#6.15 Et vous, êtes-vous plutôt KQL ou SQL ?

カートのアイテムが多すぎます

ご購入は五十タイトルがカートに入っている場合のみです。

カートに追加できませんでした。

しばらく経ってから再度お試しください。

ウィッシュリストに追加できませんでした。

しばらく経ってから再度お試しください。

ほしい物リストの削除に失敗しました。

しばらく経ってから再度お試しください。

ポッドキャストのフォローに失敗しました

ポッドキャストのフォロー解除に失敗しました

#6.15 Et vous, êtes-vous plutôt KQL ou SQL ?

無料で聴く

ポッドキャストの詳細を見る

Apprendre le langage KQL, quels apports pour l’analyste de donnéesDepuis des décennies, SQL règne sur le monde de l’analyse de données. Avec l’essor du cloud, de la cybersécurité et du big data générés par les infrastructures modernes, un nouveau venu est arrivé dans l’écosystème Microsoft : le Kusto Query Language[1], plus connu sous son acronyme KQL. Pour un analyste de données qui doit choisir ses compétences à développer ou simplement comprendre le paysage technologique actuel, la question mérite d’être posée sans jargon inutile : que gagne-t-on, et que perd-on, à utiliser KQL plutôt que SQL? Quand doit-on utiliser les deux? Complémentarité ou concurrence?Deux langages, deux histoiresSQL est né dans les années 1970 (merci au Dr Codd et à la conceptualisation de l’OLTP), conçu pour interroger des bases de données relationnelles classiques : celles qui gèrent les commandes d’un site e-commerce, les comptes clients d’une banque, ou les stocks d’un entrepôt. Sa vocation première est la gestion de données structurées et stables, avec des exigences fortes de cohérence et d’intégrité. C’est le T de OLTP, la notion de « transaction ». SQL n’a jamais été conçu comme un langage destiné au décisionnel et à l’analyse de données.KQL, lui, est beaucoup plus récent : il a été développé par Microsoft et lancé en 2017 avec le service Azure Data Explorer ; il répond à un besoin différent, apparu avec l’explosion du big data. Comment analyser rapidement des milliards de lignes de logs, ou d’événements de sécurité, générés en continu ? C’est précisément le terrain de jeu pour lequel KQL a été pensé, et on le retrouve aujourd’hui au cœur d’outils comme Azure Monitor ou Microsoft Sentinel, la plateforme de cybersécurité de Microsoft. Il peut évidemment être utilisé pour analyser d’autres types de données. On pense évidemment aux données générées par des objets connectés, ou des transactions d’un site de eCommerce, etc.Cette différence d’origine explique presque tout ce qui les sépare aujourd’hui.Les atouts de KQL pour l’analysteUne lecture plus naturelle des requêtes complexes. Là où SQL demande souvent d’imbriquer des sous-requêtes ou de lire une instruction dans un ordre qui ne correspond pas à celui de son exécution réelle, KQL fonctionne comme un enchaînement d’étapes, un peu à la manière d’une recette de cuisine : on part des données brutes, puis on filtre, puis on regroupe, puis on trie, chaque étape s’ajoutant à la précédente de façon visible. Pour un analyste qui construit une analyse pas à pas, cette logique de pipeline facilite énormément la relecture et la correction d’erreurs.Une puissance native pour l’analyse temporelle. KQL a été conçu dès le départ pour des données horodatées en grand volume : logs applicatifs, alertes de sécurité, mesures de performance. Des fonctions comme le calcul de fenêtres de temps glissantes ou la détection d’anomalies sont intégrées nativement, alors qu’elles demandent souvent des développements plus techniques en SQL classique.Une recherche de texte libre intégrée. Chercher un mot ou une expression dans de grandes quantités de données textuelles est une opération courante et simple en KQL, sans configuration préalable particulière. En SQL, ce type de recherche nécessite le plus souvent une préparation technique. SQL a été conçu exclusivement pour l’analyse de données structurées ; KQL a été pensé au moment où les données semi-structurées et non structurées sont devenues accessibles, le fameux « big data » des années 2010.Une exploration progressive des données. Parce qu’une requête KQL se construit étape par étape, un analyste peut tester une première portion, observer le résultat, puis ajouter la suite. Cette approche est particulièrement appréciable lorsqu’on découvre un jeu de données inconnu. C’est une technique d’exploration qui répond parfaitement aux besoins métier d’analyse de nouvelles données.Quels sont les défauts de KQL pour l’analysteUn langage moins répandu. SQL bénéficie d’une notoriété et d’une ancienneté que KQL est loin d’égaler. La quasi-totalité des formations en analyse de données, des offres d’emploi et des ressources pédagogiques s’appuient sur SQL. Apprendre KQL représente donc un investissement supplémentaire, sur un langage dont l’usage reste concentré dans l’écosystème Microsoft. Si vous souhaitez vous spécialiser en environnement Microsoft, c’est un bon choix d’extension de vos compétences. Pour une entreprise qui choisit la plate-forme Microsoft, le choix de KQL est assez logique. En revanche, c’est pour l’instant une étape de plus dans une dépendance à l’écosystème Microsoft. En période de réflexion sur la souveraineté… La conséquence pour une entreprise est que les ...

まだレビューはありません