🏗️Exemple concret
Une entreprise media partage ses données d'audience avec ses 50 agences publicitaires via Snowflake Data Sharing : les agences interrogent les données en temps réel sans que l'éditeur ne copie ni ne déplace rien. L'équipe analytics utilise un XL warehouse le jour (forte demande), et le passe en S la nuit (économie de 80%). Coût total vs Redshift : -40%.
🎯Quand l'utiliser ?
✓Data warehouse cloud avec des besoins de scalabilité variables
✓Partage de données avec des partenaires externes
✓Workloads analytics mixtes (BI + Data Science)
✓Migration depuis un data warehouse on-premise
✅ Avantages
+Scalabilité instantanée (virtual warehouses)
+Zéro maintenance d'infrastructure
+Data Marketplace et Data Sharing natif
⚠️ Limites
−Coût difficile à prédire (compute à l'usage)
−Vendor lock-in (format propriétaire, bien qu'Iceberg support soit ajouté)
−Pas optimal pour le streaming (orienté batch)
🛠️ Outils principaux
Snowflake SQL
Snowpark (Python/Java/Scala dans Snowflake)
dbt + Snowflake
Fivetran → Snowflake
Tableau/Power BI sur Snowflake
CloudData WarehouseSQLScalabilitéData Sharing