Le sale secret de l'Observability : l'arnaque des prix

L'Observability, la pratique essentielle pour comprendre les systèmes distribués complexes, porte un fardeau omniprésent et méconnu : sa facturation. Les leaders de l'ingénierie sont régulièrement confrontés à des factures inutilement complexes et opaques, transformant une dépense opérationnelle critique en une source constante d'anxiété. Ce manque systémique de transparence contraint les équipes techniques à des rôles de comptabilité frustrants et chronophages, détournant leur attention de l'innovation et du développement essentiels.

« Les clients n'ont pas besoin d'un PhD pour comprendre ce que cela signifie », a déclaré un expert de Better Stack sur le podcast CodeRED, résumant parfaitement l'exaspération généralisée de l'industrie. Ce n'est pas une simple frustration ; cela représente une rupture fondamentale dans la manière dont les fournisseurs communiquent la valeur. Chaque fournisseur invente sa propre métrique de consommation obscure, souvent incomparable, créant une Tour de Babel en matière de prix qui laisse les clients perplexes.

Considérez le paysage déroutant des modèles de facturation : Datadog facture les « custom metrics », Grafana les « active series », tandis que SigNoz facture en fonction des « million samples ». Better Stack elle-même utilisait auparavant les « active data points » avant de reconnaître la confusion et de passer à un modèle plus compréhensible basé sur le gigaoctet. Cette gamme vertigineuse d'unités incompatibles rend pratiquement impossible pour les organisations de comparer précisément les coûts ou de prévoir les dépenses futures entre les plateformes, même pour des charges de travail identiques.

Cette imprévisibilité inhérente paralyse une planification budgétaire et des prévisions financières efficaces. Les équipes d'ingénierie, chargées de faire évoluer des services vitaux pour répondre à la demande croissante des utilisateurs ou aux lancements de nouvelles fonctionnalités, hésitent fréquemment. Leur prudence ne vient pas de limitations techniques, mais de la peur paralysante d'une augmentation imprévue et massive de la facture qui pourrait faire dérailler le budget de tout un trimestre. Cet effet dissuasif sur l'innovation et l'agilité opérationnelle a un impact direct sur les délais des projets et la réactivité du marché.

En fin de compte, ce n'est pas un défi technique concernant le traitement des données ou l'architecture système. C'est un profond problème commercial qui affecte directement la santé financière d'une organisation. Il a un impact sur le résultat net par des coûts imprévisibles, souvent croissants, et indirectement par une productivité des développeurs diminuée, car des ingénieurs hautement rémunérés gaspillent des cycles précieux à déchiffrer des factures alambiquées au lieu de construire et de déployer des fonctionnalités critiques. Ce manque systémique de transparence érode la confiance et étouffe la croissance même que l'Observability est censée permettre.

Les plateformes d'Observability présentent un kaléidoscope déroutant de métriques de facturation, plongeant les équipes d'ingénierie dans un état de confusion perpétuel. Aucune norme universelle ne régit la manière dont les fournisseurs quantifient l'utilisation, transformant le simple acte de comparaison des coûts en une discipline complexe et spécialisée. Ce manque de transparence contredit directement le principe d'une facturation compréhensible et prévisible, un principe fondamental pour tout service efficace.

Les entreprises sont confrontées à des unités très différentes de la part des principaux fournisseurs. Grafana quantifie l'utilisation par active series, en suivant les combinaisons de métriques uniques sur une période définie. Datadog opte pour les custom metrics, faisant souvent référence à des points de données définis par l'utilisateur ingérés au-delà des métriques système standard. SigNoz, quant à lui, facture sur la base de million samples, comptant le volume brut de points de données ingérés, tandis que Dash0 utilise une 'data points metric', une mesure similaire mais distincte.

Chaque métrique tente de capturer une facette de l'activité du système, mais leurs définitions fondamentales divergent énormément. Une "active series" pourrait représenter une seule métrique sur de nombreuses instances, tandis qu'une "custom metric" pourrait être une seule valeur d'un service. Un décompte de "million samples" agrège les points de données bruts, ce qui pourrait correspondre à de nombreuses active series ou custom metrics en fonction des taux d'échantillonnage et de la cardinalité des données. Ces variations rendent les comparaisons directes pratiquement impossibles.

