Snowflake (SNOW) Analyse approfondie : une entreprise à forte croissance qui contrôle le « cœur » des données d’entreprise, mais dont le modèle de profit est encore inachevé

* Ce rapport est préparé sur la base de données au 2026-01-08.

Que fait Snowflake ? (pour des élèves de collège)

Snowflake fournit un service cloud qui regroupe les nombreux ensembles de données différents d’une entreprise en un seul endroit et permet aux bonnes personnes d’utiliser ces données en toute sécurité. Il ne s’agit pas seulement de stocker des informations. L’objectif réel est de faciliter le fait de tout faire dans un seul environnement — créer rapidement des rapports, partager des données entre équipes ou même entre entreprises, et laisser l’IA travailler au-dessus de ces données, tout en restant dans des contrôles de gouvernance.

En termes simples, Snowflake est comme une immense bibliothèque bien organisée avec des serrures. Au lieu de laisser des livres (données) éparpillés partout, vous les apportez dans la bibliothèque afin que les gens puissent rapidement trouver et lire ce dont ils ont besoin. Mais les livres importants sont verrouillés, et vous pouvez définir des règles très spécifiques sur qui est autorisé à y accéder.

Qui sont les clients / qui l’utilise au sein d’une entreprise ?

Ses clients principaux sont de grandes entreprises (dans le commerce de détail, les services financiers, l’industrie, la santé, les entreprises internet, et plus encore), y compris des secteurs fortement réglementés comme le secteur public. Au sein d’une organisation, les utilisateurs incluent généralement des équipes de data engineering qui collectent et préparent les données, des équipes d’analytique, des développeurs qui construisent des applications et des systèmes internes, et des équipes cherchant à automatiser des workflows avec l’IA.

Ce qu’il vend : les piliers d’aujourd’hui et les piliers potentiels de demain

Aujourd’hui, l’offre cœur est un « hub de données (warehouse) » cloud qui centralise les données d’entreprise et permet aux utilisateurs de les extraire et d’effectuer des calculs dessus selon les besoins. L’essentiel n’est pas le « stockage », mais la capacité à gérer facilement des données à grande échelle, à les maintenir cohérentes sous des règles partagées, et à imposer des contrôles d’accès solides.

Les cas d’usage courants incluent la combinaison des données de ventes, de publicité et d’inventaire pour actualiser chaque matin des tableaux de bord de management ; l’analyse du comportement des clients pour prédire quels produits sont susceptibles de se vendre ensuite ; et la construction d’une « source unique de vérité » afin que différents départements puissent être dans la même réunion en regardant les mêmes chiffres.

Comme pilier potentiel futur, Snowflake se développe dans le domaine des bases de données applicatives (Snowflake Postgres). Via l’acquisition de Crunchy Data, il vise à s’étendre au-delà de l’analytique vers des charges de travail de « données transactionnelles » — commandes, paiements, dossiers d’adhésion — se rapprochant d’être « le centre des données incluant les systèmes opérationnels », et pas seulement « la destination analytique ». En parallèle, avec les agents IA (systèmes où l’IA fait avancer des tâches de manière autonome) à l’esprit, l’entreprise met l’accent sur une trajectoire visant à devenir le « centre nerveux des données d’entreprise » pour la découverte, la connectivité, et les autorisations/l’audit dans des règles définies.

Elle a également indiqué des conceptions qui mettent l’accent sur la sécurité et la conformité réglementaire dans des environnements fortement réglementés (par ex., liés au gouvernement), ce qui pourrait aider à étendre l’adoption dans le secteur public et dans des domaines plus proches des systèmes cœur.

Comment il gagne de l’argent : « pay-as-you-use » basé sur la consommation

Le modèle de revenus cœur est simple : « ne payer que pour ce que vous utilisez ». Plus les clients exécutent du calcul sur leurs données, lancent des charges de travail lourdes d’IA/analytique, et augmentent le partage et les intégrations, plus les revenus augmentent généralement. Pour les entreprises, il est facile de commencer petit ; une fois la valeur prouvée, l’usage peut se diffuser entre équipes, créant un modèle où le revenu par client peut s’étendre au fil du temps.

Pourquoi il est choisi (proposition de valeur)

• Accès rapide aux données : Il peut réduire le travail nécessaire pour consolider des données dispersées et les rendre utilisables.
• Partage sécurisé : Il facilite la collaboration en interne et en externe tout en contrôlant strictement qui peut voir quoi (il existe aussi des retours d’adoption comme plateforme de collaboration de données).
• Une base pour exécuter l’IA : Il est difficile de rendre l’IA utile sans des données bien préparées, et Snowflake se positionne comme l’endroit où les données d’entreprise sont organisées sous une forme que l’IA peut réellement utiliser.

