinant les<\/span> Data Rapport sur les piles de 2025<\/span><\/a> publi\u00e9 par Metabase, nous avons trouv\u00e9 quelque chose de surprenant : PostgreSQL reste le choix database le plus populaire, m\u00eame pour les charges de travail analytiques, suivi par Snowflake et BigQuery parmi les entreprises interrog\u00e9es. Cela nous a donn\u00e9 nos cibles de comparaison.<\/span><\/p>\n Nous avons d\u00e9cid\u00e9 de comparer MotherDuck \u00e0 PostgreSQL h\u00e9berg\u00e9 sur Google Cloud et \u00e0 BigQuery, en utilisant les outils suivants <\/span>Superset Apache<\/span><\/a> comme notre outil de BI de pr\u00e9dilection. Superset avait du sens pour plusieurs raisons : il est open source, largement adopt\u00e9, et il a une compatibilit\u00e9 native avec MotherDuck ainsi qu'avec la plupart des autres bases data majeures. Notre environnement de test \u00e9tait compos\u00e9 d'Apache Superset d\u00e9ploy\u00e9 sur Google Cloud Kubernetes Engine, connect\u00e9 \u00e0 trois backends diff\u00e9rents : BigQuery, PostgreSQL sur Cloud SQL, et MotherDuck.<\/span><\/p>\n Nous avons structur\u00e9 nos tests en deux phases. Tout d'abord, nous avons ex\u00e9cut\u00e9 le benchmark TPC-H : un benchmark standardis\u00e9 d'aide \u00e0 la d\u00e9cision qui nous montrerait comment MotherDuck se comporte dans un environnement contr\u00f4l\u00e9 et th\u00e9orique. Ensuite, nous nous sommes rapproch\u00e9s de la r\u00e9alit\u00e9, en testant la relation entre Superset et MotherDuck par rapport aux entrep\u00f4ts traditionnels data dans des sc\u00e9narios de tableaux de bord r\u00e9els.<\/span><\/p>\n TPC-H est la norme pour tester les performances analytiques de database. Il s'agit d'un benchmark d'aide \u00e0 la d\u00e9cision con\u00e7u pour examiner de grands volumes de data, ex\u00e9cuter des requ\u00eates complexes et fournir des r\u00e9ponses \u00e0 des questions commerciales critiques dans diff\u00e9rents secteurs d'activit\u00e9. Vous pouvez trouver la sp\u00e9cification compl\u00e8te dans le<\/span> documentation officielle<\/span><\/a>. Le benchmark se compose de 22 requ\u00eates qui simulent des charges de travail analytiques r\u00e9elles, allant de simples agr\u00e9gations \u00e0 des jointures complexes entre plusieurs tables.<\/span><\/p>\n Nous avons ex\u00e9cut\u00e9 chaque requ\u00eate individuellement dans le laboratoire SQL de Superset pour les trois bases data : MotherDuck, BigQuery et PostgreSQL.<\/b>. Nous avons \u00e9galement test\u00e9 les requ\u00eates directement dans l'interface graphique de MotherDuck afin d'\u00e9liminer la latence client-serveur et parce que, franchement, toute entreprise utilisant MotherDuck ferait probablement travailler ses analystes data dans l'interface inspir\u00e9e du carnet de notes de MotherDuck plut\u00f4t que dans le laboratoire SQL de Superset. En outre, l'application MotherDuck peut exploiter l'architecture WebAssembly dont nous avons parl\u00e9 pr\u00e9c\u00e9demment, et nous \u00e9tions curieux de voir comment cette ex\u00e9cution bas\u00e9e sur un navigateur se comporterait par rapport aux mod\u00e8les serveur-client traditionnels. Pour garantir des tests \u00e9quitables, le cache de Superset a \u00e9t\u00e9 d\u00e9sactiv\u00e9 dans tous les benchmarks.<\/span><\/p>\n Pour ce benchmark, nous avons utilis\u00e9 le facteur d'\u00e9chelle 10 (SF-10) de TPC-H, qui g\u00e9n\u00e8re un dataset de 10 Go. Nous avons choisi le facteur d'\u00e9chelle 10 parce que 10 Go repr\u00e9sente une taille de dataset r\u00e9aliste pour les charges de travail analytiques de la plupart des entreprises, suffisamment importante pour r\u00e9v\u00e9ler des diff\u00e9rences de performances significatives sans n\u00e9cessiter une infrastructure \u00e0 l'\u00e9chelle de l'entreprise. Voici comment le data se d\u00e9compose dans les tables cl\u00e9s :<\/span><\/p>\n Nous avons utilis\u00e9 l'extension TPC-H de DuckDB pour g\u00e9n\u00e9rer le data localement, puis nous l'avons t\u00e9l\u00e9charg\u00e9 en toute transparence sur MotherDuck. Le processus n'a pris que quelques minutes gr\u00e2ce aux capacit\u00e9s de chargement du data de MotherDuck.