Snowflake Summit 2026: come Whatnot ha trasformato la crescita esplosiva in insight aziendali concreti

Ti chiedi mai cosa succede realmente all’interno di una gigantesca piattaforma dati in un determinato istante?

Per molte aziende, l’infrastruttura dati funziona come una scatola nera. Milioni di data point entrano, query complesse vengono eseguite e ne escono report. Ma quando le prestazioni rallentano, i costi si impennano o una dashboard critica si svuota, individuare la causa principale può sembrare un brancolare nel buio.

Per fare luce su questa sfida, la piattaforma di live shopping Whatnot è salita sul palco con Snowflake allo Snowflake Summit 2026. Insieme hanno delineato un nuovo modello per l’azienda moderna: uno che unisce una leggendaria storia di iper-crescita ad analisti AI automatizzati e a un monitoraggio della piattaforma di assoluta chiarezza. Questa partnership dimostra come gli strumenti dati moderni mantengano le esperienze dei clienti fluide, affidabili e completamente visibili, anche a fronte di una domanda massiccia e in tempo reale.

La realtà dell’iper-crescita: miliardi di eventi, zero margine di errore

Whatnot ha conquistato uno slancio internazionale come uno dei marketplace in più rapida crescita di sempre, superando nei suoi primi anni le traiettorie storiche di giganti dell’ecommerce come eBay e Amazon. Oggi è la principale piattaforma di live shopping in Nord America, Regno Unito, Australia ed Europa.

Questi dati evidenziano la scala straordinaria delle sue attività e l’enorme volume gestito dalla sua infrastruttura dati:

• 8 miliardi di dollari generati in gross merchandise volume (GMV) globale live nel 2025

• oltre 20 milioni di nuovi account aggiunti su tutti i mercati nel 2025

• un aumento del 285% su base annua di acquirenti al primo acquisto nel 2025

• oltre 550.000 ore di livestream ospitate ogni singola settimana, con spettatori attivi che trascorrono in media oltre 95 minuti al giorno sull’app

• lo stream di live shopping più grande nella storia degli Stati Uniti, ospitato nel 2026, con 583.000 spettatori simultanei e 555.000 utenti che hanno partecipato allo stesso giveaway nello stesso momento

Dietro le quinte, offerte alle aste, messaggi in chat e transazioni generano ogni giorno miliardi di data point. Tutti questi dati convergono in Snowflake per alimentare l’esperienza utente immediata.

“In Whatnot i dati non servono solo per i report storici: guidano l’esperienza live dell’app”, spiega Alice Leach, Engineering Manager di Whatnot. “Se un cliente acquista un articolo durante un livestream, i nostri algoritmi di machine learning devono consigliare prodotti correlati in pochi minuti, non giorni. Se subiamo un ritardo nei dati, l’impatto ricade direttamente su acquirenti e venditori.”

In origine, Whatnot gestiva tutte queste informazioni tramite un unico team dati centralizzato che utilizzava dbt. Ma con l’esplosione dell’azienda, questa configurazione è diventata un grosso collo di bottiglia. Per risolvere il problema, Whatnot è passata a un data stack modulare. Grazie all’infrastructure as code (IaC), le singole business unit (come la prevenzione delle frodi o l’analisi dei fornitori) hanno ottenuto l’indipendenza necessaria per attivare on demand i propri warehouse Snowflake dedicati e gestire le proprie pipeline.

La decentralizzazione ha eliminato i blocchi organizzativi, ma ha creato un nuovo rompicapo: come dare ai team completa libertà di gestire le proprie pipeline di dati mantenendo al contempo visibilità totale, controllo dei costi e qualità delle prestazioni sull’intera azienda?

La soluzione AI: dalle richieste di dati all’analisi dei dati conversazionale

La decentralizzazione dell’infrastruttura ha aiutato il lato ingegneristico, ma ha messo in luce un collo di bottiglia umano: i data scientist. Mentre i business leader si affrettavano a prendere decisioni rapide e quotidiane, i data scientist restavano intrappolati in un ciclo infinito di risposte a domande estemporanee sui dati via Slack.