Moteurs de croissance : pourquoi le modèle peut passer à l’échelle

• L’usage augmente à mesure que l’utilisation des données s’étend : La consommation tend à augmenter à mesure que les départements, les cas d’usage et la fréquence d’analyse augmentent.
• L’adoption de l’IA comme vent arrière : Plus l’IA est déployée en production, plus les entreprises ont besoin de placement des données, d’organisation et de contrôle d’accès — ce qui peut potentiellement stimuler une utilisation plus élevée.
• Les intégrations partenaires élargissent les points d’entrée : Plus elle se connecte aux grands logiciels et autres plateformes, plus la barrière à l’adoption est faible. Un exemple cité est l’intégration avec Palantir.

Voilà l’activité en termes simples. Ensuite, nous utiliserons les chiffres de long terme pour confirmer de quel « type » d’entreprise il s’agit — et si ce profil tient toujours à court terme.

Fondamentaux de long terme : SNOW est un composite de « forte croissance × rentabilité immature »

Chiffre d’affaires : plage de forte croissance sur 5 et 10 ans

Le chiffre d’affaires a fortement composé sur le long terme. Le chiffre d’affaires FY est passé de $0.10B en 2019 à $3.63B en 2025, ce qui se traduit par un CAGR FY de environ +68.8% sur 5 ans et environ +83.0% sur 10 ans — deux niveaux très élevés. Les chiffres soutiennent un modèle où l’expansion post-adoption chez les clients peut contribuer de manière significative, en plus de la croissance de la demande globale.

EPS / résultat net : les pertes GAAP continuent

À l’inverse, la rentabilité GAAP n’est toujours pas stable. L’EPS FY est resté négatif, passant de -0.75 en 2019 à -3.86 en 2025. Le résultat net est également resté dans le rouge, de -$0.18B en 2019 à -$1.29B en 2025.

Free cash flow (FCF) : est devenu positif et s’est maintenu

Le point marquant est le cash flow. Après avoir été négatif au début, le FCF est devenu positif en 2022 (+$0.08B) puis a augmenté, atteignant +$0.91B en 2025. Sur une base FY, la marge de FCF s’est améliorée de -153.1% en 2019 à +25.2% en 2025.

Cela dit, la marge opérationnelle FY reste négative à -40.2% même en 2025. Il serait donc une erreur de conclure « FCF fort = la transition vers la rentabilité est terminée ». Une meilleure manière de le formuler est : la rentabilité GAAP reste immature, mais la génération de cash est devenue viable à mesure que l’activité a pris de l’échelle.

ROE : négatif sur le long terme ; le dernier FY est une forte baisse

Le ROE (FY) est resté négatif, avec le dernier FY à -42.86%. La médiane de la distribution FY des 5 dernières années est d’environ -14.6%, et la dernière année est plus faible que cette plage historique. Comme les capitaux propres peuvent varier de manière significative d’une année à l’autre, le ROE peut fortement osciller lorsqu’il est combiné à des pertes — ce que les données suggèrent également.

La marge brute est élevée, mais les pertes opérationnelles persistent

La marge brute (FY) s’est améliorée au fil du temps, avec le dernier FY à environ 66.5% (46.5% en 2019 → 66.5% en 2025). Le profil de marge brute au niveau produit est solide, mais la marge opérationnelle — incluant les ventes et la R&D — reste négative, ce qui implique que le modèle de profit global n’est pas encore pleinement établi.

Dilution des actionnaires : le nombre d’actions en circulation a augmenté

Les actions en circulation (FY) sont passées de 238 millions en 2019 à 333 millions en 2025. Cela compte car les métriques par action (comme l’EPS) sont influencées non seulement par les niveaux de profit mais aussi par la croissance du nombre d’actions.

Dividendes et allocation du capital : les dividendes sont peu susceptibles d’être un thème principal

Sur la base des données disponibles, il est difficile de confirmer à la fois le rendement du dividende TTM et le dividende par action, et l’historique de dividendes semble limité. Pour l’instant, il est le plus raisonnable de considérer Snowflake comme étant dans une phase où l’investissement de croissance (expansion de l’activité) prime sur les dividendes, tandis que la croissance du nombre d’actions (dilution) devient un élément d’allocation du capital.

Classification à la Peter Lynch : au plus proche d’un hybride de « Fast Grower orientation, mais immature »

Par ses caractéristiques d’activité, SNOW ressemble à un Fast Grower, mais il ne remplit pas les conditions d’un « classic Fast Grower » au sens de Lynch (rentable, ROE élevé). L’étiquette la plus cohérente est donc un hybride : forte croissance, mais avec une rentabilité et une efficacité du capital immatures.

• Justification 1 : Le CAGR du chiffre d’affaires (5 ans, FY) est d’environ +68.8%, indiquant une forte croissance
• Justification 2 : Le FCF est devenu positif en 2022, et en 2025 il est d’environ +$0.91B, indiquant une positivité durable
• Justification 3 : Le ROE (dernier FY) est de -42.86%, négatif et plus faible que la distribution historique

Vérification de cyclicité : la série de chiffre d’affaires montre peu d’indices de cycles

Bien que la classification Lynch automatisée signale des cyclicals, le chiffre d’affaires FY a augmenté de manière régulière de 2019 à 2025, rendant difficiles à identifier des pics et creux répétés. Une interprétation plus prudente est que plutôt que d’être un « cyclical classique », les résultats peuvent paraître volatils en raison de l’optimisation côté client et des changements de posture d’investissement dans un modèle basé sur la consommation.