Les clients ne peuvent pas facilement convertir leurs "custom metrics" Datadog en un équivalent "million samples" sur SigNoz, ni estimer le coût des "active series" de Grafana en se basant sur la "data points metric" de Dash0. Le calcul de facturation unique de chaque fournisseur exige une compréhension approfondie, souvent propriétaire, de leurs méthodes d'agrégation et de leurs modèles de données spécifiques. Ce système opaque empêche les équipes de prévoir avec précision les dépenses ou de prendre des décisions éclairées concernant la migration de fournisseurs.

Ce paysage complexe détourne les talents d'ingénierie essentiels de l'innovation vers le déchiffrage des factures. Comme l'ont souligné les experts du podcast CodeRED, de tels modèles de tarification alambiqués sont "stupides" car ils obligent les clients à devenir des spécialistes de la facturation plutôt que de se concentrer sur leurs propres systèmes de production. L'approche fragmentée de l'industrie crée un fardeau inutile, garantissant que la compréhension de votre facture d'observabilité reste une tâche pour quelques-uns, et non pour la majorité.

Les modèles de facturation d'observabilité masquent constamment les coûts réels, mais l'approche de Datadog incarne souvent cette complexité. "Je regarde ma facture Datadog, et je me dis, combien cela va-t-il coûter sur Better Stack ? Je n'en ai aucune idée. Et c'est juste stupide", a déploré un intervenant de l'épisode du podcast CodeRED, capturant parfaitement la frustration de l'industrie. Ce sentiment met en évidence la profonde difficulté à laquelle sont confrontées les équipes d'ingénierie lorsqu'elles tentent d'évaluer ou de migrer des services.

Imaginez une équipe envisageant de passer de Datadog à un autre fournisseur. Leur facture Datadog détaille l'utilisation basée sur les custom metrics, les unités d'hôte, les invocations serverless, et plus encore. Tenter de traduire "10 million custom metrics" dans les unités d'une autre plateforme devient un exercice futile, car chaque fournisseur utilise un langage propriétaire pour ses billing metrics: - Grafana facture les "active series". - SigNoz facture les "million samples". - Dash0 facture la "data points metric". Cette disparité rend les comparaisons de coûts directes pratiquement impossibles.

Cette ambiguïté délibérée favorise une forme puissante de vendor lock-in. Les leaders de l'ingénierie, déjà aux prises avec des systèmes complexes, sont confrontés à une tâche insurmontable : calculer le coût réel d'une alternative. L'énorme investissement en temps requis pour une telle évaluation, associé au risque inhérent d'erreur de calcul, dissuade souvent les équipes d'explorer d'autres options. Cette opacité stratégique garantit que les clients restent liés, malgré les économies potentielles ou les avantages fonctionnels ailleurs.

La page de tarification publique de Datadog illustre davantage cette structure labyrinthique. Elle présente un système modulaire de dizaines de SKUs individuels et d'add-ons pour l'infrastructure, l'APM, les logs, la sécurité, et plus encore. Chaque service propose sa propre métrique distincte — des gigabytes de logs ingérés aux nombres d'hôtes spécifiques et aux volumes de tracing. Comprendre le véritable coût cumulatif, sans parler de le projeter sur une nouvelle plateforme, exige un audit interne de la consommation de données bien au-delà de ce que la plupart des équipes peuvent raisonnablement entreprendre. Pour un contraste frappant en matière de transparence, les équipes peuvent consulter la tarification simple et directe de Pricing - Better Stack.

La complexité déconcertante des modèles de facturation de l'observabilité n'est pas un sous-produit accidentel d'une industrie naissante ; elle représente une stratégie commerciale délibérée et très rentable. Les fournisseurs conçoivent cette opacité, transformant ce qui devrait être une transaction simple en un puzzle complexe. Cette opacité délibérée a un objectif clair : maximiser les revenus en obscurcissant les coûts réels et en entravant la comparaison concurrentielle.

Cette psychologie de la tarification décourage les responsables de l'ingénierie de comparer les offres. Lorsque l'on compare les « custom metrics » sur Datadog aux « active series » sur Grafana, aux « million samples » sur SigNoz, ou aux « gigabytes » de Better Stack, l'effort considérable requis pour traduire et projeter les coûts devient prohibitif. Cette complexité favorise un vendor lock-in important, rendant beaucoup plus facile de renouveler un contrat existant, bien qu'onéreux, que d'entreprendre une évaluation rigoureuse et chronophage des alternatives. Elle permet également un upselling fluide, car les véritables implications financières d'une ingestion de données accrue ou de l'adoption de nouveaux services restent cachées jusqu'à l'arrivée de la prochaine facture.