Per muoversi “a una velocità quasi scomoda”, Whatnot ha capito di dover abbassare le barriere d’accesso, così che chiunque potesse accedere ai dati alla velocità di digitazione.

L’evoluzione dell’analista virtuale

Il percorso di Whatnot verso l’analisi dei dati su larga scala si è sviluppato in tre fasi:

1. 2024 (lo Slackbot rigido): Whatnot ha creato un bot Slack basato sull’AI (@databot) per generare automaticamente query SQL. Pur riuscendo a gestire richieste semplici, richiedeva molta manutenzione e una verifica umana continua.

2. 2025 (strumenti decentralizzati): L’azienda ha integrato le semantic view di Snowflake in app multiuso come Sigma e Glean. Abbinando Snowflake a un LLM avanzato e leader di mercato, nei test interni di Whatnot l’accuratezza text-to-SQL ha superato il 90%, ma all’ecosistema mancava una “porta d’ingresso” coesa.

3. 2026 (l’era dell’analisi dei dati agentica): Whatnot ha lanciato Hex Threads, un data companion personalizzato powered by Snowflake Cortex Agents. Invece di obbligare gli utenti a sapere esattamente dove risiede una tabella del database o come eseguire il debug di un errore SQL, l’AI analizza in sicurezza la rete dei dati per agire come assistente conversazionale.

L’impatto sul business

Il passaggio da estrazioni di dati macchinose e manuali all’AI agentica ha trasformato completamente la cultura interna dell’azienda:

• Adozione diffusa: entro 90 giorni dal lancio, oltre l'80% degli oltre 1.000 dipendenti di Whatnot utilizzava attivamente la soluzione agentica.

• Accesso universale: 17 diversi reparti aziendali hanno raggiunto il 100% di utilizzo attivo. Team come performance marketing, talent acquisition e business operations sono diventati completamente autonomi.

• Analisi strategica più approfondita: invece di limitarsi a estrarre elenchi statici, i team utilizzano l’AI conversazionale per lavori complessi, come il monitoraggio dei trend settimanali internazionali, l’abbinamento di campi dati disordinati e la creazione di modelli di previsione del churn dei venditori.

• Iterazione rapida sull’analisi di business e di prodotto: ciò che in passato richiedeva richieste di dati estemporanee pianificate con settimane di anticipo è stato compresso in dati disponibili alla velocità di digitazione. Questo riduce drasticamente l’attrito tecnico, permettendo ai team di prodotto di eseguire controlli sull’esecuzione delle query SQL, testare la logica di generazione dei feed e iterare rapidamente sui modelli predittivi (come il churn dei venditori) senza attendere le code dell’engineering.
   

Whatnot sta ora portando questa stessa capacità al pubblico. Attraverso il Whatnot Seller Hub, i livestreamer operano come dirigenti aziendali indipendenti. Integrando i Cortex Agents con una rigorosa row-level security (progettata per garantire che i dati restino privati e protetti), i venditori possono scrivere naturalmente all’app per ottenere aggiornamenti istantanei, come: "Mostrami i miei principali acquirenti degli ultimi 30 giorni.”

Infrastruttura tecnica: monitoraggio veloce, conveniente e democratico

Dare a centinaia di dipendenti interni e migliaia di venditori esterni la libertà di interrogare i dati e attivare warehouse introduce una sfida operativa unica: gestire il rischio di costi fuori controllo ed errori imprevisti della piattaforma.

Per bilanciare la rapidità dell’AI decentralizzata, l’obiettivo costante di Whatnot è stato coltivare un sistema di monitoraggio veloce, conveniente e facile da leggere.

Superare il collo di bottiglia del logging

Storicamente, monitorare in tempo reale lo stato della piattaforma era un vero grattacapo. I log di utilizzo standard arrivavano con un ritardo di tre-quattro ore, decisamente troppo lento per intercettare un errore di pipeline live. L’alternativa consisteva nell’eseguire massicce scansioni diagnostiche ogni 15 minuti, che esaurivano il budget per le risorse di calcolo e richiedevano rigorose autorizzazioni di sicurezza da amministratore solo per visualizzare i log.

