Qu’est-ce que Datarelix ?
Datarelix est un client de données assisté par IA qui transforme les questions en langage naturel en requêtes SQL, KQL ou ES|QL validées et, si nécessaire, en analyse Python. Les utilisateurs métier préparent des rapports sans écrire la première requête ; les analystes examinent le SQL, étudient les résultats et réutilisent les calculs vérifiés.
Posez une question à votre base, examinez le tableau et la requête, puis créez un graphique ou conservez-le dans un tableau de bord. Datarelix héberge les services de requêtes et d’analyse : aucun client à installer.
Les accès nécessaires
Il vous faut un compte Datarelix et un accès à une source prise en charge. Si vous avez des informations de connexion approuvées, ajoutez-les dans l’application. Sinon, demandez au responsable de la base un accès de reporting aux tables ou vues utiles. Le service hébergé doit pouvoir joindre la source.
Le parcours
- Connectez la source. Datarelix lit les informations de schéma disponibles pour identifier les tables utiles.
- Posez une question précise. Indiquez période, mesure, regroupement et exclusions : « Montant des commandes payées par région pour août 2026, en euros, avant remboursements. »
- Examinez le résultat. Pour une requête exécutée, consultez le tableau, le SQL, les sources, le nombre de lignes et la durée. Vérifiez la définition métier et un total connu ; faites relire le SQL si nécessaire.
- Conservez un graphique. Demandez un graphique, ajoutez-le à un tableau de bord privé et actualisez-le manuellement pour relancer la requête enregistrée.
Chaque conversation et tableau de bord utilise une connexion. Le travail enregistré reste privé au compte qui le crée. Team mutualise les questions mensuelles entre ses sièges sans fournir de tableaux de bord partagés. Voir comment conserver un graphique dans un tableau de bord privé et l’actualiser.
Sources prises en charge
- PostgreSQL et MySQL pour les bases opérationnelles et de reporting.
- Azure SQL / Synapse, Databricks SQL, BigQuery et Snowflake pour les sources SQL.
- Kusto (Azure Data Explorer), avec KQL.
- Amazon Athena, pour interroger les données compatibles via Athena.
- Elasticsearch, avec ES|QL ; consultez les versions requises par le connecteur.
- Files & Object Storage, avec DuckDB pour les sources Parquet, CSV, JSON, Excel et Delta compatibles.
Chaque conversation utilise une connexion sélectionnée ; la liste de plusieurs moteurs n’implique pas une jointure entre tous ces moteurs dans une requête. Les références de connexion détaillent authentification, périmètre et réseau.
Fonctions pour le reporting et l’analyse
| Fonction | Usage |
|---|---|
| Questions en langage naturel | Demander une mesure, comparaison, tendance ou liste d’enregistrements |
| Revue de requête et résultat | Examiner SQL exécuté, tables sources, résultat et détails d’exécution |
| Contexte du schéma | Relire les descriptions, clés et relations utilisées pour préparer les questions |
| Analyse Python | Appliquer une transformation ou un calcul statistique compatible aux résultats |
| Graphiques et tableaux de bord | Créer des graphiques interactifs, ajuster leur présentation et conserver un tableau de bord privé |
Les graphiques interactifs ordinaires utilisent une spécification déclarative ; Python intervient pour les analyses qui le nécessitent. Les modes de connexion au compte sont décrits dans Compte et connexion.
De la question à l’exécution
Le modèle propose un plan structuré. Les services valident le plan et ses requêtes avant d’exécuter les étapes autorisées. Les résultats peuvent alimenter une analyse Python distincte si le plan le prévoit. La réponse comprend des sorties et des détails d’exécution consultables.
Cette séparation maintient les identifiants hors du contexte du modèle et applique les restrictions avant exécution. Elle ne garantit pas le choix de la bonne mesure ou jointure. Les concepts clés expliquent les connexions, le contexte de schéma, ce que montre chaque réponse et les limites de chaque question.
Accès et traitement des informations
Datarelix valide les requêtes générées pour une exécution en lecture seule. Les identifiants restent hors du contexte du modèle. Les questions et le schéma alimentent ce contexte ; certaines valeurs d’un résultat à une ligne et des erreurs peuvent aussi y entrer. Les résultats sont conservés pour rouvrir le travail. Consultez ce qui parvient au modèle et ce qui est conservé avant de connecter des informations sensibles.
Suivez le démarrage rapide.