Datadog: qué es, monitorización de aplicaciones y observabilidad

¿Qué es Datadog?

Datadog es una plataforma en la nube de monitorización y observabilidad lanzada en 2010 por Olivier Pomel y Alexis Lê-Quôc. La plataforma proporciona un panel unificado para recopilar métricas, logs y trazas de infraestructura, aplicaciones y dispositivos de usuario. A diferencia de las soluciones puntuales, Datadog combina APM, logs, monitorización de infraestructura, Synthetic Monitoring y RUM en un solo producto.

La arquitectura de Datadog se basa en agentes — programas ligeros que se instalan en servidores o se integran en aplicaciones. El agente recopila datos y los envía a la infraestructura en la nube de Datadog a través de una conexión cifrada. Para plataformas móviles, Datadog proporciona SDK nativos que funcionan en Android (Kotlin, Java) e iOS (Swift, Objective-C).

Según el informe Gartner Magic Quadrant for APM and Observability (2024), Datadog es reconocida como líder en la categoría de observabilidad con el conjunto más amplio de capacidades integradas. La plataforma es utilizada por empresas como Samsung, Adidas y Peloton para monitorizar millones de dispositivos diariamente.

Para los equipos móviles, Datadog es especialmente valioso porque vincula el rendimiento del backend con la experiencia del usuario en el dispositivo. Si una API comienza a responder más lentamente, Datadog muestra no solo el tiempo de respuesta del servidor sino también cómo afectó al tiempo de inicio o al renderizado de pantalla en un modelo de teléfono específico.

Componentes clave de la plataforma

Infrastructure Monitoring rastrea métricas de CPU, memoria, disco y red para servidores, contenedores y clústeres Kubernetes. APM (Application Performance Monitoring) recopila trazas para cada solicitud que pasa a través de un sistema distribuido y muestra la latencia en cada salto. Log Management centraliza todos los logs — desde sistema hasta aplicación — con búsqueda de texto completo y la capacidad de crear métricas a partir de logs. Synthetic Monitoring simula escenarios de usuario desde diferentes ubicaciones geográficas. Real User Monitoring (RUM) recopila datos de dispositivos reales de usuarios, incluidos teléfonos móviles y tabletas.

Modelo de precios

Datadog utiliza un modelo de pago por uso con precios por producto: hosts de infraestructura, hosts APM, logs (volumen en gigabytes), sesiones RUM y pruebas Synthetic. Cada producto se factura por separado, lo que permite pagar solo por las funciones que se utilizan. Los precios comienzan en $15 por host al mes para monitorización de infraestructura y $1 por cada 10,000 sesiones RUM. Las startups pueden solicitar el programa Datadog for Startups con hasta $100,000 en créditos.

Datadog APM y Distributed Tracing

Application Performance Monitoring (APM) en Datadog es un sistema de distributed tracing que rastrea cada solicitud desde la entrada hasta la finalización de todas las operaciones anidadas. APM instrumenta automáticamente frameworks y bibliotecas populares: Spring Boot, Django, Express.js, ASP.NET Core y otros. Para cada solicitud, APM construye un flame graph — una representación visual del tiempo de ejecución en todas las rutas de código.

Un flame graph muestra cuánto tiempo tomó cada llamada a función o solicitud a servicio externo. Si un método de base de datos tarda 2 segundos en lugar de los 200 milisegundos esperados, es inmediatamente visible en el gráfico. Datadog APM es compatible con OpenTelemetry — un estándar abierto para la recopilación de telemetría — que permite conectar instrumentación de cualquier proveedor compatible.

Según el Benchling Engineering Blog (2024), la migración a Datadog APM redujo el tiempo de diagnóstico de incidentes del equipo de 45 minutos a 8 minutos mediante la correlación automática de trazas con logs y métricas. El escenario clave es la correlación trace-to-log: con un solo ID de traza, se pueden encontrar todos los logs relacionados con una solicitud específica sin búsqueda manual.

