公司业绩与财务表现 - 伯恩斯坦于12月4日将Snowflake的目标价从221美元上调至237美元，并维持“与市场持平”评级 [1] - 公司2026财年第三季度业绩公布后，其2026财年指引上调约1.5%，超出预期 [2] - 第三季度营收超出市场预期3% [2] - 产品收入增长29%，超出华尔街预期2800万美元 [2] - 来自AI工作负载的年度经常性收入达到1亿美元，比原计划提前一个季度实现 [3] - 合同剩余履约义务和净收入留存率保持稳定 [3] 业务进展与增长动力 - 强劲的消费需求和来自企业客户的增长势头推动了产品收入增长 [2] - 公司管理层强调其核心业务以及数据工程、人工智能/机器学习等新类别持续取得重大进展 [3] - 公司提供基于云的数据平台，使组织能够在多个云提供商之间存储、管理、分析和安全共享数据 [4] 市场观点与估值 - 伯恩斯坦指出，鉴于公司股票目前以较高的估值倍数交易，且缺乏2027财年的额外预期信息，一个符合预期的季度可能不足以刺激近期股价上涨 [4] - Snowflake被认为是当前值得购买的最佳高增长股票之一 [1]

公司近期股价表现与市场情绪 - 公司股票近期表现疲软 属于一个整体下跌的板块和投资组合类别 [1] - 市场将其视为人工智能股票 而人工智能板块近期正在下跌 [1] - 有观点认为人工智能泡沫在10月底已经破裂 导致相关股票此后持续下跌 [1] 公司业务与财报表现 - 公司提供云数据平台 帮助组织整合数据进行分析、构建数据应用、共享信息并利用人工智能解决业务挑战 [2] - 公司在公布看似强劲的季度业绩后 股价却在盘后交易中下跌 [2] - 在财报公布前 公司股价年内涨幅已超过70% [2] - 公司是少数几家能让华尔街相信其能从人工智能中获利而非被人工智能淘汰的软件公司之一 其财务数据也基本支持了这一观点 [2] 财报具体问题与市场反应 - 公司对当前季度的运营利润率指引约为7% 而分析师预期为8.5% 该指引低于市场预期 [2] - 运营利润率指引不及预期是导致股价下跌的具体原因 [2]

事件概述 - Snowflake公司年度技术盛会BUILD的精华版于12月19日首次在InfoQ中文社区上线，标志着这一国际顶级技术IP与中国本土开发者生态的深度融合[2][5][9] 活动定位与意义 - BUILD起源于对开发者核心行为“构建”的致敬，已演变为全球探讨云端架构、大规模并行计算与数据处理的最前沿阵地[3] - BUILD在Data + AI领域地位显著，是定义“AI Data Cloud”概念的核心舞台，其发布的技术标准与开发工具深刻影响着全球成千上万企业的数据战略[4][6] 内容亮点与特色 - 精华版包含16场Data+AI精彩分享，由数据专家分享一线技术实践与思考[9] - 内容聚焦中国当前火热的智能体、检索增强生成以及多模态数据处理等课题，带来了全球顶尖专家的实践案例[7] - 针对中国开发者的应用场景进行了语境适配，旨在帮助数据工程师和AI创业者实现从本地开发到企业级生产环境的无缝迁移[7] - 展示了Snowflake最新的企业级Agent能力，旨在帮助企业在业务中释放数据潜能[9] 公司背景与市场地位 - Snowflake是面向AI时代的数据云平台，旨在助力企业更快速地创新并从数据中获取更多价值[10] - 在《福布斯》全球2000强企业中，已有766家正在使用Snowflake的AI数据云来构建、使用和共享数据、应用程序和AI[10]

公司合作动态 - ExecAtlas被任命为Snowflake Intelligence的企业智能代理的启动合作伙伴 [1]