<\/span><\/p>\n Voici les r\u00e9sultats TPC-H SF-10 en secondes. La colonne jaune montre les r\u00e9sultats de l'interface native de l'application MotherDuck, tandis que les autres colonnes repr\u00e9sentent les performances \u00e0 travers le laboratoire SQL de Superset (SST) :<\/span><\/p>\n MotherDuck offre constamment des performances inf\u00e9rieures \u00e0 la seconde dans tous les domaines : <\/span>21 des 22 requ\u00eates effectu\u00e9es par Superset se terminent en moins d'une seconde<\/b>, Toutes les requ\u00eates sont effectu\u00e9es en moins d'une seconde lorsqu'elles sont ex\u00e9cut\u00e9es directement via l'application MotherDuck. BigQuery affiche des performances respectables, mais avec une moyenne de <\/span>environ 4x plus lent que MotherDuck <\/b>sur l'ensemble des tests. L'histoire de PostgreSQL est tout \u00e0 fait diff\u00e9rente, avec des performances nettement plus lentes et des difficult\u00e9s \u00e9videntes pour les agr\u00e9gations et les jointures complexes. C'\u00e9tait pr\u00e9visible puisque PostgreSQL est fondamentalement con\u00e7u pour les charges de travail OLTP plut\u00f4t que pour le traitement analytique, mais nous l'avons inclus dans notre comparaison parce qu'il reste largement utilis\u00e9 par les entreprises pour les t\u00e2ches analytiques. Il convient de noter que PostgreSQL pourrait atteindre de bien meilleures performances avec des techniques d'optimisation appropri\u00e9es telles que l'indexation, le partitionnement ou les vues mat\u00e9rialis\u00e9es, mais m\u00eame dans ce cas, il devrait encore se battre contre son architecture bas\u00e9e sur les lignes. L'\u00e9cart de performance souligne exactement la raison d'\u00eatre des syst\u00e8mes OLAP sp\u00e9cialis\u00e9s comme MotherDuck : lorsque vous ex\u00e9cutez des requ\u00eates analytiques complexes sur des ensembles data substantiels, l'architecture a une importance consid\u00e9rable.<\/span><\/p>\n Si le TPC-H indique les performances brutes des requ\u00eates, le v\u00e9ritable test est de savoir comment elles se traduisent en termes d'exp\u00e9rience utilisateur dans les outils de veille \u00e9conomique.<\/span><\/p>\n Nous avons constat\u00e9 que les performances \u00e9taient excellentes pour les analystes data travaillant avec SQL sur leur entrep\u00f4t data, mais nous voulions v\u00e9rifier si cette am\u00e9lioration se traduirait par des tableaux de bord, l\u00e0 o\u00f9 les acteurs de l'entreprise interagissent r\u00e9ellement avec le data. Apr\u00e8s tout, des requ\u00eates SQL ultra-rapides n'ont pas beaucoup d'importance si vos tableaux de bord mettent toujours une \u00e9ternit\u00e9 \u00e0 se charger.<\/span><\/p>\n Pour tester cela, nous avons utilis\u00e9 un ensemble r\u00e9aliste de commerce \u00e9lectronique dataset de<\/span> Kaggle<\/span><\/a> contient 67,5 millions de lignes sur 9 Go de data, le genre d'\u00e9chelle avec laquelle de nombreuses entreprises travaillent pour leurs analyses mensuelles des clients. \u00c0 partir de ce tableau unique, nous avons \u00e9labor\u00e9 un tableau de bord complet permettant de tester la capacit\u00e9 de chaque syst\u00e8me \u00e0 g\u00e9rer des charges de travail de veille strat\u00e9gique dans le monde r\u00e9el :<\/span><\/p>\n J'ai test\u00e9 le tableau de bord \u00e0 plusieurs reprises, en appliquant divers filtres, en mesurant les temps de chargement, en d\u00e9sactivant la m\u00e9moire cache et en surveillant les temps de r\u00e9ponse \u00e0 l'aide des outils de d\u00e9veloppement