Snowflake Summit 2026 : comment Whatnot a transformé les data de l’hypercroissance en informations stratégiques claires

Vous êtes-vous déjà demandé ce qui se passe vraiment à chaque seconde au cœur d’une plateforme data à grande échelle ?

Dans de nombreuses entreprises, l’infrastructure data fonctionne comme une boîte noire. Des millions de points de données entrent, des requêtes complexes s’exécutent, des rapports ressortent. Mais quand tout ralentit, que les coûts s’envolent ou qu’un tableau de bord stratégique devient soudainement vide, identifier la cause profonde revient souvent à avancer à tâtons.

Pour éclairer ce défi, la plateforme de live-shopping Whatnot est montée sur scène avec Snowflake au Snowflake Summit 2026. Ils ont présenté un nouveau modèle pour l’entreprise moderne : une trajectoire d’hypercroissance hors norme, des analystes IA automatisés et un monitoring de plateforme d’une clarté totale. Ce partenariat montre comment les outils data modernes maintiennent des expériences client fluides, fiables et entièrement visibles, même face à une demande massive en temps réel.

La réalité de l’hypercroissance : des milliards d’événements, zéro marge d’erreur

Whatnot a pris une dimension internationale en devenant l’une des marketplaces à la croissance la plus rapide jamais observée, dépassant dès ses premières années les trajectoires historiques de géants de l’e-commerce hérités comme eBay et Amazon. Aujourd’hui, c’est la plateforme de live-shopping de référence en Amérique du Nord, au Royaume-Uni, en Australie et en Europe.

Ces indicateurs illustrent l’ampleur de leurs opérations et le volume colossal pris en charge par leur infrastructure data, conçue pour mettre à l’échelle :

• 8 milliards de dollars générés de volume brut de marchandises (GMV) mondial en live en 2025

• Plus de 20 millions de nouveaux comptes ajoutés sur l’ensemble des marchés en 2025

• Une hausse de 285 % sur un an du nombre de primo-acheteurs en 2025

• Plus de 550 000 heures de livestreams diffusées chaque semaine, avec des spectateurs actifs qui passent en moyenne plus de 95 minutes par jour sur l’application

• Le plus grand live shopping de l’histoire aux États-Unis organisé en 2026, avec 583 000 spectateurs simultanés et 555 000 utilisateurs participant au même giveaway au même moment

En coulisses, les enchères, les messages de chat et les transactions génèrent chaque jour des milliards de points de données. Toutes ces données convergent dans Snowflake pour alimenter l’expérience utilisateur en temps réel.

« Chez Whatnot, la data ne sert pas seulement aux rapports historiques, elle pilote l’expérience live dans l’application », explique Alice Leach, Engineering Manager chez Whatnot. « Si un client achète un article pendant un livestream, nos algorithmes de machine learning doivent recommander des produits associés en quelques minutes, pas en quelques jours. Si nous subissons un retard de data, cela impacte directement nos acheteurs et nos vendeurs. »

Au départ, Whatnot gérait toutes ces informations via une seule équipe data centralisée, avec dbt. Mais à mesure que l’entreprise a explosé, cette organisation est devenue un goulot d’étranglement majeur. Pour y remédier, Whatnot est passé au data stack modulaire. Grâce à l’infrastructure as code (IaC), chaque entité métier (comme la prévention de la fraude ou l’analytique prestataire) a gagné l’autonomie nécessaire pour lancer à la demande ses propres warehouses Snowflake dédiés et gérer ses propres pipelines.

La décentralisation a levé les blocages organisationnels, mais elle a fait émerger une nouvelle problématique : comment donner aux équipes une liberté totale pour exécuter leurs propres pipelines data, tout en conservant une visibilité complète, un contrôle des coûts et une qualité de performance sur l’ensemble de l’entreprise ?

La solution IA : passer des demandes de data à l’analytique conversationnelle

Si la décentralisation de l’infrastructure a aidé les équipes d’ingénierie, elle a mis en évidence un goulot d’étranglement humain : les data scientists. Alors que les décideurs business devaient enchaîner des décisions rapides au quotidien, les data scientists se sont retrouvés piégés dans une boucle sans fin de réponses à des questions data ad hoc sur Slack.