公司融资与战略合作 - AtScale完成了迄今为止最大规模的股权融资 该轮融资由Snowflake Ventures领投[1] - 此次投资突显了语义基础设施在分析和企业AI中的关键作用[1] - KeyBanc Capital Markets担任了AtScale的独家财务顾问 DLA Piper担任了法律顾问[4] 行业趋势与市场需求 - 随着AI系统成为企业数据的主要消费者 对受治理的业务上下文的需求日益加剧[2] - 自然语言代理 检索增强系统和自主分析工作流都依赖于明确定义的指标和维度以产生可靠答案[2] - 行业正在转变对分析语义的重视程度 受治理的语义不再是可选项 而是可靠且可信的分析与AI的基础[3] 产品技术与解决方案 - AtScale的通用语义层由行业标准接口提供支持 包括SQL DAX MDX和模型上下文协议[2] - 该解决方案允许客户将BI工具 AI代理和企业应用程序连接到单一 受治理的真实数据源[2] - AtScale服务于包括Fidelity和Home Depot在内的客户[2] - 公司将继续支持数据平台 BI工具和数据应用程序之间最广泛的互操作性 加速构建更互联的数据生态系统[3] 合作价值与客户效益 - Snowflake通过此次投资表明其致力于为企业提供统一 受治理的数据 分析和AI基础[3] - 与AtScale的合作有助于双方共同客户在整个分析和AI工作流程中保持一致的业务逻辑和语义定义 从而实现大规模的性能提升和更高的准确性[3] - 客户正在Snowflake上大规模整合其关键企业数据 但仍需要一个语义层来确保每个BI应用程序和AI代理使用相同的语言[3] 公司背景与市场地位 - AtScale通过提供通用语义层来促成更智能的数据驱动决策 该层能统一业务逻辑 加速性能 并在BI工具和AI应用间提供一致的指标[5] - 作为现代语义层技术的先驱 AtScale十多年来帮助领先企业将其云数据平台转变为受治理 可扩展 可用于分析的环境[5] - 在GigaOm的2025年语义层雷达报告中 AtScale被认定为领导者和快速成长者[5] - AtScale在生产环境中服务的全球财富500强企业数量超过任何其他语义层提供商[5]

财务业绩与展望 - 公司2026财年第三季度营收为12.1亿美元，同比增长29% [1] - 同期产品营收为11.6亿美元，同比增长29% [1] - 截至2025年10月31日的三个月和九个月，产品营收同比分别增长2.581亿美元和7.266亿美元 [2] - 公司预计2026财年第四季度产品营收在11.95亿至12亿美元之间，同比增长27% [3] - 公司预计2026财年第四季度的非GAAP营业利润率为7% [3] 运营指标与客户情况 - 截至2025年10月31日，公司的净收入留存率为125% [2] - 营收增长主要源于现有客户对公司平台消费的增加 [2] - 截至2025年10月31日，剩余履约义务为79亿美元，预计其中约48%将在截至2026年10月31日的12个月内确认为营收 [3] 成本与盈利 - 2025财年第三季度运营亏损为3.294亿美元，较2024财年同期的3.654亿美元有所收窄 [2] - 2025财年第三季度总运营费用同比增长约16.7%，达到11.5亿美元 [2] - 公司在运营费用增加的同时实现了更高的毛利润 [2] 市场观点与公司业务 - 花旗银行于12月8日将公司股票目标价从310美元下调至300美元，但维持“买入”评级 [4] - 公司为美国及国际各类组织提供基于云的数据平台 [4] - 公司被对冲基金列为顶级人工智能和科技股投资标的之一 [1]

核心观点 - 拥有大量资金的投资者对Snowflake采取了看跌立场 今日监测到30笔不寻常的期权交易 表明可能有知情人士预期将有事件发生 [1][2] - 这些大额交易者的整体情绪分化 23%看涨 60%看跌 在全部特殊期权中 8笔为看跌期权 总金额609,765美元 22笔为看涨期权 总金额1,354,158美元 [3] 期权交易活动分析 - 过去三个月 主要市场推动者关注的价格区间在150.0美元至280.0美元之间 [4] - 今日交易中 Snowflake期权的平均未平仓合约为1316.35 总交易量达到2289.00 图表描绘了过去30天内 执行价在150.0美元至280.0美元区间内的高价值交易的看涨和看跌期权成交量与未平仓合约的进展 [5][6] - 部分值得注意的期权交易活动包括：一笔执行价为200.00美元、到期日为2028年1月21日的看跌期权 总交易价格为217.5千美元 未平仓合约313 成交量104 一笔执行价为180.00美元、到期日为2026年12月18日的看涨期权 总交易价格为199.5千美元 未平仓合约139 成交量30 [9] 公司概况与市场表现 - Snowflake成立于2012年 是一个完全托管的平台 整合不同公有云上的数据以进行集中分析和治理 其云原生架构允许用户独立扩展计算和存储层 以较低成本提供优化性能 公司的数据湖和数据仓库产品支持多种用例 包括商业分析、数据工程和人工智能 被财富2000强中的金融服务、媒体和零售公司广泛使用 [10] - 过去一个月 有5位专家发布了该股票的评级 平均目标价为294.4美元 具体包括：Evercore ISI Group维持“跑赢大盘”评级 目标价300美元 BTIG将评级下调至“买入” 新目标价312美元 Piper Sandler将评级下调至“增持” 目标价调整为285美元 Keybanc维持“增持”评级 目标价285美元 Wells Fargo维持“增持”评级 目标价290美元 [12][13] - 当前Snowflake股价为219.06美元 下跌0.7% 成交量为1,675,255股 RSI指标暗示标的股票可能正接近超卖区域 下一次财报预计在70天后发布 [15]

