Snowflake投资亮点及经营表现如何？

AI 应用技术栈转型，非结构化数据管理需求提升。

市场关注 Snowflake 的核心主要是 AI 受益逻辑，其核心逻辑为：Snowflake 增强客户管理数据的能力，并 引入 AI/ML 等工具增强数据分析能力。1、AI 会加速数据从本地数仓向云数仓的迁移，理由是数据生成速度大 幅提升，且数据上云能最大化 AI 带来的价值。此外，与 MongoDB 在投资者日所提到的逻辑类似，Gen AI 将带 动应用技术栈转变。AI 可能会促进自动化开发，推动 1）应用开发数量的提升；2）数据密集型应用增加（数据 库支出占比提升）等。此外，AI 应用开发衍生出新需求（向量搜索），相当于 Snowflake 增加工作负载，会提 升客户的平均付费。2、数据迁移后基于 Gen AI 分析数据，这意味着企业 BI 端的支出比例提升。

经过深入的研究，我们认为 1）Snowflake 面向 AI/ML 领域的敞口很小，绝大多数都是通过 Snowpark 等处 理的，而这些产品多半处于 Preview 阶段或市场渗透率很低。考虑 Databricks/Spark 生态的积累，在短期内指望 Snowflake 在 AI/ML 赶超 Databricks 是不现实的。目前来看，Databricks 受益 AI/ML 的方面主要是大模型训练的 数据准备，AI+推荐/搜索引擎等用例尚不确定，可能与 Confluent 等竞争。2）Snowflake 的 AI 主要用于增强非 结构化数据的处理能力，从而增强 BI 洞察能力。关于 AI 应用开发，由于多模态大模型生成数据以非结构化为 主，Snowflake 的受益幅度可能较有限。

竞争逻辑方面，我们首先分析数仓性能，其次比较统一分析平台生态。单点数仓性能方面，Redshift/Databricks 在较大计算资源投入下具有较好的性能/成本优势，而 Snowflake/BigQuery 在中等及小型计算资源下具备较好的性能/成本优势，Synapse 几乎在各类场景下 均不具备额外的性能/成本优势。主要差异在于细颗粒度的并发缩放，例如集群内的并发缩放，实现难 度在于底层计算和存储资源的实时监控和精细化管理。Snowflake 依托于云厂商，通过 API 形式调用资源，但可能面临 API 调用频率的限制。为实现精细控制，Databricks 提出细颗粒度、自动化的资源配 置策略，这导致厂商在成本/性能可扩展方面的差异。但 Google BigQuery 工程师 Jordan Tigani 所观察 到的，99%的客户查询数据都小于 10GB，Databricks/Redshift 在公众宣传时强调大规模数据场景的高 性能表现本质是面向 Top 1%的客户，而忽略 99%的客户需求，在数仓领域 Snowflake 仍然具备较强的 性能和成本表现。

统一数据分析平台方面，Databricks 长期致力于构建开放、高性能的 Spark 生态，在数据目录方面提出 Unity Catalog，在表格式方面提出 Delta 等，占据主导地位。Snowflake 2022 年通过支持 Iceberg 向开放 生态迈出一步，但在数据目录/方面主要依托第三方工具。湖仓一体架构上，Snowflake 在数仓外构筑 独立的数据湖，并通过高速互联网络连通二者，而 Databricks 则在数据湖之上构筑数仓。考虑数据处 理的链路顺序，绝大多数用户都是将数据存储于 Databricks，经过 ETL 等处理后导入 Snowflake，其具 备一定优势，这也是市场对 Snowflake 的长期忧虑。中短期看，Snowflake 在实时处理、易用性方面具 备优势，能够稳住既有客户预算。

行业成长逻辑，上云仍然是数仓核心驱动力，2023 年上云率达 43.3%，相比于整体 50-60%的工作负载上云 率，仍有 25~50%的提升空间。据 IDC，Snowflake 所属的云关系型数据库市场 2022-27 年复合增长率预计达 20.6%，占数据管理领域的份额从 2022 年的 48.5%下降至 46.9%，略低于行业整体 21.4%的增速。