Un aspect particulièrement insidieux de ce modèle est le metric creep. Un changement mineur dans le code d'une application, peut-être l'ajout d'un nouveau compteur interne ou l'enregistrement d'attributs supplémentaires, peut déclencher une augmentation massive des « custom metrics » ou des « active series » facturables. Ces ajustements apparemment anodins entraînent des factures disproportionnellement gonflées, souvent sans retour d'information clair et en temps réel sur l'impact financier. Le fournisseur bénéficie immensément de ce multiplicateur de coûts caché, transformant la collecte de données incrémentielle en revenus exponentiels.

En fin de compte, cette structure de tarification alambiquée est une pratique anti-client qui étouffe l'innovation et la concurrence loyale. Les équipes d'ingénierie hésitent à instrumenter de nouvelles fonctionnalités ou à collecter une télémétrie complète, craignant des coûts astronomiques et imprévisibles. Cette réticence à observer pleinement leurs systèmes entrave les efforts d'optimisation des performances et de débogage. Le manque de tarification transparente et comparable crée également des conditions de concurrence inégales, rendant incroyablement difficile pour les concurrents innovants dotés de modèles plus simples et plus prévisibles de démontrer efficacement leur valeur.

Les schémas de tarification alambiqués de l'industrie, des « custom metrics » de Datadog et des « active series » de Grafana aux « million samples » de SigNoz et aux « data points metric » de Dash0, masquent activement les coûts réels. Les équipes d'ingénierie sont confrontées à une tâche impossible de comparaison des factures lorsque chaque fournisseur invente une nouvelle unité de mesure propriétaire. Cette obfuscation délibérée laisse les dirigeants dans l'incertitude quant aux dépenses futures et entrave une planification budgétaire efficace, entraînant souvent des chocs de facturation inattendus qui font dérailler les projets.

Un puissant antidote émerge sous la forme de la facturation basée sur le gigaoctet pour les métriques. Cette approche simple élimine la complexité, offrant une unité universellement comprise qui transcende le jargon spécifique aux fournisseurs. Comme Better Stack l'a articulé sur leur podcast CodeRED, « Tout le monde peut imaginer un gigaoctet », rendant la tarification instantanément compréhensible, intrinsèquement comparable et véritablement transparente. Ce changement permet aux clients de comprendre leur consommation sans nécessiter un diplôme spécialisé.

Les ingénieurs travaillent déjà quotidiennement avec les gigaoctets comme unité fondamentale dans d'autres services d'infrastructure critiques, favorisant une compréhension inhérente de sa valeur. Considérez la prévisibilité établie des coûts de stockage cloud, où des plateformes comme AWS S3 facturent directement par gigaoctet stocké ou transféré. Les frais de sortie de réseau (network egress fees) adhèrent de manière similaire à ce modèle intuitif, fournissant des projections de coûts claires basées sur le volume de données réel. Cette familiarité généralisée avec le volume de données comme unité de facturation renforce la confiance et élimine le besoin d'un « doctorat pour comprendre » une facture, contrairement aux modèles opaques de « active series » ou « custom metrics ».

Better Stack a récemment défendu ce changement, passant de son ancien modèle de « points de données actifs » à la facturation des métriques en gigaoctets. Ce pivot stratégique illustre un fournisseur écoutant activement la frustration généralisée des clients face à une tarification opaque, comme discuté lors de leur segment « Good Observability Pricing... ». Leur décision fournit une étude de cas réelle cruciale, démontrant que la simplification des coûts d'observabilité est non seulement possible mais aussi profondément bénéfique pour les équipes d'ingénierie recherchant des dépenses prévisibles. Cela établit une nouvelle référence en matière de transparence dans une industrie longtemps réputée pour ses jeux de prix et ses calculs complexes.

Un modèle de facturation basé sur le gigaoctet réduira-t-il réellement vos coûts d'observabilité ? De nombreux leaders de l'ingénierie se concentrent naturellement sur le prix brut par unité, mais cette vision étroite manque l'image cruciale. La vraie question tourne autour du Coût Total de Possession (TCO), s'étendant bien au-delà du prix initial affiché.