Dynamique à court terme : le « type » de long terme est globalement intact, mais des signaux de décélération s’y mêlent

Sur le long terme, le profil a été « forte croissance × rentabilité immature (avec un FCF devenu positif) ». Cette image globale tient toujours sur la dernière année (TTM), mais la classification de momentum est Decelerating.

Chiffre d’affaires (TTM) : la croissance reste élevée, mais se modère par rapport à la moyenne de long terme

Le chiffre d’affaires (TTM) est de $4.387B, avec une croissance (TTM YoY) de +28.48%. C’est encore solide, mais bien en dessous de la moyenne de long terme (CAGR du chiffre d’affaires 5 ans, FY : ~+68.8%). Les horizons temporels diffèrent, mais la conclusion est claire : la croissance s’est refroidie par rapport à l’ère d’hyper-croissance. Sur les deux dernières années, le chiffre d’affaires continue de tendre à la hausse (CAGR 2 ans +25.0%, corrélation de tendance +0.998).

EPS (TTM) : amélioration YoY mais les pertes continuent ; faible sur une fenêtre de 2 ans

L’EPS (TTM) est de -4.018, toujours négatif. La croissance de l’EPS (TTM YoY) est de +18.225%, ce qui implique que la perte s’est réduite. Cependant, avec un EPS FY constamment négatif, un CAGR de l’EPS sur 5 ans est difficile à interpréter ; et la corrélation de tendance sur 2 ans est de -0.944, ce qui penche vers la faiblesse. Cela rend difficile de décrire la configuration actuelle comme une phase d’accélération claire.

FCF (TTM) : reste positif, mais la croissance s’est interrompue

Le FCF (TTM) est de $0.777B, toujours positif, mais la croissance du FCF (TTM YoY) est de -4.879%, une baisse modeste. Comme le FCF FY couvre des périodes négatives et positives, un CAGR sur 5 ans est difficile à calculer, ce qui limite les comparaisons strictes. Néanmoins, même sur les deux dernières années, le CAGR 2 ans est de -0.14% — essentiellement stable — ce qui suggère que la croissance de la génération de cash s’est « interrompue ».

Marges (FY) : l’amélioration des pertes opérationnelles semble s’essouffler

La marge opérationnelle (FY) est passée de FY2023 -40.8% → FY2024 -39.0% → FY2025 -40.2%, ce qui n’est pas un schéma d’amélioration régulière. Cet essoufflement est un point de contrôle important lorsqu’on réfléchit au rythme de progression vers la rentabilité.

Santé financière : le levier semble léger, mais la liquidité et la couverture des intérêts sont mitigées

Pour évaluer le risque de faillite, il faut regarder au-delà des « niveaux de dette » et aussi considérer le « coussin à court terme » et la « capacité à payer les intérêts ». Pour SNOW, le point clé est que ces trois éléments n’évoluent pas dans la même direction — ils sont mitigés.

Pression effective de la dette : Net Debt / EBITDA est en baisse

Le Net Debt / EBITDA (dernier FY) est de 1.78x, en baisse vers la période la plus récente (par ex., 7.03 → 3.28 → 1.96). La pression effective de la dette s’allège, ce qui peut être favorable.

Liquidité à court terme : les tendances trimestrielles indiquent un coussin qui s’amincit

Le cash ratio (dernier FY) est de 1.40, mais les tendances de fin de trimestre montrent le current ratio (par ex., 1.75 → 1.54 → 1.44 → 1.32) et le cash ratio (par ex., 1.40 → 1.29 → 1.16 → 0.99) en baisse. La conclusion factuelle est que le coussin de trésorerie à court terme s’amincit.

Ratio de levier et capacité à payer les intérêts : également non unidirectionnels

Alors que le ratio dette/capitaux propres a nettement augmenté sur les trimestres les plus récents (par ex., 0.90 → 1.12 → 1.13 → 1.26), la couverture des intérêts (base FY) est fortement négative en raison des pertes. Un FCF positif peut se traduire par une capacité de résistance dans le monde réel, mais si le FCF est stable à légèrement en baisse, des coûts incrémentaux peuvent entamer la durabilité plus rapidement.

Où se situe la valorisation aujourd’hui (historique de l’entreprise uniquement)

Ici, sans comparaison au marché ou aux pairs, nous plaçons simplement SNOW dans ses propres données historiques (sans porter de jugement bon/mauvais). Les six métriques utilisées sont le PEG, le P/E, le free cash flow yield, le ROE, la marge de free cash flow, et Net Debt / EBITDA.

PEG : actuellement négatif, mais difficile à positionner sans distribution historique

Le PEG est de -3.06. Cependant, comme les distributions sur 5 ans et 10 ans ne peuvent pas être construites, cette métrique ne nous dit pas où elle se situe (haut/bas) dans l’historique propre de SNOW. Il s’agit essentiellement d’un résultat mécanique : malgré une croissance de l’EPS (TTM YoY) de +18.225%, l’EPS (TTM) est négatif à -4.018, produisant un PEG négatif.