Service Map y dependencias

Service Map es un grafo construido automáticamente de todos los servicios del sistema y sus interconexiones. Cada servicio se muestra como un nodo, y las conexiones entre nodos muestran qué llamadas ocurren entre servicios. El color del nodo refleja el estado de salud: verde — operación normal, amarillo — latencia aumentada, rojo — errores. Service Map ayuda a identificar rápidamente qué servicio es el cuello de botella, incluso sin conocimiento previo de la arquitectura.

import datadog.trace.api.Trace;
import io.opentelemetry.api.trace.Span;

public class PaymentService {

    @Trace(resourceName = "PaymentService.processPayment")
    public PaymentResult processPayment(Order order) {
        Span span = Tracer.buildSpan("validate.payment").start();
        try {
            PaymentGateway gateway = new PaymentGateway();
            PaymentResult result = gateway.charge(order.getAmount());
            span.setTag("payment.provider", "stripe");
            return result;
        } finally {
            span.close();
        }
    }
}

Real User Monitoring para aplicaciones móviles

Real User Monitoring (RUM) en Datadog recopila datos de dispositivos reales de usuarios — tiempos de carga de pantalla, capacidad de respuesta táctil, consumo de memoria, frecuencia de ANR (Application Not Responding) y tasas de fallos. El SDK de RUM para Android e iOS se integra en la aplicación y crea automáticamente sesiones, agrupando todos los eventos dentro de una sola interacción de usuario.

Cada sesión RUM contiene una secuencia de eventos: apertura de pantalla, toque de botón, solicitud de red, desplazamiento. Para cada evento, Datadog registra una marca de tiempo, duración y características técnicas del dispositivo: modelo, sistema operativo, versión de la aplicación, tipo de conexión. Esto permite filtrar métricas por versiones y dispositivos específicos. Por ejemplo, se puede ver que el tiempo de inicio aumentó en Android 14 con un modelo específico de Samsung.

RUM está estrechamente integrado con APM: si una sesión de usuario termina con un error en la pantalla de pago, Datadog muestra automáticamente la traza de backend correspondiente. Esto acelera el diagnóstico entre 5 y 7 veces en comparación con la coincidencia manual de logs de frontend y backend. Para los equipos móviles, RUM también proporciona informes de watchlist — un resumen semanal de las degradaciones de métricas clave.

Configuración de la monitorización de errores RUM

Datadog RUM recopila automáticamente informes de fallos con stacktraces completos, incluidos los números de línea del código fuente. Para Android, esto funciona a través de la integración con ACRA o Firebase Crashlytics; para iOS — a través de PLCrashReporter. Cada fallo se vincula a una sesión de usuario, lo que permite reproducir la secuencia de acciones que llevaron al fallo. RUM también rastrea ANR — uno de los eventos más críticos para aplicaciones Android. Si la aplicación no responde durante más de 5 segundos, Datadog registra el ANR y muestra el volcado de hilos completo en el momento del bloqueo de la UI.

Registro de logs y métricas de infraestructura

Log Management en Datadog centraliza todos los logs de la aplicación y la infraestructura en un único repositorio con búsqueda de texto completo. Los logs móviles (eventos analíticos, errores de API, telemetría) se envían desde el dispositivo a través del SDK y se fusionan con los logs del servidor utilizando un identificador común. Datadog analiza automáticamente los logs en campos estructurados: nivel (INFO, WARN, ERROR), servicio, host, marca de tiempo, mensaje.

Para el filtrado de logs, Datadog utiliza su propio lenguaje de consulta compatible con comodines, expresiones regulares y facetas. Los logs se pueden agrupar por patrones — Datadog detecta automáticamente patrones recurrentes y los muestra como un solo clúster. Esto es especialmente útil al analizar miles de logs de dispositivos móviles: los errores idénticos se agrupan y el desarrollador ve no 10,000 líneas sino 10 clústeres con frecuencia de aparición.