Les modèles de facturation complexes et opaques, comme ceux facturant les « active series » ou les « custom metrics », introduisent des dépenses cachées importantes. Ce ne sont pas des postes sur une facture, mais ils épuisent les ressources. Considérez les dizaines d'heures d'ingénierie passées chaque mois juste pour déchiffrer une facture, ou la difficulté de l'équipe financière à prévoir les dépenses du prochain trimestre avec précision.

Cette charge d'ingénierie (engineering overhead) et cette ambiguïté financière sont des coûts directs. Les équipes retardent des décisions de mise à l'échelle cruciales, craignant une augmentation imprévisible de la facture. Elles passent du temps à optimiser l'ingestion de données pour manipuler une structure de prix alambiquée au lieu de se concentrer sur l'innovation produit ou la fiabilité réelle du système. Cette inefficacité impacte directement le résultat net d'une entreprise.

Un modèle simple, basé sur le gigaoctet, tel que préconisé par les invités de CodeRED et mis en œuvre par certains fournisseurs, simplifie radicalement cela. Vous savez précisément ce que vous payez par Go, éliminant les incertitudes. Cette clarté favorise une prévisibilité inégalée, permettant aux équipes d'ingénierie de se développer en toute confiance et d'allouer des ressources sans craindre de frais imprévus.

Imaginez la différence : au lieu de vous angoisser pour savoir si un nouveau service doublera votre facture de « custom metrics », vous estimez simplement son volume de données. Cela permet une planification proactive des ressources et une allocation budgétaire confiante. Alors que des plateformes comme Datadog détaillent leurs diverses métriques et niveaux [Pricing - Datadog], la complexité masque souvent les véritables coûts comparatifs par rapport à un modèle simple basé sur les Go.

En fin de compte, la simplicité n'est pas seulement une question de facilité de compréhension ; c'est une puissante fonctionnalité d'économie de coûts. Elle libère les talents d'ingénierie de grande valeur des analyses forensiques de facturation, réoriente la planification financière vers la croissance et supprime un obstacle majeur à l'innovation et à la mise à l'échelle. La solution d'observabilité la plus abordable est souvent celle que vous pouvez réellement comprendre et prédire.

Les géants de l'observabilité en place comme Datadog sont confrontés à d'immenses désincitations structurelles à simplifier leurs modèles de tarification profondément enracinés. Leurs structures complexes actuelles, souvent basées sur des unités obscures comme les custom metrics, les active series, ou des millions de points de données, ne sont pas accidentelles ; elles sont méticuleusement intégrées dans leurs opérations commerciales de plusieurs milliards de dollars. Un changement fondamental vers un modèle transparent, basé sur le gigaoctet, nécessiterait une réévaluation complète de leur architecture financière, de leur stratégie de mise sur le marché et de leur positionnement concurrentiel.

Ces métriques de facturation complexes constituent le fondement de leurs lucratifs contrats de vente aux entreprises, qui s'étendent souvent sur plusieurs années. Les accords pluriannuels avec les entreprises du Global 2000 comportent des conditions hautement personnalisées, méticuleusement négociées autour d'unités opaques existantes qui profitent au fournisseur. Les projections de revenus et les attentes des investisseurs, essentielles pour les entreprises publiques comme Datadog, reposent sur les flux de revenus prévisibles, bien que complexes, générés par ces systèmes de tarification établis. Perturber cette stabilité financière provoquerait des ondes de choc dans leurs rapports trimestriels, impactant potentiellement les valorisations boursières et la confiance des actionnaires.

L'inertie organisationnelle ancre davantage le statu quo. La refonte d'un système de facturation central pour une entreprise de la taille de Datadog représente une entreprise interne monumentale, un projet pluriannuel comportant des risques importants. Cette transformation exigerait une réingénierie étendue à travers divers départements – de l'ingénierie centrale aux ventes et à la finance – redéfinissant les pipelines de données, les structures contractuelles et les prévisions de revenus, entraînant des coûts astronomiques et un risque élevé de perturbation.

