财务表现 - 第二季度总收入5.91亿美元，同比增长24%，超出指引上限[4] - Atlas收入同比增长29%，占总收入比例达74%，较上年同期的71%和上季度的72%持续提升[4][6] - 非GAAP营业利润8700万美元，营业利润率15%，较上年同期的11%显著改善[4] - 客户总数达59,900家，较上年同期的50,700家增长显著，过去两季度新增超5,000家客户[4] - 净收入留存率约119%，与近期季度持平[7] - 持有23亿美元现金及短期投资，季度内斥资2亿美元回购93万股[7] 产品与业务 - Atlas消费增长强劲，增速与去年水平相当，大客户尤其是美国地区表现突出[6][7] - 非Atlas业务超预期，年度经常性收入增长7%，多年度协议贡献约一半的超预期表现[7] - 平台能力持续扩展，集成搜索、向量搜索、嵌入和流处理等原生功能[5] - 企业级客户覆盖广泛，财富500强中超70%企业使用，包括前10大银行中的7家、前15大医疗公司中的14家以及前10大制造商中的9家[4] 战略与市场定位 - 聚焦高端市场战略见效，获取的 workloads 规模更大、增长更持久[11][63] - 自服务渠道通过数据驱动实验和吸引SQL开发者等举措实现加速增长[17] - 成为AI应用基础架构关键组件，AI原生初创公司广泛选择Atlas构建应用[5] - 在AI推理领域，OLTP（联机事务处理）被视为战略高地，公司架构优势显著[27] 客户案例 - 某全球大型汽车制造商采用Atlas克服Postgres扩展性限制，管理超850万辆车辆数据[4] - 德国电信选择Atlas作为内部开发者平台基础，管理6000万客户记录，并发登录处理能力达旧系统15倍[5] - 巴西新银行Agibank从Postgres迁移至Atlas后，性能提升近5倍，成本降低90%且无中断[5] - 某领先电动汽车公司选用Atlas和Vector Search支持自动驾驶平台，处理超10亿向量，预计明年数据使用量增长10倍[5] 行业趋势与竞争 - 与Postgres等传统数据库相比，MongoDB提供一体化解决方案，减少维护多系统复杂性[5] - 超大规模供应商减少投入，将产品开发更多交由开源社区，公司开源模式平衡免费软件访问与价值捕获[28] - AI应用采用仍处早期，企业多聚焦员工生产力工具和打包ISV解决方案，定制化AI应用转型尚未大规模展开[5][39] - 初创公司初期常因熟悉度选择Postgres，但在扩展时面临性能问题，转而采用MongoDB[29] 未来展望 - 上调2026财年收入指引7000万美元至23.4-23.6亿美元，反映对Atlas增长的信心及上半年强劲表现[7] - 预计Atlas下半年增速维持20%中段，非Atlas订阅收入全年降幅收窄至中个位数[7] - 营业利润率指引高端提升150个基点至14%，因收入超预期及投资纪律性增强[7] - 第三季度收入预期5.87-5.92亿美元，非GAAP营业利润6600-7000万美元[7] - 持续投资研发和开发者认知，重点关注AI、应用现代化等增长机会[7][62]

财务数据和关键指标变化 - 第二季度总收入为5.91亿美元，同比增长24%，超过指引区间上限 [6] - Atlas收入同比增长29%，占总收入的74%，较上一季度的72%和2025财年的71%有所提升 [6][18] - 非GAAP营业利润为8700万美元，非GAAP营业利润率为15%，高于去年同期的11% [6][22] - 客户总数超过59,900名，过去两个季度新增超过5,000名客户 [7][20] - 净收入留存率约为119%，与最近几个季度一致 [22] - 年经常性收入超过10万美元的客户数量为2,564名，同比增长17% [22] - 第二季度非GAAP每股收益为1.00美元，基于8700万股稀释后流通股，去年同期为0.70美元，基于8400万股 [24] - 运营现金流为7200万美元，自由现金流为7000万美元，去年同期分别为负100万美元和负400万美元 [25] - 公司提高2026财年全年收入指引，范围上调7000万美元至23.4亿至23.6亿美元 [27][28] - 全年非GAAP营业利润指引上调4400万美元至3.21亿至3.31亿美元，非GAAP每股收益指引为3.64至3.73美元 [28] - 第三季度收入指引为5.87亿至5.92亿美元，非GAAP营业利润为6600万至7000万美元，非GAAP每股收益为0.76至0.79美元 [31] 各条业务线数据和关键指标变化 - Atlas收入增长加速至29%，高于第一季度的26% [7][18] - 非Atlas业务收入超出预期，非Atlas年经常性收入同比增长7% [19][20] - 非Atlas业务的优异表现部分归因于超出预期的多年期交易，约一半的超额收入来自多年期交易 [20] - 预计全年非Atlas订阅收入将出现中个位数百分比下降，此前预期为高个位数下降 [27] - 预计来自多年期许可收入的逆风现在为4000万美元，此前预期约为5000万美元 [27] - Atlas客户数量超过58,300名，去年同期超过49,200名 [21] - 直接销售客户超过7,300名，环比减少200名，同比持平，反映了公司将部分市场资源从中端市场重新分配到企业渠道的决策 [21] 各个市场数据和关键指标变化 - Atlas消费增长强劲，与去年的增长率相对一致，尤其是在美国的大型客户中表现突出 [18][76] - 公司向上游市场转移的战略正在取得成效，获得的工作负载增长更快、规模更大 [36][77] - 自助服务渠道表现强劲，部分由选择Atlas作为其应用程序基础的AI原生初创公司驱动 [13][37] - 在企业领域，AI的采用是真实的，但仍处于早期阶段，活动主要集中在员工生产力工具和打包的物联网解决方案上 [14][90] 公司战略和发展方向和行业竞争 - 公司战略重点包括向上游市场转移，专注于最复杂和要求最高的企业客户，同时利用自助服务渠道更好地服务中小型企业市场 [39][40] - MongoDB被视为AI基础设施堆栈的关键组成部分，其统一平台因其功能、性能、成本效益和AI就绪性而受到青睐 [8][16] - 公司认为，在AI推理方面，联机事务处理是战略制高点，而MongoDB在JSON支持、集成搜索和向量搜索方面具有持久的架构优势 [66][87] - 与Postgres等关系型数据库相比，MongoDB提供了一个完整的解决方案，减少了集成和维护多个不同系统的复杂性 [11][12] - 公司正在投资应用程序现代化，并看到了巨大的机遇，将在9月的投资者日提供更多细节 [60][62] 管理层对经营环境和未来前景的评论 - 企业对AI的采纳仍处于早期阶段，大多数客户仍处于构建将改变其业务的定制AI应用的非常早期阶段 [14][91] - 客户在部署面向最终用户的AI应用时表现出犹豫，原因包括对输出质量、安全性、稳定性和可扩展性的担忧 [90][127] - 公司对MongoDB在当前的数字化转型浪潮和由AI驱动的下一波浪潮中的领先地位充满信心 [16][152] - 公司专注于运营一个高效、可扩展的业务，支持收入和盈利能力的增长，以驱动长期股东价值 [23][95] 其他重要信息 - 公司将于9月17日在纽约贾维茨中心举行投资者日，届时将讨论为驱动持久增长和利润率扩张所做的投资以及对未来的看法 [5][32] - 第二季度进行了一项小幅重组，影响了不到2%的员工，产生了约500万美元的一次性费用，已从非GAAP财务数据中排除 [23] - 第二季度末，公司拥有23亿美元的现金、现金等价物、短期投资和受限现金 [24] - 第二季度花费2亿美元回购了约93万股股票 [24] - 公司欢迎新的投资者关系副总裁Jess Lubert加入 [32] 问答环节所有的提问和回答 问题: Atlas增长加速和连续美元增加的驱动因素 [34] - 增长主要归因于过去一年获得的工作负载，特别是随着公司向上游市场转移，这些工作负载增长更快、规模更大 [36] - 搜索和向量搜索等功能的采用也促进了这些工作负载的增长 [37] - 过去六个月新增大量客户，尽管自助服务客户每客户支出较少，但也推动了增长 [37] 问题: 销售团队的最新状态和优化情况 [38] - 战略没有改变，重点是加倍投入现有策略：向上游市场转移，专注于全球企业客户，利用自助服务渠道服务中小型企业市场 [39][40] - 结果表明，公司在服务中小型市场和提高大客户钱包份额方面都变得更为有效 [41] 问题: 自助服务渠道加速的原因 [45] - 自助服务团队采用数据驱动的方法进行实验，以了解有效和无效的方法 [46] - 一个新的策略是吸引不了解MongoDB的SQL开发者，通过办公时间等活动解释文档数据库的价值主张 [46] - 这些数据驱动的策略正在取得成效 [47] 问题: 非Atlas业务年经常性收入增长和未来展望 [48][49] - 关于下一财年第三季度的表现将取决于本财年第三季度的业绩，目前暂不提供具体展望 [51] 问题: AI对当前季度Atlas增长的具体贡献 [55][56] - 虽然增加了数千名AI原生客户，但AI客户对本季度的增长贡献并不显著，增长主要由核心业务和核心客户群驱动 [57] 问题: 迁移机会的进展和改进 [58][59] - 应用程序现代化的价值主张非常明确，客户有强烈动机进行现代化 [60] - 公司看到了很大进展，引入了新的产品负责人来利用AI构建工具以推动更多自动化 [61] - 这将是长期增长驱动力，今年内的影响不会太显著，投资者日将讨论更多细节 [62][63] 问题: 对Databricks LakeBase和Linux Foundation