企业AI部署现状与挑战 - 企业级AI应用规模化部署进展缓慢，仅17%的受访企业实现了AI项目的大规模投产，较2025年3月的14%仅略有提升 [1][3] - 投资回报率不明确是最大障碍，59%的受访者持此观点，比例较3月的50%显著上升，合规监管担忧(45%)和内部专业人才不足(43%)是另外两大主要挑战 [3] - AI应用并未导致大规模裁员，40%的受访企业表示AI将推动员工增长，仅31%预期会减少人员，且只有1%预期大幅裁员 [3] 市场主导者与竞争格局 - 微软、OpenAI和英伟达在企业AI市场占据主导地位，微软Azure在云基础设施层面保持领先 [3] - 在大语言模型方面，OpenAI的GPT系列模型占据前五名中的三席，GPT 4.0位居榜首，谷歌Gemini的采用率从去年5月的19%大幅提升至46%，Anthropic Claude也跃升至第三位 [3][10] - 在通用AI工具领域，微软M365 Copilot保持主导地位，但OpenAI ChatGPT商业版正快速崛起至第二位，受访企业平均拥有2050个M365 Copilot付费席位，较3月的1715个稳步增长，同比增长67%，ChatGPT在企业中的平均席位数约为995个 [3][10] 企业AI采购与构建模式 - 企业自建AI成为主流趋势，仅34%的受访企业完全依赖第三方软件厂商的AI产品，高达60%的企业选择完全自建或采用自建与采购相结合的混合模式 [4][5] - “DIY AI”模式的流行为OpenAI和Anthropic等AI模型提供商创造了新机遇，它们可通过向企业销售“模型+工具”平台进入市场 [8] - 在具体应用场景中，内部IT帮助台的AI部署需求(75%)明显高于外部客户支持(52%)，ServiceNow在内部IT工作流自动化AI解决方案中保持领先 [8] AI智能体技术部署 - AI智能体技术在企业级部署仍处于早期阶段，仅5%的企业实现了规模化生产部署，71%的企业处于试点或小规模生产阶段，另有22%的企业甚至未开始试点 [5][9] - 智能体部署的缓慢进展提醒投资者对相关技术供应商的短期收入预期保持理性，许多供应商描绘的智能体驱动大幅收入增长的愿景可能要到2027年或更晚才能实现 [9] AI对数据基础设施的拉动效应 - AI项目显著拉动数据基础设施需求，在各数据软件类别中，预期支出增长的受访者比例平均为52%，远超预期削减支出的平均比例10% [12] - 云数据仓库领域受益最为显著，69%的受访者预期相关支出将增加，其中25%预期大幅增长，这对Snowflake、AWS Redshift、谷歌BigQuery等厂商构成利好，Snowflake略微领先，但Databricks紧随其后 [12] - 云数据湖和ML/AIOps领域同样表现强劲，分别有56%和60%的受访者预期支出增长，运营数据库的AI拉动效应相对温和，仅10%的受访者预期大幅增加相关支出 [14]

投资者商业日报品牌与产品 - 公司旗下拥有多个投资分析产品与服务品牌 包括IBD IBD Digital IBD Live IBD Weekly Leaderboard MarketDiem MarketSurge等 [6] - 公司提供多种投资研究工具 包括IBD股票图表 IBD股票检查 股票报价 今日股市 大图景 我的股票列表等 [3][4] - 公司提供实时市场数据与专业投资平台 如IBD Live Leaderboard SwingTrader MarketSurge等 [4] 公司信息与数据来源 - 公司信息来源于被认为可靠的渠道 但对其准确性 及时性或适用性不作保证 [2] - 实时股价由纳斯达克最后销售提供 实时报价和/或交易价格并非来自所有市场 [5] - 所有权数据由伦敦证券交易所集团提供 预估数据由FactSet提供 [5] 法律声明与版权 - 投资者商业日报的所有内容仅用于信息和教育目的 不应被解释为买卖证券的要约 推荐 招揽或评级 [2] - 文章作者/演示者可能拥有他们讨论的股票 [2] - 公司不对投资任何特定证券或使用任何特定投资策略的可取性作任何陈述或保证 [5] - 信息可能随时更改 恕不另行通知 [5] - 投资者商业日报 LLC 拥有IBD IBD Digital IBD Live等相关商标 [6] - 版权归2025年投资者商业日报 LLC 所有 [6]