Per risolvere il problema, Snowflake ha rinnovato il proprio motore di telemetria nativo utilizzando le event table di nuova generazione tramite Snowflake Trail. Questo aggiornamento ha reso l’ingestion degli eventi 10 volte più veloce, eliminando lo stress finanziario del logging completo.

Dal codice complesso agli alert in linguaggio naturale

Configurare alert di sistema di alta qualità richiedeva ai data engineer di scrivere oltre cento righe di codice SQL complesso. Questa barriera tecnica escludeva di fatto business analyst e operational manager dal processo.

Ora, grazie ai workflow di observability assistiti dall’AI di Snowflake, gli utenti possono attivare un monitoraggio automatico dell’infrastruttura semplicemente digitando una richiesta conversazionale in CoCo, nell’interfaccia di Snowsight, come:

"Crea un alert che rilevi quando i nostri warehouse presentano anomalie di performance o improvvisi picchi di costo, e inviami un riepilogo via email ogni giorno.”

Dietro le quinte, l’AI integrata è progettata per valutare l’intento aziendale dell’utente, analizzare le view della piattaforma pertinenti, sviluppare la logica del codice sottostante e predisporre automaticamente il canale di notifica.

Il percorso futuro: igiene epistemica e data operation proattive

Guardando al futuro, l’obiettivo ultimo di Whatnot è passare dalla diagnosi dei problemi passati alla loro prevenzione attiva.

Tuttavia, scalare l’analisi dei dati basata sull’AI ha insegnato all’azienda una lezione importante: eliminare l’attrito tecnico espone inevitabilmente l’attrito organizzativo. Quando i dati si muovono alla velocità di digitazione, le lacune nella modellazione dei dati, nella ownership e nella definizione delle metriche diventano molto evidenti molto rapidamente. Inoltre, i sistemi AI decentralizzati possono soffrire di “agent sprawl” se lasciati completamente senza guida.

Per mantenere i propri dati affidabili, Whatnot applica un rigoroso playbook di igiene epistemica e guida degli agenti su tutta la sua rete AI:

• Linguaggio probabilistico: gli agenti devono usare di default un linguaggio cauto e probabilistico ("questo probabilmente riflette", "i dati sono coerenti con") e hanno il divieto esplicito di usare frasi definitive come "questo dimostra" o "questo mostra chiaramente".

• Osservazione vs. interpretazione: L’AI deve separare in modo esplicito i dati grezzi dalle interpretazioni soggettive di business.

• Nessuna causalità presunta: gli agenti hanno il divieto assoluto di dedurre rapporti di causa-effetto da semplici dati osservazionali e devono ripiegare su formule come “associato a” o “correlato con”.

Unendo questi rigorosi guardrail strutturali alle prossime funzionalità Snowflake – come gli Unified Observability Hub per il monitoraggio centralizzato dei costi e i suggerimenti intelligenti sugli alert basati sull’intelligenza artificiale – il confine tra software engineer, data scientist e business manager si assottiglia deliberatamente.

Adottando data stack modulari, log degli eventi in tempo reale a costi contenuti e AI conversazionale, aziende come Whatnot trasformano la scatola nera dell’infrastruttura in un solido vantaggio competitivo, riducendo il tempo che i team dedicano alla scrittura di script di logging personalizzati e offrendo agli acquirenti live un’esperienza in tempo reale impeccabile.

Tutte le statistiche provengono dalle analisi dei dati interne di Whatnot, aggiornate al 27.07.2026.

Affermazioni riferite al futuro

Questa pagina contiene affermazioni che si riferiscono al futuro, tra cui offerte future di prodotti, che però non rappresentano un impegno a fornire alcuna offerta di prodotti. Le offerte e i risultati effettivi potrebbero essere diversi ed essere soggetti a incertezze e rischi noti e non noti. Consulta il nostro più recente modulo 10‑Q per ulteriori informazioni.