Comment les jointures croisées nuisent aux performances de votre tableau de bord
Simba aide les développeurs à intégrer une intelligence fiable dans chaque produit, afin qu’ils puissent fournir des réponses cohérentes et fiables dans un monde où l’IA est omniprésente.

Votre équipe d'analyse a créé un rapport. Il fonctionnait correctement en environnement de développement, mais dès sa mise en production, les utilisateurs ont commencé à se plaindre de son temps de chargement. Votre équipe a vérifié la base de données et examiné la configuration du tableau de bord, mais personne ne parvient à identifier le problème.
Il y a de fortes chances que la cause soit une jointure croisée, et il y a encore plus de chances qu'elle s'exécute au mauvais endroit.
Qu'est-ce qu'une jointure croisée et pourquoi est-elle importante ?
Les jointures SQL permettent aux bases de données de combiner les données provenant de plusieurs tables. La plupart des jointures sont intentionnelles et délimitées. Une jointure interne ne renvoie que les lignes pour lesquelles il existe une condition de correspondance entre deux tables. Une jointure gauche renvoie toutes les lignes d'une table et les met en correspondance avec celles d'une autre table lorsque cela est possible. Ces deux types de jointures produisent des ensembles de résultats gérables et prévisibles.
Une jointure croisée fonctionne différemment. Au lieu de faire correspondre des lignes en fonction d’une condition, elle combine chaque ligne d’une table avec chaque ligne d’une autre. Deux tables comportant chacune 1 000 lignes produisent 1 000 000 de lignes intermédiaires avant même qu’un filtrage n’ait lieu. Deux tables comportant chacune 100 000 lignes en produisent 10 milliards. La base de données doit traiter l’ensemble de ces données avant de pouvoir renvoyer un résultat.
Les jointures croisées ont des utilisations légitimes, notamment pour certains types de calculs et de tâches de modélisation des données. Le problème survient lorsqu’elles apparaissent par inadvertance, ce qui arrive plus souvent que les équipes ne le pensent. Une relation mal configurée dans une couche sémantique, une requête SQL personnalisée dans laquelle il manque une condition de jointure, ou encore une erreur de modélisation dans un outil de gestion des données tel que dbt peuvent tous donner lieu à une jointure croisée involontaire sans que personne ne l’ait explicitement écrite. Bien que la requête semble normale, son comportement ne l’est pas.
Ce que la plupart des équipes négligent
Lorsqu'une jointure croisée entraîne un problème de performances, on a naturellement tendance à se tourner vers la base de données ou l'outil de BI. Or, ces deux éléments fonctionnent généralement correctement. Ce qui détermine réellement la gravité du problème, c'est l'endroit où la jointure est exécutée.
Dans un environnement BI, les requêtes ne sont pas transmises directement de l’outil à la base de données. Elles transitent par une couche de connectivité, un pilote, qui gère la communication entre les deux. Ce pilote détermine la partie de la logique de la requête qui est envoyée à la base de données pour y être exécutée et celle qui est traitée localement une fois les données récupérées.
Lorsqu'un utilisateur transmet la logique de jointure à la base de données, c'est le moteur de base de données qui se charge de la traiter. Il utilise son planificateur de requêtes, ses index et ses capacités d'optimisation pour exécuter la jointure de la manière la plus efficace possible. Un jeu de résultats filtré et agrégé est renvoyé à l'outil de BI, et le tableau de bord se charge rapidement.
Lorsqu'un pilote ne peut pas appliquer pleinement la logique de jointure, il récupère des ensembles de données plus volumineux depuis la base de données et les traite localement. Dans le cas d'une jointure croisée, cela implique de générer le produit cartésien complet en dehors de la base de données, sans pouvoir bénéficier des capacités d'optimisation de celle-ci. Cela entraîne notamment les problèmes suivants :
Pics de mémoire
Le temps de traitement est multiplié
Le tableau de bord, qui fonctionnait parfaitement en environnement de développement, ne répond plus en production.
Le code SQL rédigé par votre équipe est peut-être tout à fait correct. C'est peut-être le pilote qui transforme une opération gérable en un problème de performances.
Concrètement, cela se traduit ainsi
Le symptôme constaté par votre équipe est un tableau de bord qui se charge lentement ou qui expire en conditions normales d'utilisation. La présence d'utilisateurs simultanés aggrave considérablement le problème. Lorsque plusieurs personnes lancent simultanément la même requête et que chacune d'entre elles génère un produit cartésien côté client, la charge en mémoire et en ressources de traitement s'accumule rapidement.
Ce schéma fonctionne en environnement de développement, mais ne fonctionne plus en production. Lorsque le problème s'aggrave avec l'augmentation du nombre d'utilisateurs, c'est un indicateur fiable qu'il convient d'examiner l'emplacement d'exécution des jointures. La requête qu'un analyste a testée directement sur la base de données s'exécutait avec une optimisation complète de la base de données. La même requête, exécutée via l'outil de BI, passait par un pilote incapable de déléguer l'opération, et la différence n'est apparue qu'en conditions de charge réelle.
La solution, c'est le pilote
Pour résoudre ce problème, il n'est pas nécessaire de réécrire du code SQL ni de remplacer les outils de BI. Il suffit d'un pilote capable de gérer correctement le « pushdown ».
Simba, de insightsoftware , bénéficie de la confiance des principales plateformes de données mondiales, notamment Google, Microsoft et Databricks, qui s'appuient sur ses solutions pour alimenter leurs propres produits d'accès aux données. Cette même connectivité, fondée sur des normes, est mise à la disposition des équipes d'entreprise via les pilotes ODBC et JDBC de Simba. Les conditions de jointure, les filtres et les agrégations pris en charge sont transmis à la base de données source pour y être exécutés. Ce qui est renvoyé à l'outil de BI est un ensemble de résultats, et non des données brutes en attente d'être traitées en mémoire.
Il en résulte des tableaux de bord dont les performances restent stables face à des charges de travail réelles sur Tableau, Power BI, Logi Symphony et d'autres grandes plateformes de BI, car le travail le plus intensif est effectué là où il est censé l'être, c'est-à-dire directement au niveau de la base de données.
Si votre équipe s'efforce de résoudre un problème de performances que personne ne parvient à identifier, il vaut la peine d'examiner de plus près la couche « driver ».
Envie d'en savoir plus ? Consultez notre livre blanc pour découvrir comment accélérer l'adoption de votre plateforme d'analyse BI ou de préparation des données.