P/E : avec un EPS négatif, les comparaisons de plage standard sont difficiles

Par rapport au cours de l’action (date du rapport) de $224.36, le P/E (TTM) est de -55.84x. Avec un EPS négatif, les comparaisons de plage historique ne sont pas significatives, et cette métrique seule ne peut pas établir « où nous en sommes par rapport aux 5 dernières années ».

Free cash flow yield : « plutôt vers le bas » dans la plage sur 5 ans

Le FCF yield (TTM) est de 1.01%, dans la plage normale des 5 dernières années (0.79%–1.55%). Dans cette plage, il se situe sous la médiane (1.14%), le plaçant « plutôt vers le bas ». Même si le chiffre d’affaires a été orienté à la hausse sur les deux dernières années (CAGR 2 ans +25.0%), le FCF est proche de stable (CAGR 2 ans -0.14%), ce qui rend plus probable que le rendement reste borné par la plage plutôt que d’augmenter fortement.

ROE : passe sous les plages des 5 et 10 dernières années

Le ROE (dernier FY) est de -42.86%, en dessous de la plage normale des 5 dernières années (-21.48% à -12.96%). Il est également en dessous de la plage des 10 dernières années, plaçant l’efficacité du capital à un plus bas historique. Même sur les deux dernières années, le résultat net (TTM) reste négatif, rendant une faiblesse continue plus probable qu’une amélioration nette par changement de régime.

Marge de FCF : dans la plage, mais sous la médiane de la distribution FY (note : différence TTM vs FY)

La marge de FCF (TTM) est de 17.71%. Elle se situe dans la plage normale des 5 dernières années (distribution FY : 2.43%–25.70%), mais sous la médiane basée sur FY (24.04%). La manière la plus claire de l’interpréter est un décalage de période : la valeur actuelle est TTM, tandis que la distribution historique est FY. Avec un FCF proche de stable sur les deux dernières années, il est raisonnable de considérer la marge de FCF comme stable à légèrement contrainte plutôt que prête pour une forte hausse par palier.

Net Debt / EBITDA : historiquement bas (une métrique inverse où plus bas implique plus de capacité)

Net Debt / EBITDA est une métrique inverse en ce que des valeurs plus petites (plus négatives) impliquent généralement plus de trésorerie et une plus grande flexibilité financière. Le Net Debt / EBITDA du dernier FY est de 1.78x, en dessous de la plage normale des 5 dernières années (4.26x–5.59x). Il est également en dessous de la plage normale des 10 dernières années (2.06x–5.20x), et la direction sur deux ans est également à la baisse. Mécaniquement, cela indique un allègement de la pression de levier.

Qualité des cash flows : le FCF est généré malgré des pertes comptables, mais la croissance récente ralentit

SNOW est défini par la combinaison « les profits GAAP (EPS et résultat net) restent négatifs, tandis que le FCF est positif et durable ». Cela suggère que la génération de cash est devenue viable à mesure que l’activité a pris de l’échelle.

Cependant, sur la dernière année (TTM), le FCF est légèrement en baisse YoY à -4.879%, et il est essentiellement stable sur les deux dernières années (CAGR 2 ans -0.14%). Les investisseurs doivent donc distinguer si cela correspond à un ralentissement temporaire tiré par l’investissement, ou si cela reflète l’optimisation côté client (contrôles de coûts) et/ou des dynamiques concurrentielles inhérentes à un modèle basé sur la consommation.

Pourquoi cette entreprise a gagné (l’histoire de succès)

L’avantage de Snowflake vient du fait d’agir comme une « enterprise data operating foundation » — une plateforme qui maintient les données d’entreprise utilisables « sous une gouvernance sûre, fondée sur des règles », « entre équipes et entreprises », et « avec autant de compute que nécessaire, quand nécessaire », permettant des workflows de bout en bout allant de l’analytique et du partage jusqu’à l’usage de l’IA.

Cette valeur tend à se composer à mesure que l’usage des données augmente, plutôt que d’être une question de stockage ou d’un déploiement BI ponctuel. L’entreprise a indiqué que les opérations restent centrées sur l’expansion de l’usage chez les clients existants, et qu’une métrique de santé de l’expansion est restée dans la zone des 120% en 2025.

Moteur de croissance : expansion chez les clients existants + accumulation de grands clients + trajectoires IA

• Expansion chez les clients existants : Le modèle est construit pour que les revenus augmentent à mesure que les charges de travail s’étendent après l’adoption, et il est explicitement indiqué qu’une grande partie des revenus provient des clients existants.
• Accumulation de grands clients : La croissance des clients « payant plus de $1 million par an » peut être lue comme une preuve que l’usage passe des essais à une adoption durable, plus proche des systèmes cœur.
• Captation de l’usage de l’IA : En mettant en avant le nombre de comptes utilisant des fonctionnalités liées à l’IA et des partenariats avec Anthropic et d’autres, l’entreprise positionne l’IA comme une trajectoire vers une consommation plus élevée.