Pour ces leaders du marché, la tarification complexe fonctionne comme une fonctionnalité stratégique, et non comme un bug. Elle crée des obstacles substantiels pour les clients qui souhaitent comparer avec précision les coûts réels avec des challengers agiles comme Better Stack ou SigNoz, favorisant un puissant verrouillage fournisseur. Cette opacité délibérée réduit le taux de désabonnement, empêche le changement de concurrent et permet des stratégies de « land and expand » où les coûts initiaux perçus peuvent sembler trompeusement bas avant de s'intensifier rapidement. En fin de compte, le système de facturation complexe, bien qu'étant une source persistante de frustration pour les responsables de l'ingénierie, sert méticuleusement les objectifs financiers des acteurs en place et assure leur domination du marché.

Pour les Site Reliability Engineers et les professionnels DevOps, les coûts imprévisibles de l'observabilité représentent une angoisse constante et latente. Chaque nouvelle fonctionnalité, chaque expérience de performance, chaque événement de mise à l'échelle comporte le risque tacite de dépasser le budget, forçant une conversation difficile avec les finances. Cette incertitude insidieuse étouffe l'innovation et transforme un travail technique nécessaire en un champ de mines financier.

Un passage à des budgets prévisibles simples modifie fondamentalement cette dynamique. Lorsque la facturation des métriques se fait par gigaoctet, comme le fait maintenant Better Stack, les équipes SRE gagnent en clarté. Elles ne craignent plus de déployer un nouveau service ou d'exécuter un A/B test crucial, sachant que leur ingestion de données accrue se traduit directement par un coût facilement quantifiable et proportionné. Cette prévisibilité permet aux ingénieurs de se concentrer sur la fiabilité et l'innovation, et non sur le déchiffrage des factures.

Ce modèle de coût simple offre également une transparence des coûts inégalée. Les équipes peuvent immédiatement corréler les changements d'infrastructure avec leur impact financier. Mettre à l'échelle une base de données, optimiser un pipeline de journalisation ou refactoriser la télémétrie d'une application ont tous un effet clair et mesurable sur la facture d'observabilité. Cette boucle de rétroaction directe permet une gestion proactive des coûts et une prise de décision éclairée, transformant les SREs de centres de coûts en partenaires financiers stratégiques.

En fin de compte, une facturation d'observabilité prévisible favorise un meilleur alignement ingénierie-finance. Les départements financiers obtiennent des prévisions claires, facilitant l'allocation budgétaire et réduisant les dépenses imprévues. Les équipes d'ingénierie, à leur tour, démontrent une responsabilité fiscale sans sacrifier l'agilité. Cette compréhension et cette confiance mutuelles remplacent les frictions habituelles, permettant aux deux parties de collaborer efficacement vers les objectifs organisationnels, plutôt que de se battre sur des factures opaques.

Prenez le contrôle de vos dépenses d'observabilité. Cessez d'accepter les factures opaques comme un coût inévitable des affaires. Ce plan en trois étapes permet à votre direction de l'ingénierie d'examiner les factures des fournisseurs, d'identifier les coûts cachés et d'exiger la transparence que vous méritez.

Premièrement, isolez la métrique principale qui motive votre facture d'observabilité actuelle. Datadog, par exemple, facture souvent lourdement sur les "custom metrics" ou les "hosts", tandis que Grafana Cloud peut facturer par "active series". Forcez votre équipe à identifier le plus grand contributeur de coûts. Comprendre ce facteur clé est la première étape pour reprendre le contrôle.

Ensuite, travaillez avec vos équipes SRE et DevOps pour estimer votre empreinte de données métriques réelle. Cela signifie approximer combien de gigaoctets de données métriques vos systèmes génèrent et envoient chaque mois. Alors que des fournisseurs comme SigNoz peuvent facturer par "million samples", convertir cela en un simple chiffre en Go fournit une base universelle. Cet exercice vous donne un nombre concret à comparer avec des modèles plus simples, basés sur les gigaoctets.

Cette estimation en Go offre un point de comparaison direct, éliminant les décomptes abstraits de "active series" ou de "data points metric". Pour avoir un aperçu de la façon dont d'autres fournisseurs présentent leurs offres, explorez des ressources comme Grafana Cloud Pricing | Free, Pro, Enterprise, qui détaille les différentes catégories et leurs limites associées. Cette clarté est précisément ce que les modèles complexes actuels obscurcissent intentionnellement.

