Cost-Performance Analysis of Cloud-Based Retail Point-of-Sale Systems: A Comparative Study of Google Cloud Platform and Microsoft Azure

Résumé technique : Analyse coût-performance des systèmes de point de vente (POS) basés sur le cloud pour la vente au détail

Énoncé du problème
L'industrie de la vente au détail est en transition rapide des systèmes de point de vente (POS) traditionnels sur site vers des solutions basées sur le cloud afin d'atteindre l'évolutivité, l'efficacité des coûts (passage des dépenses d'investissement CAPEX aux dépenses d'exploitation OPEX) et l'analytique en temps réel. Bien que des fournisseurs majeurs tels que Microsoft Azure et Google Cloud Platform (GCP) dominent le marché, la littérature existante manque de guidance empirique et spécifique à la plateforme pour les charges de travail de la vente au détail. Les études antérieures se sont principalement concentrées sur le calcul générique, le calcul haute performance ou les applications web, échouant à traiter les contraintes uniques des systèmes POS : traitement des transactions à haute fréquence, exigences strictes de latence, synchronisation des stocks en temps réel et modèles de trafic variables. De plus, de nombreux benchmarks existants nécessitent des configurations de ressources coûteuses, limitant l'accessibilité pour les petits détaillants et les chercheurs. Cet article comble cette lacune en fournissant une comparaison transparente, pilotée par le code, entre GCP et Azure spécifiquement pour les charges de travail POS.

Méthodologie
L'étude emploie une méthodologie systématique, reproductible et open-source utilisant des ressources de niveau gratuit (free-tier) pour garantir l'accessibilité et la reproductibilité.

• Caractérisation de la charge de travail : Un script de benchmarking Python simule une charge de travail POS réaliste basée sur les données de la National Retail Federation. La charge de travail est divisée en trois catégories : Traitement des transactions (60 %, nécessitant une latence inférieure à la seconde), Opérations d'inventaire (30 %, intensives en lecture) et Analytique/Rapports (10 %, orientées par lots).
• Architecture : L'étude compare deux modèles architecturaux distincts de niveau gratuit :
  • GCP : Cloud Run (sans serveur, basé sur des conteneurs, mise à l'échelle automatique, facturation à la seconde) avec Cloud SQL (db-f1-micro) et Cloud Storage.
  • Azure : App Service (niveaux F1/B1, instances toujours actives, ressources contraintes, pas de mise à l'échelle automatique dans le niveau gratuit) avec Azure Database for MySQL (niveau de base) et Blob Storage.
  • Note : Les fonctionnalités premium telles que Redis et les CDN ont été intentionnellement exclues pour refléter des déploiements réalistes de niveau d'entrée.
• Stratégie de test : Les tests ont été réalisés sur quatre niveaux de charge : Référence (10 utilisateurs), Typique (25 utilisateurs), Pic (50 utilisateurs) et Stress (100 utilisateurs). Chaque configuration a subi trois exécutions distinctes avec des périodes de montée en charge.
• Métriques : Le script a mesuré directement la latence API de bout en bout (p50, p95, p99), le débit (Transactions par seconde - TPS), la fiabilité (taux d'erreur) et les coûts opérationnels estimés basés sur les tarifs publics actuels multipliés par la consommation réelle de ressources (appels API, transfert de données). Tous les tableaux et figures de l'article sont générés directement à partir de ces sorties de code.

Résultats clés
L'analyse a produit des profils de performance et de coûts distincts pour chaque plateforme :

• Performance (Latence) : GCP a démontré une performance de référence supérieure, atteignant un temps de réponse 23,0 % plus rapide qu'Azure (p50 : 153,83 ms contre 192,19 ms). Cependant, Azure a maintenu des temps de réponse plus cohérents sous des charges en régime permanent, tandis que GCP présentait des pics de latence occasionnels attribués aux « démarrages à froid » (cold starts) du sans serveur.
• Évolutivité (Débit) : L'architecture sans serveur de GCP s'est révélée nettement plus robuste sous contrainte. À la charge de Stress (100 utilisateurs), GCP a atteint 70,84 TPS, tandis qu'Azure plafonnait à 20,14 TPS.
• Efficacité des coûts : Azure a démontré un coût opérationnel 71,9 % inférieur à la charge de référence en raison de sa structure de tarification plus faible par demande et de son modèle forfaitaire. Le modèle de facturation à la demande de GCP est plus granulaire mais a entraîné des coûts estimés plus élevés pour les modèles en régime permanent spécifiques testés.
• Fiabilité : Les deux plateformes ont maintenu des taux d'erreur acceptables (généralement inférieurs à 2 %). Azure a affiché des taux d'erreur légèrement inférieurs dans la plupart des scénarios, bien que le taux d'erreur de GCP soit resté faible même lors des pics de débit à haute contrainte.

Contributions clés
L'article revendique cinq contributions principales au domaine :

1. La première analyse approfondie, pilotée par le code, ciblant spécifiquement les plateformes cloud pour les charges de travail de point de vente.
2. Une méthodologie de benchmarking reproductible utilisant des ressources de niveau gratuit, démocratisant l'accès pour les petits détaillants et les chercheurs.
3. La définition et la mesure de métriques de performance uniques au traitement des transactions de vente au détail.
4. Le développement d'un cadre d'estimation des coûts fondé sur les modèles d'utilisation réels et les tarifs publics.
5. La mise à disposition d'outils et de jeux de données open-source pour faciliter l'adoption par l'industrie et les recherches futures.

Importance et revendications
Les auteurs positionnent ce travail comme une étape fondamentale vers une prise de décision fondée sur les données dans l'adoption du cloud par la vente au détail. L'étude ne prétend pas fournir une plateforme « meilleure » universelle, mais offre plutôt un cadre permettant aux commerçants d'évaluer les compromis en fonction de leurs besoins opérationnels spécifiques.

• Pour GCP : L'article suggère que GCP Cloud Run est préférable pour les détaillants ayant des modèles de trafic hautement variables et imprévisibles, qui privilégient une mise à l'échelle fine et peuvent tolérer des latences de démarrage à froid occasionnelles.
• Pour Azure : Azure App Service est recommandé pour les détaillants ayant des charges de travail prévisibles et en régime permanent, qui privilégient la prévisibilité des coûts et des temps de réponse cohérents sans démarrage à froid.

L'article conclut que, bien que l'étude soit limitée par son utilisation de ressources de niveau gratuit, des tests en région unique et des charges de travail artificielles (bien que représentatives), le cadre open-source et piloté par le code fournit un modèle transparent permettant aux détaillants de mener leurs propres évaluations. Les auteurs soulignent que cette approche permet aux entreprises de toutes tailles d'équilibrer coût, performance et résilience opérationnelle dans un paysage numérique en évolution rapide.