de mon navigateur. Apr\u00e8s plusieurs cycles de test pour garantir des r\u00e9sultats coh\u00e9rents, voici les mesures de performance du tableau de bord en quelques secondes :<\/span><\/p>\n Nos tests de chargement des tableaux de bord r\u00e9v\u00e8lent les implications pratiques des performances de database sur l'exp\u00e9rience de l'utilisateur. MotherDuck offre une r\u00e9activit\u00e9 exceptionnelle des tableaux de bord avec un temps de chargement moyen de seulement 3,35 secondes, ce qui permet des analyses v\u00e9ritablement interactives o\u00f9 les utilisateurs peuvent explorer data de mani\u00e8re fluide et sans friction. En revanche, BigQuery n\u00e9cessite 8,55 secondes pour charger le m\u00eame tableau de bord. C'est encore acceptable pour les rapports planifi\u00e9s, mais cela cr\u00e9e des retards notables qui peuvent d\u00e9courager l'analyse exploratoire. Le temps de chargement de 216 secondes (>3 minutes) de PostgreSQL le rend totalement impraticable pour l'utilisation de tableaux de bord. Cet avantage en termes de performances que repr\u00e9sente MotherDuck peut transformer fondamentalement la mani\u00e8re dont les utilisateurs professionnels interagissent avec data. Lorsque les tableaux de bord se chargent en quelques secondes plut\u00f4t qu'en quelques minutes, l'adoption par les utilisateurs monte en fl\u00e8che, les analystes peuvent rapidement mettre en pratique leurs id\u00e9es et l'analyse devient un avantage concurrentiel plut\u00f4t qu'un goulot d'\u00e9tranglement.<\/span><\/p>\n MotherDuck combine le stockage avec <\/span>pay-as-you-go<\/span><\/a> optimis\u00e9 pour l'analyse interactive. Parce qu'il s'\u00e9tend sur une seule machine au lieu d'\u00eatre distribu\u00e9 sur un cluster, il \u00e9vite les frais g\u00e9n\u00e9raux que les utilisateurs finissent par payer. Une session de dizaines de requ\u00eates peut ne co\u00fbter que $0,05-$0,10, tandis qu'une \u00e9quipe ex\u00e9cutant des milliers de requ\u00eates par mois peut ne d\u00e9penser que $20-$40. En revanche, les bases de data toujours actives peuvent co\u00fbter $300-$500\/mois simplement pour rester en activit\u00e9, et les entrep\u00f4ts de cloud facturent souvent $5-$10 par TB scann\u00e9. Gr\u00e2ce \u00e0 sa conception \u00e9volutive, MotherDuck maintient une tarification simple, pr\u00e9visible et rentable.<\/span><\/p>\n MotherDuck peut sembler plus cher \u00e0 premi\u00e8re vue en raison de ses frais d'organisation et de son mod\u00e8le de tarification informatique diff\u00e9rent. Cependant, les deux syst\u00e8mes utilisent des mod\u00e8les de tarification qui favorisent des sch\u00e9mas d'utilisation diff\u00e9rents : BigQuery excelle dans le traitement de gros lots, tandis que MotherDuck est optimis\u00e9 pour les analyses interactives. Pour notre benchmark TPC-H, l'ex\u00e9cution de 22 requ\u00eates sur SF-10 a co\u00fbt\u00e9 $0,03 pour MotherDuck contre $0,60-$1,00 pour BigQuery. Si l'on tient compte des frais g\u00e9n\u00e9raux d'infrastructure (notre installation PostgreSQL n\u00e9cessitait 14 \u20ac\/jour pour rester en ligne), l'approche sans serveur de MotherDuck offre souvent un co\u00fbt total de possession sup\u00e9rieur pour les charges de travail analytiques interactives.<\/span><\/p>\n \u00c0 l'\u00e9chelle de l'entreprise, les aspects \u00e9conomiques changent en fonction des sch\u00e9mas d'utilisation. BigQuery devient plus rentable pour le traitement par lots de tr\u00e8s gros volumes, tandis que MotherDuck conserve son avantage pour les analyses interactives et les flux de travail exploratoires. L'id\u00e9e cl\u00e9 : choisissez votre mod\u00e8le de tarification en fonction de la mani\u00e8re dont votre \u00e9quipe travaille r\u00e9ellement avec data, et pas seulement en fonction des co\u00fbts unitaires bruts.