DocumentDB等最新行业发展的看法 [66] - 联机事务处理是AI推理的战略制高点，构建一个满足企业最苛刻要求的任务关键型联机事务处理平台并非易事 [66] - Linux Foundation的相关动态表明，真正的JSON在AI时代比以往任何时候都更重要，而克隆版和附加组件未能满足客户期望 [67] - 与超大规模云提供商的合作伙伴关系依然牢固 [68] 问题: Postgres在AI初创公司中看似被广泛采用的原因 [69] - 许多初创公司创始人在数据库选择上思考不深，倾向于使用他们熟悉的工具 [69] - 随着业务扩展，这些初创公司遇到了Postgres的可扩展性挑战，特别是在处理JSON数据时出现性能问题 [70][71] - 公司正在加大对初创公司社区的投入，进行开发者教育 [72] 问题: 本季度Atlas趋势的详细情况 [75] - Atlas消费增长表现良好，同比增长29%，消费增长与去年相对一致 [76] - 5月开局强劲，在各个地区和细分市场普遍表现强劲，尤其在美国的大型客户中表现突出 [76][77] - 增长部分受益于向上游市场转移的销售策略变化，以及相对于第一季度较慢增长的对比基数 [77] 问题: 多年期交易表现优异的原因 [79] - 表现优异并非由于客户提前续约，而是基于良好的年经常性收入基础增长和超出预期的多年期交易 [80][81] - 没有异常情况，也没有大型多年期交易，只是 across a good subset of customers [82] 问题: AI相关用例的差异化优势和预计贡献时间点 [85] - JSON文档数据库最适合建模现实世界中复杂、多变的数据结构 [87] - 集成搜索和向量搜索允许进行混合搜索和检索，降低了复杂性和成本 [88] - 在平台上嵌入Voyage模型可以控制嵌入层，提高输出质量 [89] - 企业AI应用仍处于早期阶段，主要集中于最终用户生产力和低风险用例，真正变革性的定制AI解决方案尚需时日 [90][91] - 预计AI贡献显著增长还需要时间 [92] 问题: 在增长加速的同时平衡利润率扩张和投资 [93] - 利润率扩张的首要驱动因素是收入增长，这是一个很好的商业模式 [94] - 团队确保投资于增长，并定期审查投资效率，必要时进行重新分配 [95] 问题: 初创公司的AI采用是否预示着企业市场的未来 [99][100] - AI客户群目前对增长贡献不显著，增长主要由大型企业的工作负载驱动 [102] - 向上游市场转移的战略是正确的，这些工作负载的质量和持久性更好 [102] - 同时，公司也加倍投入自助服务以服务中小型企业市场，这两种模式协同良好 [103] 问题: 非Atlas年经常性收入7%的长期增长预期 [107] - 企业协议主要面向现有客户群，客户对本地部署和云部署的思考变得更加复杂和细致 [108] - MongoDB的同一代码库可在本地和云上运行，为客户提供了未来的可选性，这是一个强大的价值主张 [109] 问题: 针对AI机遇的上市策略 [114] - 对于早期客户，当其增长到需要更高接触的参与模式时，公司会安排专门的销售人员进行对接 [115] - 企业市场在AI旅程上仍处于早期阶段，投资主要集中在最终用户生产力和低风险用例上 [116] - 企业对AI技术的适应和向高风险用例的过渡需要时间 [117] 问题: 企业协议客户中多年期交易的比例和变化 [118] - 公司不披露多年期交易与一年期交易的客户百分比 [119] - 本财年看到的多年期交易分布更广，但规模不如上一财年大 [119] - 客户选择多年期交易的原因保持一致，主要是为了与长期战略保持一致并锁定价格 [121] 问题: 对AI采纳放缓的看法和收入贡献的拐点 [125] - AI系统的概率性本质、输出质量、安全性、稳定性和可扩展性等问题导致客户，特别是金融服务业客户，对部署面向最终用户的AI应用持谨慎态度 [126][127] - 预计不会出现重大的转折点，而是一个逐步的过程，从低风险用例逐渐过渡到高风险用例 [130][131] 问题: 研发投资的重点领域 [135] - 研发是本年度的投资重点之一，8.0版本是性能最好的版本，8.1版本更好 [136] - 公司还在平台扩展领域进行投资，更多细节将在投资者日公布 [137] 问题: 推动更大客户群中更高质量工作负载的努力与增长的关系 [138] - 增长很大程度上归因于获得了更高质量的工作负载，这些工作负载增长更快、持续时间更长 [139] 问题: 在多智能体世界中MongoDB的作用和定位 [144] - JSON文档数据库最适合建模现实世界的复杂性 [146] - 支持搜索和向量搜索，可以进行复杂的混合搜索 [146] - 智能体需要记忆来连接不同时间和情境的信息，并需要对智能体进行编排和治理，MongoDB的底层架构适合满足这些需求 [147][148]