文章核心观点 - 数据系统在过去五十年经历了从处理日常交易到支持智能分析的演变，其核心驱动力是解决记录事件与理解其意义之间的根本张力 [1] - 技术架构的演进路线图是从OLTP系统发展到AI驱动的OLAP平台，目标是使数据转化为洞察变得更加便捷、快速和经济高效 [1][45] OLTP与OLAP的根本区别 - **OLTP系统** 专注于处理企业的日常运营事务，如在线订购、转账，需要快速、准确且始终可用，优化目标是快速写入大量小事务并即时读取特定记录 [2] - **OLAP系统** 专注于分析和报告，旨在通过汇总海量历史数据来揭示模式、趋势和洞察，优化目标是读取、聚合数据并进行跨维度的复杂计算 [2] - 这两种系统需求截然相反，一个系统无法高效同时完成两项任务，这推动了数十年的架构创新 [2] OLAP与数据立方体的兴起（20世纪90年代） - 专用OLAP系统引入了**数据立方体**概念，通过预先聚合多个维度的数据来加速分析查询 [3] - 数据立方体类似于多维电子表格，例如结合时间、产品和地理位置维度来预计算销售额，使原本需要数小时的查询在几秒内完成 [3] - 出现了三种主要架构：**MOLAP**（如Hyperion Essbase）使用多维数组实现高速查询但预处理量大；**ROLAP**（如MicroStrategy）在关系数据库上构建，更灵活但性能较慢；**HOLAP**（如Microsoft Analysis Services）尝试混合两者优点 [4] - 商业驱动因素是高管和分析师需要仪表盘和报表来做出数据驱动的决策，Business Objects、Cognos等工具成为前端界面 [5] 数据仓库时代（20世纪90年代末至21世纪初） - 数据仓库作为面向主题、集成化、时变且非易失性的集中式存储库出现，旨在支持商业智能 [7] - 规范架构采用**ETL管道**从多个源系统提取、清理、转换并加载数据 [7] - **星型模式**和**雪花模式**是两种主导的数据组织方式，用于优化读取性能 [8][9] - Teradata、Netezza、Vertica等企业级数据仓库引入了**列式存储**和**大规模并行处理架构**，显著提高了数据压缩率和查询速度，并支持通过添加机器实现水平扩展 [9] - 局限性在于模式必须预先定义，添加新数据源成本高，硬件扩展性有限，且系统成本高达数十万甚至数百万美元 [9] 大数据与Hadoop时代（2000年代末至2010年代） - 互联网公司面临海量非结构化或半结构化数据（如网络日志、点击流），传统数据仓库在经济和技术上均无法处理 [13] - 受谷歌GFS和MapReduce论文启发，开源**Hadoop生态系统**兴起，其核心是**HDFS**（用于低成本分布式存储）和**MapReduce**（用于分布式计算） [13][14] - Apache Hive、Impala、Presto（现Trino）、Spark等项目提供了更友好、更快的查询和计算能力 [14] - 引入了**数据湖**概念，采用“读取时模式”，允许先以原始形式存储数据，再决定如何使用 [14] - 局限性在于查询延迟高（需数分钟至数小时），不支持事务或更新，且运维复杂度极高 [14][15] 云数据仓库时代（2010年代） - Snowflake、Google BigQuery、Amazon Redshift等云原生数据仓库实现了**计算与存储的完全分离** [17] - 数据存储在廉价、持久的对象存储中，计算集群按需启动和伸缩，用户只需为运行查询支付计算费用，存储成本低廉 [17] - **Snowflake** 提出了“多集群共享数据”的弹性架构；**BigQuery** 采用无服务器模型，自动分配资源 [18] - 优势包括：按需付费的云经济学、几秒内实现弹性伸缩、零硬件管理负担、以及轻松的数据共享能力 [19][20][21][22] - 凭借列式格式、高级压缩和智能查询优化，这些系统能在几秒钟内扫描TB级数据 [23] - Snowflake在2020年IPO时估值超过700亿美元，成为标志性事件 [24] 开放表格式与湖仓一体时代（2010年代末至2020年代） - 云数据仓库的专有格式可能导致**供应商锁定**，而传统数据湖缺乏ACID事务、高效更新等功能 [26][27] - **开放表格式** 为数据湖带来了类似数据库的功能： - **Apache Iceberg** 提供ACID事务、模式演化、隐藏分区和时间旅行 [27] - **Delta Lake** 与Spark生态系统紧密集成，支持流式写入和批量读取 [27] - **Apache Hudi** 专用于高效的增量数据处理和upsert操作 [27] - 这些格式以Parquet等标准列式格式存储数据，并维护丰富的元数据 [28] - 新一代查询引擎如 **Trino**、**Dremio**、**DuckDB** 以及托管服务如 **AWS Athena**，能够在这些开放格式上提供高速SQL查询 [29][30][31] - **开放元数据目录**（如AWS Glue、Unity Catalog）提供了集中的元数据管理和治理 [32] - 这些技术融合催生了 **Lakehouse架构**，结合了数据湖的灵活开放性与数据仓库的性能和功能 [32] AI驱动的分析时代（2020年代至今） - AI原生分析平台正在模糊数据仓库、机器学习和商业智能之间的界限 [35] - 主要趋势包括： - **语义层和AI驱动的指标** 抽象了SQL复杂性，允许用户定义业务指标而非编写复杂查询 [35] - **由大型语言模型驱动的自然语言界面** 允许业务用户用简单语言提问，系统自动生成并执行SQL [35] - **向量搜索和嵌入技术** 使得能够结合传统SQL分析对非结构化数据进行语义搜索 [35] - 统一分析平台涌现，例如： - **Databricks** 整合了湖仓存储、协作笔记本、ML管道和交互式仪表板，并通过收购MosaicML集成LLM训练 [35] - **Snowflake Cortex** 将AI功能直接嵌入SQL [36] - **Dremio Reflections** 利用AI自动优化查询聚合 [36] - **MotherDuck** 将DuckDB高性能带入云端 [36] - **流式OLAP** 兴起，系统如Apache Pinot、ClickHouse能基于最新数据以亚秒级延迟运行分析查询，模糊了OLTP与OLAP的界限 [36] - 愿景是实现**自助式分析**，让领域专家无需依赖数据团队即可探索数据 [36] 技术演进时间线总结 - **1970s-1980s OLTP时代**：关键技术为关系型数据库，架构为单体、行式存储，用例是交易处理，局限性是分析性能差且仅支持垂直扩展 [41] - **1990s OLAP革命**：关键技术为数据立方体，架构为预聚合多维数组，用例是快速商业智能和报告，局限性是缺乏灵活性、预处理量大且规模有限 [41][42] - **1990s末-2000s初 数据仓库时代**：关键技术为企业数据仓库，架构采用ETL、列式存储、MPP集群，用例是集中式分析存储库，局限性是成本高、方案僵化、硬件扩展受限 [42] - **2000s末-2010s 大数据时代**：关键技术为Hadoop生态系统，架构基于通用硬件的分布式存储计算，用例是大规模数据湖和批量处理，局限性是延迟高、操作复杂、无事务支持 [42] - **2010s 云仓库时代**：关键技术为云原生数据仓库，架构实现计算存储分离、弹性无服务器，用例是可扩展、经济高效的分析即服务，局限性是专有格式可能导致供应商锁定 [42] - **2010s末-2020s 湖仓一体时代**：关键技术为开放表格式与现代查询引擎，架构是基于开放数据湖的ACID事务与通用目录，用例是开放、灵活的高性能分析，局限性是仍需SQL专业知识 [42] - **2020s至今 AI原生分析**：关键技术为具备语义层和LLM接口的AI驱动平台，架构统一数据、ML和BI并嵌入智能，用例是自助分析、自然语言查询和实时机器学习 [42] 未来展望 - 数据系统正从工具演变为能理解意图并适应需求的平台 [43] - 新兴领域包括：**自主优化**（系统自动学习并优化）、**实时智能**（运营与分析系统界限消失）、**联邦学习和隐私保护分析**，以及**自然语言作为主要交互界面** [44][45] - 未来成功的公司和系统将拥抱开放、优先考虑智能嵌入，并致力于让组织中的每个人都能做出数据驱动的决策 [45]