Las métricas son series temporales numéricas recopiladas en intervalos desde 1 segundo. Datadog admite tres tipos de métricas: gauge (valor actual), count (suma por intervalo) y rate (tasa de cambio). Para aplicaciones móviles, las métricas personalizadas pueden rastrear el número de aperturas de pantalla, el tiempo de ejecución de un escenario de negocio clave o la frecuencia de uso de una función específica. Las métricas personalizadas se envían a través de DogStatsD — un protocolo compatible con StatsD con extensiones de Datadog.

import com.datadog.android.Datadog
import com.datadog.android.log.Logger

class PaymentAnalytics {

    private val logger = Logger.Builder()
        .setDatadogLogsEnabled(true)
        .setNetworkInfoEnabled(true)
        .setBundleWithTraceEnabled(true)
        .build()

    fun trackCheckout(orderId: String, amount: Double) {
        logger.info(
            "Checkout initiated for order {orderId}",
            mapOf(
                "order.id" to orderId,
                "order.amount" to amount,
                "payment.method" to "credit_card"
            )
        )
    }
}

Integración del SDK de Datadog en un proyecto móvil

El SDK de Datadog para Android e iOS proporciona un conjunto unificado de módulos: Core (inicialización), RUM (monitorización de la experiencia del usuario), Logs (envío de logs), Trace (rastreo de solicitudes). Para Android, el SDK se agrega a través de Gradle; para iOS — a través de CocoaPods o Swift Package Manager. Después de la instalación, el SDK se inicializa en Application.onCreate (Android) o AppDelegate (iOS) pasando un client token, entorno y nombre de la aplicación.

Para el rastreo automático de solicitudes de red en Android, se utiliza OkHttp Interceptor; en iOS — NSURLProtocol o delegado de URLSession. Datadog también admite la integración con clientes HTTP populares: Retrofit, Apollo GraphQL, Ktor, Alamofire. Después de conectar el Interceptor, cada solicitud HTTP se vincula automáticamente a una sesión RUM y una traza APM, formando una cadena única desde el cliente hasta el servidor.

Configuración a través de Gradle (Android)

dependencies {
    // SDK principal y módulo RUM
    implementation "com.datadoghq:dd-sdk-android-core:2.15.0"
    implementation "com.datadoghq:dd-sdk-android-rum:2.15.0"
    // Integración con OkHttp para auto-trazado
    implementation "com.datadoghq:dd-sdk-android-okhttp:2.15.0"
    // Informes de fallos NDK
    implementation "com.datadoghq:dd-sdk-android-ndk:2.15.0"
}

Inicialización en iOS (Swift)

import DatadogCore
import DatadogRUM
import DatadogLogs

@main class AppDelegate: UIResponder, UIApplicationDelegate {

    func application(
        _ application: UIApplication,
        didFinishLaunchingWithOptions: [UIApplication.LaunchOptionsKey: Any]?
    ) -> Bool {
        Datadog.initialize(
            with: DatadogConfiguration.builder(
                clientToken: "your_client_token",
                environment: "production"
            ).build()
        )
        RUM.enable(
            with: RUMConfiguration(applicationID: "your_rum_app_id")
        )
        return true
    }
}

Paneles y alertas de Datadog

Datadog proporciona un editor gráfico de paneles donde se pueden combinar gráficos de métricas, tablas de logs, mapas de árbol de distribución de errores y widgets SLO. Los paneles admiten variables de plantilla — por ejemplo, se puede crear un panel para todos los servicios y cambiar el contexto mediante un menú desplegable con el nombre del servicio. Cada panel se puede publicar en modo de solo lectura para partes interesadas externas a través de un enlace público.

El sistema de Monitores (alertas) permite establecer condiciones de umbral para cualquier métrica: si la latencia supera los 500 ms durante más de 5 minutos — enviar una notificación a Slack, PagerDuty o correo electrónico. Datadog admite condiciones compuestas: “Si los errores 5xx > 1% y el número de solicitudes > 1000/min, elevar la prioridad a crítico.” Para los equipos móviles, el monitor de detección de regresión es especialmente útil — Datadog compara automáticamente la métrica actual con una línea base histórica y alerta sobre degradaciones estadísticamente significativas.

Según Gartner Peer Insights (2024), el tiempo medio de resolución (MTTR) de los equipos que utilizan monitores de Datadog con correlación automática disminuye en un 35% en el primer mes después de la adopción. Esto se logra porque cada alerta contiene no solo la condición de activación sino también enlaces a paneles, logs y trazas relacionados — los desarrolladores no necesitan cambiar entre herramientas.