Lorsque l’historique de sauvegarde quotidien est trop granulaire pour une vue d’ensemble de la planification de capacité, une vue mensuelle donne une image plus claire des tendances de croissance à long terme. Cette requête agrège les données de sauvegarde depuis msdb..backupset par mois, en prenant la taille maximale atteinte chaque mois pour calculer la variation mensuelle nette.

Cela complète le rapport quotidien : utilisez la vue quotidienne pour la détection d’anomalies à court terme, et la vue mensuelle pour présenter les prévisions de croissance aux parties prenantes ou dimensionner le stockage futur.

Rapport de variation de taille mensuelle

La requête regroupe les entrées de sauvegarde par année-mois (extrait avec CONVERT et LEFT), prend la taille de sauvegarde MAX par mois, puis associe chaque mois au précédent pour calculer le delta. Configurez uniquement le nom de la base de données en haut.

DECLARE @dbname NVARCHAR(1024)

-- Configurez ICI : nom de la base de données
SET @dbname = 'VotreNomDeBase'

;WITH TempTable (Row, database_name, backup_start_date, Mb) AS
(
    SELECT
        ROW_NUMBER() OVER (ORDER BY LEFT(CONVERT(NVARCHAR(20), backup_start_date, 112), 6)) AS Row,
        database_name,
        LEFT(CONVERT(NVARCHAR(20), backup_start_date, 112), 6)  AS month,
        MAX(CAST(backup_size / 1024.0 / 1024.0 AS DECIMAL(10,2)))  AS Mb
    FROM msdb..backupset
    GROUP BY database_name,
             LEFT(CONVERT(NVARCHAR(20), backup_start_date, 112), 6),
             type
    HAVING type = 'D'
       AND database_name = @dbname
)
SELECT
    A.database_name,
    A.backup_start_date         AS month,
    A.Mb                        AS max_backup_size_mb,
    A.Mb - B.Mb                 AS delta_mb
FROM TempTable A
LEFT JOIN TempTable B ON A.Row = B.Row + 1
ORDER BY database_name, backup_start_date;

La colonne delta_mb indique la croissance nette par rapport au mois précédent. Un delta en constante augmentation est le signe d’une accumulation de données saine ; des pics soudains peuvent indiquer des insertions de données non contrôlées, des chargements en masse, ou des opérations de maintenance d’index qui n’étaient pas prévues. Ces données alimentent naturellement les modèles de prévision de stockage.