Ce que les clients valorisent (Top 3) et ce dont ils sont insatisfaits (Top 3)

Les clients tendent à valoriser : (1) la facilité avec laquelle les cas d’usage peuvent s’étendre après l’adoption (déploiement inter-départements), (2) la capacité à faire progresser le partage et la gouvernance (autorisations et audit) sous des contrôles « fondés sur des règles », et (3) une plateforme unifiée qui sert de base d’exécution pour l’IA/l’analytique.

Côté insatisfaction : (1) la facturation à l’usage rend les coûts difficiles à prévoir, (2) la conception opérationnelle est complexe à travers les modèles de données, les autorisations et la performance, et (3) des opérations de sécurité rigoureuses sont un prérequis. En particulier, parce qu’elle fonctionne comme un « centre nerveux des données », des opérations faibles peuvent avoir un impact disproportionné — pertinent à la fois pour l’évaluation du produit et pour l’évaluation des risques.

L’histoire est-elle toujours intacte ? Changements dans le narratif et cohérence

La communication externe de Snowflake est passée de « data warehouse » à « AI data cloud ». Cela reflète un passage du simple stockage et de l’analyse des données à l’exécution d’applications IA et de workflows IA au-dessus de la couche de données.

Dans le même temps, le narratif de croissance est passé de « hyper growth » vers « accumulation de grands clients + qualité de l’expansion », ce qui s’aligne avec les chiffres : la croissance du chiffre d’affaires a décéléré par rapport à la moyenne de long terme et le FCF est devenu plutôt stable. Et après la chaîne de compromissions de comptes côté client qui est devenue un sujet à partir de 2024, la « confiance et la sécurité » a pris une importance relative plus grande, la discussion étant de plus en plus cadrée comme la commodité plus des opérations sûres en package.

Invisible Fragility (fragilité difficile à voir) : là où les choses peuvent se casser discrètement derrière les forces

En surface, Snowflake peut paraître très solide comme « centre nerveux des données d’entreprise ». Mais sous cette force se trouvent plusieurs modes de défaillance faciles à manquer. Pour les investisseurs, l’objectif est de comprendre où les signaux d’alerte précoce sont susceptibles d’apparaître — avant que les chiffres ne se retournent.

• Effets de second ordre de la concentration sur les grandes entreprises : Les informations publiées indiquent que les grandes entreprises représentent un peu plus de ~40% du chiffre d’affaires ; c’est une force, mais cela augmente aussi la sensibilité aux budgets IT et aux cycles de décision. Il est également indiqué que les clients payant plus de $1 million par an représentent plus de la moitié du chiffre d’affaires, rendant les réductions d’usage par les principaux clients particulièrement impactantes dans un modèle basé sur la consommation.
• Changements rapides dans l’environnement concurrentiel : À mesure que les plateformes de données et les plateformes d’IA convergent, la différenciation peut passer des fonctionnalités à l’expérience intégrée (implémentation, opérations, réseaux de SI/partenaires), ce qui peut être plus sujet à l’érosion. Le rafraîchissement du programme partenaires peut aussi être lu comme un signe que le champ de bataille se déplace vers les opérations d’écosystème.
• La perte de différenciation n’apparaît pas comme du « churn », mais comme une « expansion plus lente » : À mesure que la standardisation progresse, le schéma le plus courant peut ne pas être des migrations complètes mais « les nouvelles charges de travail vont ailleurs » — une forme discrète de substitution. C’est difficile à détecter comme churn à court terme et cela apparaît souvent comme des taux d’expansion plus lents.
• Dépendance au cloud = risque de chaîne d’approvisionnement : La dépendance aux fournisseurs cloud sous-jacents est effectivement une chaîne d’approvisionnement ; des changements de spécifications, des pannes, des structures de coûts et des termes contractuels peuvent se répercuter sur les marges et la qualité opérationnelle. Cela peut émerger progressivement, mais l’impact peut être significatif.
• Usure organisationnelle dans une phase de croissance en décélération : À mesure que la croissance se modère, les initiatives d’efficacité, des contrôles plus stricts et la priorisation s’intensifient ; une usure différée peut affecter la qualité du support client et la compétitivité du recrutement. Non présenté comme une conclusion à partir de sources primaires, mais comme un point de suivi en tant que principe général.
• Risque que le modèle de profit ne se consolide pas : La configuration actuelle — chiffre d’affaires en croissance tandis que le ROE est fortement négatif, croissance en décélération par rapport au long terme, et FCF orienté vers la stabilité — pointe vers le risque d’une phase où « l’échelle émerge, mais le modèle de profit ne se consolide pas ».
• Une guerre d’attrition sur la capacité à payer les intérêts : Avec des profits GAAP négatifs, la couverture des intérêts peut paraître faible. Un FCF positif peut soutenir l’endurance, mais si le FCF est stable à légèrement en baisse, des coûts incrémentaux peuvent éroder la durabilité plus que prévu.
• Changements dans la distribution de la valeur à mesure que l’IA prolifère : L’IA peut être un vent arrière, mais les pools de profit à travers la stack ne sont pas fixes. À mesure que la couche app/agent s’étend, la plateforme de données peut devenir à la fois essentielle et une fondation exposée à une pression sur les prix.

