Snowflake由Oracle经验团队创立，旨在通过云技术重新设计数据仓库架构，历经三阶段发展：从云原生数据仓库到数据平台，再到AI数据云。
主要产品和功能：
- 第一阶段：利用AWS等技术实现存储计算分离，吸引传统数据仓库用户。
- 第二阶段：构建数据生态系统，引入AI/ML、数据工程、Unistore等。
- 第三阶段：品牌升级为"AI data cloud"，推出Cortex AI等大数据模型服务。
产品和工作负载：
- 数据仓库 vs 数据湖：数据仓库存储结构化数据，用于BI和报表；数据湖支持多种格式数据，灵活处理非结构化数据。
- Snowflake vs Databricks：Snowflake从OLAP起步，扩展支持OLTP，通过Unistore混合工作负载；Databricks从数据湖出发，向数据仓库领域扩展，两者形成竞争。
Unistore功能及市场拓展：
- 支持OLAP和OLTP混合工作负载，吸引需要双重能力的新客户。
- 核心卖点：性能优化、减少ETL工作量、易用性，降低成本。
金融行业应用差异：
- 金融行业偏好数据仓库，因数据结构化、团队习惯传统技术。
- 数据湖在金融行业应用较少，主要被初创企业使用。
市场竞争与迁移：
- Snowflake和Databricks价格差异源于不同定价模型。
- 数据迁移虽复杂，但厂商提供支持工具，降低难度。
- Snowflake收入主要来自核心数据仓库业务，新产品处于预览阶段。
AI和大数据产品：
- Snowpark类似Databricks Spark，Cortex AI类似Vertex AI，均处于预览阶段。
- 这些生态工具对客户吸引和留存重要。
数据湖仓一体化优劣势：
- Databricks优势：目标用户为科技公司，更贴近AI需求。
- Snowflake劣势：从数据仓库起步，AI领域相对落后。
技术标准竞争：
- Databricks收购Tabular影响Iceberg发展，计划整合Delta和Iceberg。
- Snowflake未收购Tabular或为战略失误。
未来增长点：
- AI大模型训练潜力巨大，Snowflake与Nvidia合作，但CSP优势更大。
- Snowflake计划投入新产品，预计半年到一年发布。
数据存储策略：
- 高价值结构化数据存Snowflake，临时数据存低成本存储。
- 近期客户倾向将数据从昂贵层级转移至性价比层级。
生成式AI影响：
- 数据基础设施公司需适应变化，Snowflake等需加速调整。
- 生成式AI降低数据分析门槛，扩大用户群体，对Snowflake是机遇。
收入增速预测：
- 经济下行影响Snowflake增速，但未来随宏观环境改善将反弹。
生成式AI数据分析前景：
- 用户可用自然语言提问，AI系统转化为SQL查询。
- 趋势有利于扩大数据分析用户群体，对Snowflake积极。