Pour avancer « inconfortablement vite », Whatnot a compris qu’il fallait abaisser la barrière d’entrée afin que chacun puisse accéder à la data à la vitesse de la saisie.

L’évolution de l’analyste virtuel

Le parcours de Whatnot pour faire évoluer son analytique s’est structuré en trois phases :

1. 2024 (le Slackbot rigide) : Whatnot a créé un bot Slack d’IA (@databot) pour générer automatiquement des requêtes SQL. S’il pouvait traiter des demandes simples, il nécessitait une maintenance lourde et une vérification humaine continue.

2. 2025 (outils décentralisés) : L’entreprise a intégré les vues sémantiques de Snowflake dans des applications polyvalentes comme Sigma et Glean. En associant Snowflake à un LLM de pointe, la précision du text-to-SQL a dépassé 90 % lors des tests internes de Whatnot, mais l’écosystème manquait d’une « porte d’entrée » unifiée.

3. 2026 (l’ère de l’analytique agentique) : Whatnot a déployé Hex Threads, un compagnon data sur mesure grâce à Snowflake Cortex Agents. Au lieu d’obliger les utilisateurs à savoir exactement où se trouve une table de base de données ou comment déboguer une erreur SQL, l’IA parcourt en toute sécurité le réseau de data pour agir comme un assistant conversationnel.

L’impact commercial

Le passage d’extractions de data manuelles et laborieuses à une IA agentique a complètement transformé la culture interne de l’entreprise :

• Adoption massive : dans les 90 jours suivant le lancement, plus de 80 % des plus de 1 000 employés de Whatnot utilisaient activement la solution agentique.

• Accès universel : 17 départements de l’entreprise ont atteint 100 % d’utilisation active. Des équipes comme le marketing à la performance, l’acquisition de talents et les opérations business sont devenues totalement autonomes.

• Analyse stratégique plus approfondie : au lieu de simplement extraire des listes statiques, les équipes s’appuient sur l’IA conversationnelle pour des travaux complexes, comme le suivi des tendances hebdomadaires à l’international, le rapprochement de champs de données hétérogènes et la création de modèles prédictifs d’attrition des vendeurs.

• Itération rapide sur l’analyse business et produit : ce qui nécessitait auparavant des demandes de données ad hoc planifiées des semaines à l’avance se résume désormais à des données disponibles à la vitesse de frappe. Cela réduit drastiquement les frictions techniques et permet aux équipes produit d’effectuer des contrôles d’exécution SQL, de tester la logique de génération de flux et d’itérer rapidement sur des modèles prédictifs (comme l’attrition des vendeurs), sans attendre les files d’attente de l’ingénierie.
   

Whatnot déploie actuellement cette capacité à l’identique pour le grand public. Via le Whatnot Seller Hub, les livestreamers opèrent comme des dirigeants business indépendants. En intégrant Cortex Agents avec une sécurité stricte au niveau des lignes (conçue pour garantir que les données restent privées et protégées), les vendeurs peuvent tout simplement envoyer un message à l’application pour obtenir des mises à jour instantanées, par exemple : « Donne-moi les principaux acheteurs sur les 30 derniers jours. »

Infrastructure technique : une supervision rapide, abordable et accessible à tous

Donner à des centaines d’employés en interne et à des milliers de vendeurs externes la liberté d’exécuter des requêtes sur les données et de lancer des warehouses crée un défi opérationnel unique : maîtriser le risque de dérive des coûts et d’erreurs de plateforme inattendues.

Pour concilier la vitesse de l’IA décentralisée, Whatnot vise en continu à mettre en place une supervision pensée pour être rapide, rentable et simple à lire.

Lever le goulot d’étranglement de la journalisation

Historiquement, suivre l’état de santé de la plateforme en temps réel relevait du casse-tête. Les journaux d’utilisation standard arrivaient avec trois à quatre heures de retard, bien trop tard pour détecter une erreur de pipeline en production. L’alternative consistait à lancer d’énormes scans de diagnostic toutes les 15 minutes, ce qui épuisait le budget de calcul et imposait des habilitations de sécurité administrateur strictes, rien que pour consulter les logs.