<\/span><\/p>\n Note : Tous les exemples de prix sont bas\u00e9s sur la r\u00e9gion europe-west4 et doivent \u00eatre consid\u00e9r\u00e9s comme illustratifs plut\u00f4t qu'exacts, car les co\u00fbts r\u00e9els d\u00e9pendent fortement des mod\u00e8les d'utilisation sp\u00e9cifiques et des caract\u00e9ristiques du data.<\/span><\/i><\/p>\n MotherDuck repr\u00e9sente un changement fondamental dans la fa\u00e7on dont nous envisageons les bases analytiques de data, un changement qui remet en question l'hypoth\u00e8se selon laquelle vous avez besoin de syst\u00e8mes complexes et distribu\u00e9s pour g\u00e9rer des charges de travail s\u00e9rieuses de data. En reprenant la philosophie int\u00e9gr\u00e9e de DuckDB et en l'\u00e9tendant au cloud, MotherDuck offre les capacit\u00e9s de collaboration dont les \u00e9quipes data modernes ont besoin, tout en conservant les performances brutes qui rendent DuckDB exceptionnel.<\/span><\/p>\n Les r\u00e9sultats de nos analyses comparatives sont \u00e9loquents : MotherDuck a constamment surpass\u00e9 BigQuery et PostgreSQL par des marges significatives, offrant des performances d'interrogation inf\u00e9rieures \u00e0 la seconde sur des ensembles data de 10 Go et des temps de chargement de tableau de bord qui permettent des analyses v\u00e9ritablement interactives. L'avantage en termes de performances par rapport \u00e0 BigQuery et le tr\u00e8s large avantage par rapport \u00e0 PostgreSQL dans les sc\u00e9narios de tableaux de bord ne se limitent pas \u00e0 des requ\u00eates plus rapides, il s'agit de transformer l'analyse en une exp\u00e9rience plus interactive et exploratoire qui encourage la prise de d\u00e9cision data-driven.<\/span><\/p>\n Plus important encore, MotherDuck atteint ces performances tout en r\u00e9duisant consid\u00e9rablement la complexit\u00e9 et les co\u00fbts de l'infrastructure. Alors que les configurations cloud traditionnelles n\u00e9cessitent une infrastructure permanente co\u00fbtant des centaines de dollars par mois, le mod\u00e8le sans serveur de MotherDuck ne facture que l'utilisation r\u00e9elle, ce qui r\u00e9duit souvent les co\u00fbts. La tarification \u00e0 l'unit\u00e9 de calcul s'aligne parfaitement sur la fa\u00e7on dont les analystes travaillent r\u00e9ellement : ex\u00e9cution de plusieurs requ\u00eates dans des sessions d'exploration plut\u00f4t que des requ\u00eates isol\u00e9es et peu fr\u00e9quentes.<\/span><\/p>\n Les implications vont au-del\u00e0 des performances et des co\u00fbts. Le double mod\u00e8le d'ex\u00e9cution de MotherDuck et ses capacit\u00e9s d'analyse bas\u00e9es sur un navigateur sugg\u00e8rent un avenir o\u00f9 la fronti\u00e8re entre l'informatique locale et l'informatique cloud devient de plus en plus fluide. Au lieu de forcer les \u00e9quipes \u00e0 choisir entre la simplicit\u00e9 locale et l'extensibilit\u00e9 \u00e0 cloud, MotherDuck offre les deux, en acheminant intelligemment les calculs l\u00e0 o\u00f9 ils sont le plus utiles.<\/span><\/p>\n Ce qui m'a vraiment impressionn\u00e9 pendant les tests, c'est la simplicit\u00e9 d'utilisation et d'installation de MotherDuck. Le mod\u00e8le d'ex\u00e9cution double m'a permis d'interroger le data \u00e0 la fois localement et simultan\u00e9ment dans le cloud, tandis que l'\u00e9tablissement de la connexion entre Superset et MotherDuck a \u00e9t\u00e9 remarquablement simple.<\/span><\/p>\n Pour les organisations qui cherchent \u00e0 moderniser leurs capacit\u00e9s analytiques en commen\u00e7ant par la couche d'or, MotherDuck offre une proposition tr\u00e8s attrayante : des performances de niveau entreprise, des flux de travail collaboratifs et une rentabilit\u00e9, le tout sans les frais g\u00e9n\u00e9raux op\u00e9rationnels de l'infrastructure d'entrep\u00f4t data traditionnelle. Dans un monde o\u00f9 les d\u00e9cisions data-driven d\u00e9terminent de plus en plus l'avantage concurrentiel, la capacit\u00e9 d'explorer data de mani\u00e8re interactive \u00e0 des vitesses inf\u00e9rieures \u00e0 la seconde n'est pas seulement un avantage, elle devient essentielle.