Paysage concurrentiel : l’adversaire n’est pas « un data warehouse », mais une bataille pour le standard des « integrated operations »

L’ensemble concurrentiel de Snowflake ne porte pas sur la fonction unique de stockage des données. Il s’agit de gagner la couche plateforme qui opère l’ensemble de la chaîne : préparer les données pour l’analytique et les applications, les partager sous des contrôles de gouvernance comme les autorisations et l’audit, faire évoluer le compute de manière élastique avec la demande, et les exposer en sécurité à — et exécuter — l’IA (y compris les agents).

Cet espace est encombré, et la différenciation se déplace des fonctionnalités ponctuelles vers une expérience opérationnelle intégrée (gestion des coûts, gouvernance, intégrations d’écosystème). En même temps, à mesure que l’interopérabilité s’améliore via des formats ouverts (par ex., Iceberg), il existe un vent contraire : le vendor lock-in peut s’affaiblir par rapport au passé.

Principaux acteurs concurrents

• Databricks (pousse le narratif « lakehouse/AI development » et concurrence aussi en SQL/DWH ; renforce les trajectoires IA en entreprise via des intégrations OpenAI, etc.)
• Google Cloud BigQuery (concurrence comme DWH natif GCP)
• Amazon Redshift (concurrence au sein d’AWS via des bundles de pricing, d’opérations et de services adjacents)
• Microsoft (famille Fabric / Synapse ; bundle avec BI et opérations, tout en faisant progresser l’interopérabilité via des formats ouverts et en visant le contrôle)
• Oracle (concurrence souvent dans des entreprises avec des actifs DB existants substantiels)
• Teradata (concurrence dans des contextes de remplacement/coexistence pour des DWH de grandes entreprises)
• Palantir (adjacent via Foundry/AIP ; la collaboration progresse, mais il peut aussi concurrencer au sein des budgets IA)

Coûts de changement : la « migration partielle » est plus probable qu’une migration complète

À mesure que s’accumulent les modèles de données, la conception des autorisations, les opérations d’audit, la formation interne et les intégrations avec les outils environnants, une migration complète devient difficile. En même temps, la substitution peut se produire via « seuls les nouveaux projets vont sur une autre plateforme », « seules certaines charges de travail vont ailleurs », ou « les formats ouverts font de la coexistence multi-moteurs la bonne réponse ». Le point clé est que cela apparaît rarement comme un churn évident ; cela se manifeste typiquement comme une expansion plus lente de l’usage.

Moat (barrières à l’entrée) et durabilité : la force ne réside pas dans une fonction unique, mais dans le « bundle »

Le moat de Snowflake tient moins au fait d’être le meilleur sur une fonctionnalité et davantage à la livraison du « bundle » suivant.

• Conception opérationnelle qui permet le partage interne/externe et l’exécution IA sans casser la gouvernance (autorisations et audit)
• Qualité d’implémentation et d’opérations qui fonctionne sur plusieurs clouds
• Trajectoires claires pour que les charges de travail s’étendent chez les clients existants (facilité de déploiement inter-départements)

La durabilité peut se renforcer à mesure que l’usage de l’IA s’approfondit et que l’audit, les autorisations et la reproductibilité deviennent plus importants — augmentant la valeur de la plateforme — et à mesure que la sphère de partage (y compris la marketplace) s’étend, rendant le remplacement plus difficile.

La durabilité peut s’affaiblir si l’ouverture et la coexistence progressent au point où les plateformes paraissent plus interchangeables, et si les concurrents contrôlent le narratif du développement IA et de l’exécution d’agents, poussant la plateforme de données dans un rôle de sous-traitant. Dans ce contexte, Snowflake peut être vu comme cherchant à intégrer des capacités IA non pas comme des bolt-ons, mais comme partie d’une expérience opérationnelle intégrée.

Position structurelle à l’ère de l’IA : un vent arrière, mais aussi une fondation exposée à une pression sur les prix

Structurellement, à l’ère de l’IA le champ de bataille de Snowflake est la couche intermédiaire (données, gouvernance et plateforme d’exécution) qui gouverne les données d’entreprise et les rend exécutables — « ni un OS ni une application ». Autrement dit, elle est plus proche de fournir « l’endroit gouverné où les données sont préparées », dont l’IA a besoin pour fonctionner, plutôt que d’être du côté que l’IA remplace.