Enfin, défiez votre fournisseur. Armé de votre empreinte de données estimée et de la métrique principale identifiée, planifiez une réunion avec votre représentant commercial. Exigez une explication claire et basée sur des données de vos coûts actuels en termes de gigaoctets, et non d'unités propriétaires. Demandez-leur directement : « Combien de gigaoctets de données métriques me facturez-vous, et à quel tarif ? »

Observez attentivement leur réponse. S'ils ont du mal à fournir une réponse directe ou s'ils esquivent avec des explications complexes, vous avez exposé leur manque de transparence. Leur incapacité à simplifier leur propre facturation est un signe révélateur, indiquant si leur modèle commercial privilégie votre clarté ou leur obfuscation. Cette confrontation directe est votre outil le plus puissant.

L'observabilité se trouve à un moment critique. Pendant trop longtemps, les fournisseurs ont masqué les coûts réels derrière des métriques obscures comme les "active series", les "custom metrics" ou les "million samples". Cette complexité, telle qu'explorée dans l'épisode CodeRED, n'est pas un accident ; elle sert un modèle commercial spécifique conçu pour maximiser les revenus des fournisseurs et minimiser la prévisibilité pour le client.

Un chemin plus clair émerge : la révolution du gigaoctet. Facturer les métriques par gigaoctet offre un modèle universellement compréhensible et prévisible. Cette approche simple permet aux équipes d'ingénierie de prévoir précisément les dépenses, en liant directement l'ingestion de données à un coût tangible, contrairement aux systèmes opaques actuellement en place chez les leaders du marché.

Les leaders et praticiens de l'ingénierie doivent saisir ce moment. Exigez une transparence authentique de la part des fournisseurs d'observabilité. Cessez d'accepter des relevés de facturation qui nécessitent un analyste dédié pour être déchiffrés. Vos équipes méritent prévisibilité et clarté pour gérer efficacement les budgets, libérant ainsi un temps précieux des SRE de la réconciliation des coûts.

Les clients détiennent le pouvoir ultime de remodeler ce marché. Chaque décision d'approvisionnement est un vote. En privilégiant les fournisseurs proposant une facturation transparente basée sur le gigaoctet, vous signalez une préférence claire pour la simplicité et la prévisibilité plutôt que l'obscurcissement délibéré. Cette action collective force les acteurs en place à s'adapter ou à risquer de perdre des parts de marché significatives.

Une tarification compréhensible n'est pas seulement une commodité ; c'est une évolution essentielle pour l'ensemble de l'industrie technologique. Elle favorise la confiance, permet une meilleure planification financière et donne aux équipes de développement et d'opérations les moyens de se concentrer sur l'innovation, et non sur le déchiffrement des factures. L'avenir de l'observabilité est transparent, prévisible et sans équivoque centré sur le client.

Cette transition débloquera une valeur significative, permettant aux organisations de faire évoluer leurs pratiques d'observabilité sans craindre des dépassements de budget inattendus. En fin de compte, exiger une meilleure facturation signifie plaider pour un écosystème plus sain et plus efficace où l'excellence en ingénierie prospère grâce à la clarté, et non à la confusion.

Pourquoi la tarification de l'observabilité est-elle si compliquée ?

De nombreux fournisseurs utilisent des métriques propriétaires et non standard comme 'active series' ou 'custom metrics' au lieu d'unités universelles. Cela rend difficile la comparaison directe entre les plateformes, obscurcit le coût total et peut entraîner un verrouillage fournisseur (vendor lock-in).

Quels sont quelques exemples de métriques de tarification complexes ?

Les exemples incluent Grafana qui facture les 'active series', Datadog pour les 'custom metrics' et SigNoz pour les 'million samples'. Chacun nécessite une connaissance approfondie spécifique à la plateforme pour estimer les coûts avec précision.

Comment la tarification basée sur le gigaoctet simplifie-t-elle les coûts d'observabilité ?

Elle utilise une unité de mesure de données universellement comprise (Go). Cela rend les coûts prévisibles et directement proportionnels aux données que vous envoyez, similaire aux services cloud familiers comme AWS S3, éliminant le besoin de comprendre des métriques abstraites.

Quelles entreprises s'orientent vers une tarification plus simple ?

L'article met en avant Better Stack comme un exemple clé, qui a récemment fait passer sa tarification des métriques à un modèle simple basé sur le gigaoctet pour améliorer la clarté et la prévisibilité pour les clients.