<\/span><\/p>\n Pr\u00eat \u00e0 vivre la performance de MotherDuck par vous-m\u00eame ?<\/b> Vous pouvez commencer par un <\/span>Essai gratuit de 21 jours ou avec leur plan gratuit de 10GB <\/span><\/a>pour le tester avec vos propres ensembles data et charges de travail. Si vous souhaitez savoir si MotherDuck convient \u00e0 votre pile data sp\u00e9cifique ou si vous avez besoin d'aide pour la mise en \u0153uvre, contactez notre \u00e9quipe \u00e0 l'adresse suivante <\/span>Artefact<\/span><\/a>, Si vous le souhaitez, nous nous ferons un plaisir d'\u00e9valuer vos besoins en mati\u00e8re d'analyse et de vous aider \u00e0 passer \u00e0 une infrastructure analytique plus efficace et plus rentable.<\/span><\/p>\n <\/p>","protected":false},"excerpt":{"rendered":" MotherDuck \u00e9tend les performances analytiques de DuckDB au cloud avec des fonctionnalit\u00e9s collaboratives, offrant des performances quatre fois plus rapides que BigQuery et des \u00e9conomies par rapport aux entrep\u00f4ts data traditionnels gr\u00e2ce \u00e0 une tarification sans serveur et \u00e0 l'utilisation. Suite \u00e0 l'annonce de la nouvelle r\u00e9gion europ\u00e9enne cloud de MotherDuck, nous avons \u00e9t\u00e9 impressionn\u00e9s par ses performances et son prix attractif. MotherDuck peut d\u00e9j\u00e0 \u00eatre int\u00e9gr\u00e9 dans vos couches d'or afin d'acc\u00e9l\u00e9rer le service des cas d'utilisation data tout en r\u00e9duisant les co\u00fbts. Voir l'analyse comparative des performances.<\/p>","protected":false},"featured_media":1021833,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995,21939],"blog-language":[2991],"class_list":["post-1015858","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-category-medium","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog\/1015858","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media\/1021833"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=1015858"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-category?post=1015858"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-language?post=1015858"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Un canard \u00e0 couver<\/b><\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Client-Server-MotherDuck.png\")
<\/p>\n![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Chart-MotherDuck.png\")
<\/h3>\nLe canard qui a appris \u00e0 voler<\/b><\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-Architecture.png\")
<\/p>\n\n
Analyse en cours de navigation<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-WASM-Powered-1.5-tier-architecture.png\")
<\/p>\nDouble ex\u00e9cution<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-Dualhybrid-query-execution.png\")
<\/h2>\n![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Architecture-Managed-DuckDB-in-the-cloud.png\")
<\/p>\nLes canards en libert\u00e9<\/h2>\n
Analyse comparative TPC-H<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-Web-GUI.png\")
<\/p>\n![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/MotherDuck-Tables.png\")
<\/p>\n![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Results-for-the-22-queries-in-seconds-MD.png\")
<\/p>\nTableau de bord des performances<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Superset-dashboard.png\")
<\/p>\n![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Loading-results-MD.png\")
<\/p>\nComparaison des prix<\/h3>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2025\/10\/Pricing-models-of-each-solution-for-the-benchmark.png\")
<\/p>\nConclusion<\/b><\/h2>\n