Le renouvellement du contrat d’observabilité approche, et la question revient en comité : Dynatrace vs Datadog (ou Datadog vs Dynatrace, selon qui la pose), lequel sert le mieux l’équipe SRE ? Les deux plateformes couvrent l’APM, l’infrastructure, les logs, Kubernetes et l’expérience utilisateur. Sur une démo, elles se ressemblent beaucoup.
Le risque est de décider sur une impression ou sur un tableau de fonctionnalités cochées. Ce qui compte pour une équipe d’astreinte se mesure autrement : temps pour trouver la cause d’un incident, effort pour instrumenter un nouveau service, lisibilité de la facture, qualité des SLO.
Objectif de cet article : fournir une grille de critères vérifiables et un POC OpenTelemetry qui envoie exactement les mêmes données aux deux plateformes, pour comparer sur pièces. Ce blog parle surtout de Dynatrace : nous avons donc veillé à rester factuels, à sourcer chaque point et à ne citer aucun prix. Côté Dynatrace, le comparatif vise Dynatrace SaaS ; les remarques sur Managed sont signalées.
Dynatrace vs Datadog : les différences de fond
Les deux outils ont des philosophies différentes, documentées publiquement. Les résumer honnêtement aide à formuler les bonnes hypothèses de test.
| Critère | Dynatrace | Datadog |
|---|---|---|
| Collecte | OneAgent (instrumentation automatique) et Dynatrace Operator sur Kubernetes ; ingestion OTLP native | Datadog Agent, déployé sur Kubernetes par Helm ou par le Datadog Operator ; réception OTLP dans l’Agent |
| Corrélation | Modèle topologique (Smartscape) et moteur d’analyse de causes Davis | Corrélation par tags unifiés (service, env, version) et fonctions d’analyse dans chaque produit |
| Langage de requête | DQL sur le stockage Grail | Langages de recherche et de requête propres à chaque produit (métriques, logs, traces) |
| Modèle commercial | Engagement unique consommé par capacité (DPS) | Tarification par produit, selon des unités propres à chacun ; voir la page tarifaire officielle |
| Hébergement | SaaS, ou Managed (auto-hébergé) pour les contraintes de souveraineté | SaaS, avec plusieurs régions (« sites ») au choix |
Pour les prix, reportez-vous aux pages officielles et aux offres reçues : ils dépendent du volume, du contrat et changent souvent. Pour une logique de comparaison voisine, voir le comparatif des SLO Dynatrace, Grafana et Prometheus.
Prérequis du POC
- Un environnement d’essai sur chaque plateforme (tenant Dynatrace SaaS, organisation Datadog dans la région voulue).
- Un cluster Kubernetes de test avec une application de démonstration instrumentée en OpenTelemetry.
- Un OpenTelemetry Collector (distribution contrib ou celle de Dynatrace), comme dans le déploiement du Collector sur Kubernetes.
- Un token API Dynatrace avec les scopes d’ingestion OTLP (
openTelemetryTrace.ingest,metrics.ingest,logs.ingest) et une clé d’API Datadog pour l’Agent.
Étape 1 : envoyer les mêmes données aux deux plateformes
Le comparatif n’a de valeur que si les données d’entrée sont identiques. Le Collector duplique donc chaque pipeline vers deux exporteurs : l’endpoint OTLP de Dynatrace et le récepteur OTLP du Datadog Agent déployé dans le cluster.
receivers:
otlp:
protocols:
grpc:
endpoint: 0.0.0.0:4317
http:
endpoint: 0.0.0.0:4318
processors:
batch: {}
exporters:
otlphttp/dynatrace:
endpoint: https://${env:DT_ENV_ID}.live.dynatrace.com/api/v2/otlp
headers:
Authorization: "Api-Token ${env:DT_API_TOKEN}"
otlp/datadog:
endpoint: datadog-agent.datadog.svc.cluster.local:4317
tls:
insecure: true
service:
pipelines:
traces:
receivers: [otlp]
processors: [batch]
exporters: [otlphttp/dynatrace, otlp/datadog]
metrics:
receivers: [otlp]
processors: [batch]
exporters: [otlphttp/dynatrace, otlp/datadog]
logs:
receivers: [otlp]
processors: [batch]
exporters: [otlphttp/dynatrace, otlp/datadog]
Lignes critiques : l’en-tête Authorization doit commencer par Api-Token suivi d’un espace ; en Managed, l’URL devient https://<domaine>/e/<env-id>/api/v2/otlp. Le tls.insecure ne vaut que pour un trafic interne au cluster.