Pour y remédier, Snowflake a refondu son moteur de télémétrie natif en s’appuyant sur des tables d’événements de nouvelle génération via Snowflake Trail. Cette mise à jour a rendu l’ingestion d’événements 10x plus rapide, supprimant la pression financière d’une journalisation exhaustive.

Passer d’un code complexe à des alertes en langage naturel

Mettre en place des alertes système de qualité exigeait auparavant que les data engineers écrivent plus d’une centaine de lignes de code SQL complexe. Cette barrière technique tenait de fait les business analysts et les responsables opérationnels à l’écart.

Désormais, avec les workflows d’observabilité assistés par l’intelligence artificielle de Snowflake, les utilisateurs peuvent mettre en place une supervision automatisée de l’infrastructure en tapant simplement une demande conversationnelle dans CoCo, dans l’interface Snowsight, par exemple :

« Crée une alerte qui détecte les anomalies de performance ou les hausses soudaines de coûts affectant nos warehouses, puis envoie-moi chaque jour un récapitulatif par e-mail.. »

En coulisses, l’IA intégrée est conçue pour évaluer l’intention business de l’utilisateur, analyser les vues de plateforme pertinentes, créer la logique de code sous-jacente et provisionner automatiquement le canal de notification.

La suite : hygiène épistémique et opérations data proactives

Alors que Whatnot se projette dans l’avenir, l’objectif ultime est de passer du diagnostic des problèmes passés à leur prévention active.

Mais le passage à l’échelle de l’analytique par IA a appris une leçon clé à l’entreprise : réduire les frictions techniques met inévitablement en lumière les frictions organisationnelles. Quand les données circulent à la vitesse de frappe, les lacunes en modélisation des données, en ownership et en définition des métriques deviennent très vite, très visibles. De plus, les systèmes d’IA décentralisés peuvent souffrir d’une « prolifération d’agents » s’ils sont laissés sans guidage.

Pour préserver la fiabilité de ses données, Whatnot applique un playbook strict d’hygiène épistémique et de pilotage des agents à l’échelle de son réseau d’IA :

• Langage probabiliste : par défaut, les agents doivent adopter un langage prudent et probabiliste (« cela correspond probablement », « ces données sont cohérentes avec »), et il leur est explicitement interdit d’utiliser des formulations définitives comme « cela prouve » ou « tcela montre clairement ».

• Observation vs. interprétation : l’IA doit distinguer explicitement les faits bruts issus des données des interprétations business subjectives.

• Aucune causalité sans preuve : les agents n’ont pas le droit de conclure à une relation de cause à effet à partir de simples données d’observation, et doivent privilégier des formulations comme « associé à » ou « corrélé à ».

En combinant ces garde-fous structurels rigoureux avec les prochaines fonctionnalités de Snowflake, comme Unified Observability Hubs pour un suivi centralisé des coûts et des recommandations d’alertes intelligentes pilotées par l’IA, la frontière entre software engineers, data scientists et managers business s’estompe volontairement.

En misant sur des data stacks modulaires, des journaux d’événements en temps réel abordables et une IA conversationnelle, des entreprises comme Whatnot transforment la boîte noire de l’infrastructure en avantage concurrentiel majeur, pour que les équipes data passent moins de temps à écrire des scripts de journalisation sur mesure et que les acheteurs en live profitent d’une expérience en temps réel, sans accroc.

Toutes les statistiques sont fournies par les analyses internes de Whatnot, au 27 juillet 2026.

Déclarations prévisionnelles 

Cet article contient des déclarations prévisionnelles, notamment de futures offres de produits. Il ne constitue en aucun cas un engagement à fournir des offres de produits. Les offres et résultats réels peuvent varier et faire l’objet de risques connus et inconnus, ainsi que d’incertitudes. Découvrez notre dernier 10‑Q pour en savoir plus.