Domaines où l’IA peut être un vent arrière

• Effets de réseau : La valeur augmente non par le nombre d’utilisateurs, mais à mesure que le partage et la distribution de données internes/externes (y compris la marketplace) et la distribution d’applications sur la même plateforme s’étendent.
• Avantage de données : Il ne s’agit pas de posséder des données uniques, mais de devenir l’endroit où des données d’entreprise critiques s’accumulent et peuvent être utilisées sous des règles d’autorisation et d’audit.
• Degré d’intégration de l’IA : Passer d’une connectivité IA externe vers une phase où des agents planifient et exécutent sous gouvernance sur la plateforme. La disponibilité générale de Cortex Agents en est emblématique.
• Caractère mission-critical : Plus elle s’insère profondément dans la fondation, plus elle devient importante ; le remplacement tend à se produire non par migration complète mais par fuite de nouvelles charges de travail.
• Barrières à l’entrée : Dépend moins du nombre de fonctionnalités et davantage de la livraison de la performance, des opérations et de la gouvernance comme un tout — et du fait que cela fonctionne sur plusieurs clouds. Un renforcement continu de la plateforme tel que Gen2, Optima et l’ingestion streaming est indiqué.

Domaines où l’IA peut devenir un vent contraire (désintermédiation et pression sur les prix)

À mesure que la couche app/agent IA s’étend, la plateforme de données peut devenir « essentielle, mais une fondation exposée à une pression sur les prix ». Une manière d’interpréter l’urgence de Snowflake autour des intégrations IA et du renforcement de l’écosystème est comme un mouvement défensif pour éviter la désintermédiation si la valeur se déplace vers le haut de la stack.

Leadership et culture : implementation-first et orienté vers les « integrated operations », tandis que le risque d’usure reste un point de suivi

Cohérence de la vision du CEO : posséder opérationnellement le « centre nerveux des données d’entreprise » à l’ère de l’IA

Le CEO Sridhar Ramaswamy est ancré dans la prémisse que l’IA ne fonctionne pas sans une stratégie de données, et il met à plusieurs reprises l’accent sur la captation de la couche plateforme de données — gouvernance, partage et exécution — dont les entreprises ont besoin pour exécuter l’IA en production plutôt que comme des expériences. Une distinction clé est de traiter l’IA non comme un ajout de fonctionnalité, mais comme quelque chose qui change le flux du travail en entreprise (prise de décision → exécution), avec « préparer correctement les données » comme prérequis central.

La proposition de valeur cœur n’a pas changé : « collecter sous une gouvernance sûre, fondée sur des règles, la partager, et calculer autant que nécessaire ». Ce qui change, c’est la posture opérationnelle — réduire la « distance to value » afin que les clients ressentent les bénéfices plus vite, et augmenter le tempo d’adoption.

Profil (4 axes) : vision / tendances de personnalité / valeurs / priorités

• Vision : Faire passer l’IA en entreprise d’une collection de PoCs à un état opérationnel avec ROI, et opérer la gouvernance, l’exécution et l’écosystème depuis le côté plateforme pour permettre cela.
• Tendances de personnalité : Itératif, apprendre via l’implémentation plutôt que par une expérimentation prolongée. Des opérations hebdomadaires de « war room » interfonctionnelles sont évoquées.
• Valeurs : Pragmatique, mettant l’accent sur la confiance et la qualité opérationnelle (exactitude, gouvernance, audit) plutôt que sur l’apparence.
• Priorités : Se concentre sur des actions où la valeur client peut être mesurée rapidement, et sur une gouvernance interfonctionnelle et des opérations intégrées à l’IA — tendant à éviter « une IA qui sonne bien mais ne tourne pas sur le terrain ».

Comment cela se manifeste dans la culture : adapté aux integrated operations, mais la gestion des métriques peut aussi avoir des effets secondaires

Un style de leadership qui met l’accent sur l’itération et l’exécution est décrit comme renforçant « ship and learn » plutôt que « debate and end », et il peut améliorer l’alignement entre produit, ventes et marketing. Cela peut convenir à un monde où la concurrence s’est déplacée vers les integrated operations. Cependant, dans un environnement de croissance qui se modère, la visibilité des résultats et la responsabilité peuvent s’intensifier, augmentant potentiellement la charge en première ligne (mesure, revues, repriorisation) comme effet secondaire — à traiter comme une prudence structurelle.

Signaux de gouvernance : transition du CFO et problèmes de contrôle de l’information

Une transition de CFO (départ → nomination) est un point d’inflexion significatif pour équilibrer croissance et discipline, et il a été rapporté qu’un nouveau CFO prendra ses fonctions en septembre 2025 (avec le prédécesseur en période de transition). Séparément, un cas où des remarques du CRO ont déclenché une divulgation en temps utile (8-K) souligne l’importance du contrôle de l’information et de la gouvernance PR. Des ajustements de gouvernance tels que des changements de la structure de classes d’actions ont également eu lieu (sans offrir d’interprétation détaillée ici ; ils sont organisés comme des points de changement factuels).

Adéquation avec les investisseurs de long terme (culture et gouvernance)

• Positifs potentiels : Une culture « learn by building » correspond au cycle d’itération d’une activité de plateforme, et des signaux tels que l’adoption d’OKR qui renforcent la discipline peuvent être lus comme des étapes vers l’établissement d’un modèle opérationnel dans une phase de croissance en décélération.
• Prudences : Une gestion plus stricte des métriques peut, à court terme, réduire l’autonomie en première ligne et créer de l’usure via une charge d’explication plus lourde. Lorsque la confiance et la gouvernance sont des forces cœur, des manquements au contrôle de l’information peuvent endommager le narratif de manière disproportionnée.