短期来看，Snowflake 受 IT 预算优化影响，客户在分析支出预算方面削减弹性大于存储，这导致 Snowflake 收入增速存在一定压力。另外，欧盟 AI 法案及数据合规监管趋严，很多企业都在暂停/放缓数据迁移上云，等待 监管落地及主要供应商如 Snowflake、AWS 等提供合规数据治理环境后再启动上云。竞争方面，如 Oracle 等竞 争对手通过激进折扣等方式延缓客户/工作负载的流失，从而导致新增负载方面存在一定压力。后续继续关注成 本优化及行业 IT 预算优化周期。

Snowflake 过去存在的问题：1）成本优化不透明，自动化不足。为实现易用性，Snowflake 实际上将客户所 需资源与计算、存储等资源分离，降低配置/部署门槛，但也带来资源计费的不透明。相比于 Databricks/Redshift 的 Serverless 模式，其提供更精确的资源控制，同时在达到一定阈值后集群自动停止运行/计费，而 Snowflake 则 需要手动配置，这导致客户实际支出容易超出预算。为优化数仓支出，客户需要引入外部如 Slingshot 等工具， Snowflake 内置成本优化工具完善度不高，这又带来额外的维护成本。因此 Snowflake 可能需要为大型客户提供 底层资源控制，或提供更完善的成本优化工具。 积极的因素是 Snowflake 于 2023 年 6 月与微软深化多年战略合作协议94/ 95，此次合作帮助 Snowflake 1）获 取 OpenAI 服务，2）并引入 Azure AI/ML 服务以支持 Snowflake 客户进行非结构化数据的 AI/ML 处理任务，3） Azure Data Factory，提供 ETL 服务集成。此外，Snowflake 于 2023 年 11 月的 Snowday 推出统一成本管理界面 96，将账户指定时间段内花费、平均每日支出、按成本排列的仓库、最昂贵的查询进行可视化，并允许管理员在 帐户级别设置支出控制等，进一步简化和提升成本预算管理效率。

2）销售诉求与客户诉求不一致，即成本优化与承诺消费的冲突。销售策略上鼓励预购/承诺付费，表现为按 需付费价格远高于预购/长期合同价格，这与行业惯例一致，但不同点在于年度预购积分未消耗后需要 100%续 约以换取积分使用权，这导致客户支出的浪费。例如某客户签订一份承诺消费 1 万美元的合同，实际消费额度 80%，剩余 2000 元的等值积分，一年后剩余积分到期，为激活这些积分，客户需要至少签订 0.8 万美元（上年 实际消费额度）及以上的合同，否则无法滚动激活剩余积分97。这种合同设置意味着如果初始设定额度高于实际 需求，将持续导致资源浪费而无法弥补（不论是积分过期未激活，或过度承诺额度），这实际上将 Snowflake 利 益置于客户之上98。在 IT 预算优化及竞对推动 Lakehouse 融合背景下，客户/工作负载流失压力较大。

3）成本优化过程中削弱销售激励。销售激励制度从过去的加速器无上限，转为有上限，激励幅度实际上在 弱化。例如，如果一个销售代表在 Q1 和 Q2 的业绩是目标的 150%，他们并不会获得乘以 150%的奖金，而是仍 然只能获得基础奖金。但是，如果他们在后续的季度中业绩下滑，比如说在 Q3 和 Q4 分别只完成 20%的目标， 那么他们将分别获得基础奖金的 20%，这实质设定了员工激励的上限，这也导致一些销售从 Snowflake 离职转 投 Databricks 或其他云厂商。 4）生态不够开放，如果持续聚焦成本优化（如 AWS），低成本&闭环生态更容易令人接受，但高成本&闭 环生态对于构建长期技术栈的客户而言是一个较疑虑的选择。但积极的是，我们看到 2022 年 Snowflake 宣布支 持 Iceberg 表格式，打破数据孤岛，并引入 Snowpark 支持 Python 语言和 AI/ML 工作负载，尽管成熟度较 Spark 仍有较大差距，但后续发展有望弥补 Snowflake 在生态支持方面的短板。

短期来看，Snowflake 受 IT 预算优化影响，客户在分析支出预算方面削减弹性大于存储，这导致 Snowflake收入增速存在一定压力。另外，欧盟 AI 法案及数据合规监管趋严，很多企业都在暂停/放缓数据迁移上云，等待 监管落地及主要供应商如 Snowflake、AWS 等提供合规数据治理环境后再启动上云。竞争方面，如 Oracle 等竞 争对手通过激进折扣等方式延缓客户/工作负载的流失，从而导致新增负载方面存在一定压力。后续继续关注成 本优化及行业 IT 预算优化周期。