Côté Datadog, activez la réception OTLP de l’Agent, par exemple avec ces variables d’environnement documentées :
DD_OTLP_CONFIG_RECEIVER_PROTOCOLS_GRPC_ENDPOINT=0.0.0.0:4317
DD_OTLP_CONFIG_RECEIVER_PROTOCOLS_HTTP_ENDPOINT=0.0.0.0:4318
DD_OTLP_CONFIG_LOGS_ENABLED=true
Ensuite, installez aussi l’agent natif de chaque outil (Dynatrace Operator, Datadog Agent avec ses intégrations) sur une partie des nœuds : l’instrumentation automatique fait partie de ce que vous évaluez.
Étape 2 : définir des critères mesurables
Notez chaque plateforme de 1 à 5 sur des critères chiffrés, avec la preuve associée (capture, requête, durée chronométrée) :
- Temps de diagnostic : injectez trois pannes (latence d’une dépendance, pod en OOMKilled, erreur 500 après déploiement) et chronométrez le temps jusqu’à la cause, par une personne qui ne connaît pas le scénario.
- Effort d’instrumentation : nombre d’étapes et de lignes de configuration pour qu’un nouveau service apparaisse avec traces, métriques et logs corrélés.
- SLO : temps pour créer un SLO de disponibilité et une alerte de burn rate sur ce service, comme décrit dans les alertes burn rate.
- Requêtes : écrire la même question (« les dix endpoints les plus lents, par version ») dans DQL et dans les langages Datadog, et noter la lisibilité.
- Coût prévisible : pouvoir estimer la facture du mois suivant à partir des écrans d’usage.
- Contraintes : région d’hébergement, souveraineté, exigences d’auto-hébergement (seul Dynatrace propose une option Managed).
Étape 3 : exécuter les scénarios de panne Datadog vs Dynatrace
Un exemple d’injection simple et réversible : réduire la limite mémoire d’un pod jusqu’au OOMKilled.
kubectl -n demo set resources deployment/checkout --limits=memory=64Mi
kubectl -n demo get pods -w
# revenir à l'état initial
kubectl -n demo rollout undo deployment/checkout
Dans Dynatrace, regardez si un problème est ouvert et quelle cause il propose ; dans Datadog, si un moniteur se déclenche et en combien de clics on rejoint l’événement Kubernetes. Notez aussi le bruit : combien d’alertes pour une seule panne.
Comment vérifier que ça fonctionne
- Côté Dynatrace, la requête DQL
fetch spans | filter service.name == "checkout" | summarize count()renvoie un volume comparable à celui vu dans Datadog sur la même période. - Côté Datadog, le service
checkoutapparaît dans le catalogue APM avec ses traces. - Les logs du Collector ne montrent aucune erreur d’export (
kubectl logs deploy/otel-collector | grep -i error). - Les écarts de volume restent faibles ; sinon, vérifiez l’échantillonnage de chaque côté avant de comparer.
Bonnes pratiques
- Fixez la grille avant le POC et faites-la valider : on évite de choisir les critères qui confirment une préférence.
- Faites tester par les personnes d’astreinte, pas seulement par l’équipe plateforme.
- Gardez OpenTelemetry comme socle : l’instrumentation reste portable quel que soit le choix final.
- Demandez des offres écrites sur le même volume prévisionnel, et datez-les.
- Écrivez un compte rendu blameless : ce qui a marché, ce qui a coincé, sans désigner de « perdant ».
Questions fréquentes
Lequel est le moins cher, Dynatrace ou Datadog ?
Il n’existe pas de réponse générale : les deux modèles tarifaires n’utilisent pas les mêmes unités, et le résultat dépend de vos volumes. Comparez deux offres écrites, sur le même périmètre, et projetez-les sur trois ans.
Peut-on garder les deux outils ?
Techniquement oui, grâce au Collector qui duplique les flux, mais cela double l’effort d’exploitation et souvent la facture. C’est raisonnable pour une période de transition, rarement comme cible.
Et si l’on a besoin d’auto-hébergement ?
Dynatrace Managed permet d’héberger la plateforme dans votre propre centre de données ; Datadog est proposé en SaaS. Si la souveraineté est un critère éliminatoire, il tranche avant tout le reste.
Conclusion
Dynatrace et Datadog sont deux plateformes matures ; le bon choix dépend de votre contexte, pas d’un classement général. Un POC alimenté par le même Collector, des pannes injectées et une grille mesurable donnent une décision défendable devant l’équipe comme devant la direction.
span.observer est un blog indépendant de la communauté, non affilié à Dynatrace LLC ni à Datadog, Inc. Dynatrace et Datadog sont des marques de leurs propriétaires respectifs. Les fonctionnalités et offres évoluent : vérifiez-les dans la documentation officielle de chaque éditeur (Dynatrace, Datadog).