Arbre de KPI pour les investisseurs : ce qui pilote la valeur d’entreprise (organiser la causalité)

La valeur d’entreprise de SNOW se rattache ultimement à « l’expansion et la durabilité de l’échelle de revenus », « la puissance de génération de FCF », « l’amélioration de la rentabilité et de l’efficacité du capital », « la durabilité financière », et « la valeur par action (y compris la dilution) ». Si vous cartographiez la chaîne causale entre ces points d’arrivée — conformément aux articles sources — vous obtenez ce qui suit.

KPI intermédiaires (Value Drivers)

• Expansion chez les clients existants (consommation plus élevée)
• Expansion et rétention de la base de grands clients
• Gains de nouvelles charges de travail (en particulier l’usage de l’IA et des cas d’usage adjacents aux applications)
• Solidité de la structure de profit brut (marge brute élevée)
• Efficacité des ventes, de l’implémentation et des opérations (si cela peut être opéré comme integrated operations)
• Qualité de la génération de cash (si l’expansion des revenus se traduit en génération de cash)
• Charge d’investissement incrémentale (développement, sécurité, rafraîchissement de performance, renforcement de l’écosystème)
• Maintien de la confiance, de la sécurité et de la gouvernance

Facteurs au niveau business (Operational Drivers)

• Cœur : consolidation des données et plateforme d’exécution (stocker / calculer / utiliser sous gouvernance)
• Partage des données et gouvernance (faire progresser la standardisation via un partage fondé sur des règles)
• Couche d’exécution pour l’usage de l’IA (augmenter de nouveaux cas d’usage via des fonctionnalités IA et des intégrations d’agents)
• Pilier futur : intégration Postgres (étendre la surface de l’analytique vers les données opérationnelles)

Contraintes : la friction augmente à mesure que cela passe à l’échelle

• Difficulté de prévision des coûts en raison de la facturation à l’usage (charge de gestion côté client)
• Difficulté des opérations et de la conception (modèles de données, autorisations, performance)
• Exigences de sécurité et de confiance (grand rayon d’impact des incidents)
• Déplacement du champ de bataille concurrentiel (fonctionnalités → integrated operations et écosystème)
• L’ouverture rend la migration partielle plus probable
• Rentabilité et efficacité du capital immatures (pertes et ROE faible)
• Changements de liquidité et de métriques financières (phases où le coussin à court terme peut s’amincir)
• Dilution (croissance du nombre d’actions)

Hypothèses de goulots d’étranglement (Monitoring Points)

• Si l’expansion accélère ou est contrainte par l’optimisation
• Si l’usage lié à l’IA est une substitution ou net-new
• Équilibre entre la croissance des grands clients et le risque de concentration (si la retenue des principaux clients a un effet disproportionné)
• Signes de fuite de nouvelles charges de travail (migration partielle)
• Qualité d’exécution dans la concurrence des integrated operations (implémentation, opérations, contrôle des coûts, intégrations)
• Si la confiance, la sécurité et la gouvernance deviennent des contraintes à l’expansion
• Équilibre entre amélioration de la rentabilité et charge d’investissement (si le modèle de profit se consolide)
• Si la génération de cash se stabilise entre stable et légèrement en baisse
• Direction du coussin financier (métriques de liquidité et de levier)
• Rythme de dilution

Two-minute Drill : l’ossature de la thèse d’investissement de long terme pour SNOW

La manière de penser SNOW à long terme est que, en possédant le « centre nerveux des données d’entreprise (governed execution layer) », la croissance des cas d’usage clients peut se traduire directement en opportunité de revenus. À mesure que l’IA passe de l’expérimentation à la production, les autorisations, l’audit et la reproductibilité comptent davantage, ce qui augmente la valeur de la fondation — potentiellement un vent arrière.

Dans le même temps, les chiffres mettent en évidence un écart : « la platformization progresse, mais le modèle de profit est incomplet ». La croissance du chiffre d’affaires reste élevée sur une base TTM mais a ralenti par rapport à la moyenne de long terme ; le FCF est positif mais la croissance s’est interrompue ; et le ROE est fortement négatif et à un plus bas historique. Un autre point subtil mais critique est que dans un modèle basé sur la consommation, l’optimisation côté client apparaît souvent non comme du churn, mais comme des taux d’expansion plus lents.

Ainsi, ce sur quoi les investisseurs de long terme devraient se concentrer n’est pas le battage autour de l’IA, mais si les charges de travail IA sont net-new et tirent une consommation plus élevée, si le partage, la gouvernance et l’expérience opérationnelle de bout en bout restent des différenciateurs, et la séquence dans laquelle la rentabilité et l’efficacité du capital sont corrigées. Si vous supposez que l’histoire de croissance et l’histoire d’amélioration du modèle économique avancent au même rythme, c’est le type de nom où les erreurs deviennent plus probables.