Blog/Analytics/Analisi in tempo reale su Snowflake: i dati arrivano in streaming, li aggiorni, li distribuisci in un attimo
3 novembre 2026/Lettura: 11 minAnalytics

Analisi in tempo reale su Snowflake: i dati arrivano in streaming, li aggiorni, li distribuisci in un attimo

Graphic showing the ingestion, transformation, activation workflow for AI-ready data

Ogni interazione con il cliente è un’occasione per conquistare fiducia o perdere attenzione. Per rimanere competitive, le aziende devono agire prima che l’interazione finisca. Un team dei servizi finanziari ha bisogno degli ultimi dati di mercato per discutere con i clienti le modifiche al portafoglio. Un team di network operations deve sapere nel momento esatto in cui una rete comincia a degradarsi, per assistere i clienti coinvolti durante una conversazione di supporto in tempo reale. Un retailer deve personalizzare l’esperienza mentre il cliente sta ancora facendo acquisti e ottimizzare i livelli di inventario in base alla domanda in tempo reale. E un agente AI ha bisogno di un contesto affidabile, aggiornato e accurato per consigliare l’azione migliore successiva, risolvere un problema o supportare una decisione.

In ogni caso, il valore dei dati dipende dalla velocità con cui i team riescono a passare dall’osservare ciò che accade all’agire di conseguenza. Quando un team riesce a identificare un problema in anticipo, comprenderne l’impatto e agire nel momento giusto, aumenta i ricavi, migliora la customer experience e prende decisioni migliori. Questa urgenza e rapidità nell’ottenere insight è ciò che può distinguere la tua azienda dalla concorrenza. Tuttavia, sviluppare uno stack in tempo reale ha spesso significato unire manualmente sistemi separati per ingestion, trasformazione ed erogazione: collegare i producer a un message broker, configurare job di trasformazione separati e salvare i risultati in un altro database. Ogni livello comporta più infrastruttura da gestire, più esperti specializzati da assumere, più pipeline che possono interrompersi, più costi da gestire e un ulteriore insieme di regole di sicurezza da mantenere.

Per questo motivo, Snowflake sta introducendo una esperienza connessa che rende l’analisi dei dati in tempo reale più semplice da sviluppare, conveniente da scalare e governata in ogni fase. Unisce connettività, trasformazione e serving dei dati sulle tabelle native Snowflake e sulle tabelle Apache Iceberg™, in modo che i team possano trasformare dati aggiornati in decisioni senza gestire uno stack frammentato o rinunciare alla libertà di scegliere i propri motori e strumenti.

Snowflake per l’analisi dei dati in tempo reale

L’analisi dei dati in tempo reale è la capacità di trasformare dati live in insight affidabili e azioni concrete in pochi secondi. L’analisi in tempo reale elabora e analizza i dati nel momento in cui si verificano gli eventi, offrendo a persone e sistemi una visione aggiornata di ciò che sta accadendo, e la latenza corretta dipende dal workload.

Architecture diagram showing data flow from message bus through processing engine to serving database and dashboards with warnings
Figure 1: Traditional real-time analytics architecture.

 

Snowflake ora unisce connettività, trasformazione e distribuzione per un’analisi end‑to‑end in tempo reale. Questo blog post si concentra su queste funzionalità: come collegare i dati, trasformarli in-flight e distribuirli rapidamente. Snowflake è progettato per soddisfare queste esigenze senza costringere i team a ricostruire l’architettura per ognuna di esse.

  • Semplicità su scala: Sviluppa pipeline in tempo reale senza dover diventare un esperto di ogni sistema che le supporta. Snowflake gestisce l’infrastruttura, lo scaling e la pipeline su connettività, trasformazione e distribuzione. Le competenze di Snowflake CoCo trasformano la configurazione della pipeline in una conversazione guidata. Descrivi ciò di cui hai bisogno e CoCo configura, sviluppa e implementa la logica.
  • Prestazioni elevate a un costo totale inferiore: Offri insight aggiornati senza dover pagare per uno stack in tempo reale completamente separato. Il tuo team può eliminare la necessità di database di distribuzione separati o di archiviazione duplicata, insieme allo sforzo di ingegneria necessario per gestirli, monitorarli e risolvere i problemi. Nei nostri test interni, abbiamo osservato una latenza end‑to‑end P50 di tre secondi[1] con Snowpipe Streaming e streaming transformations, insieme a Snowflake Interactive Analytics.
  • Governance in ogni fase: Scopri, proteggi e sviluppa con asset di dati e AI in un ambiente integrato. Horizon Catalog unisce controlli di accesso, lineage, qualità dei dati e contesto di business in tutto l’ambiente Snowflake. Costruisci fiducia in tutta l’organizzazione con il monitoraggio della qualità dei dati e la classificazione dei dati per gli asset di dati e AI.
Snowflake data platform architecture diagram showing Connect, Transform, and Serve stages with various data sources and services
Figure 2: Snowflake offers real-time connectivity, transformation and serving in one connected environment.

Collega dati in tempo reale senza aggiungere infrastruttura

L’analisi dei dati in tempo reale inizia con l’acquisizione rapida e semplice dei dati. Snowpipe Streaming porta i dati da applicazioni, dispositivi e servizi direttamente nelle tabelle native Snowflake o nelle Iceberg Tables. I team hanno la flessibilità di scegliere il formato tabellare più adatto alla propria architettura. Le tabelle native offrono un percorso semplice e completamente gestito per l’analisi dei dati operativa e le applicazioni. Le Iceberg Tables mantengono i dati in un formato open accessibile ad altri strumenti. I dati sono interrogabili in pochi secondi, con un throughput fino a 20 GB/s per tabella e un modello di prezzo fisso basato sull’ingestion.

L’ingestion è spesso la voce di costo che determina se un progetto in tempo reale viene effettivamente realizzato. Quando i costi aumentano con ogni nuova origine, i team mantengono live meno dati di quanto vorrebbero. Snowpipe Streaming è 5 volte più economico[2] di Zerobus e 80% più economico di ClickPipes[3] per workload comparabili. Paghi una tariffa fissa in base ai dati acquisiti, in modo che i costi restino prevedibili man mano che aggiungi nuove origini.

Per i team dei servizi finanziari, ogni secondo conta. Rendere disponibili per l’analisi, in pochi secondi, l’attività di trading, i record delle transazioni e gli eventi operativi aiuta i team ad agire sulla base di informazioni aggiornate. Cboe Global Markets dimostra la scalabilità di questo approccio, utilizzando Snowpipe Streaming per caricare 190 miliardi di righe al giorno in meno di 30 secondi, per poi distribuire quei dati direttamente agli analisti tramite warehouse interattivi.

Con la crescita del volume degli eventi, i team non dovrebbero dover dedicare più tempo alla gestione dei meccanismi di ingestion. Con gli Elastic Channels di Snowpipe Streaming (ora in GA), centinaia di producer, inclusi app e dispositivi Internet of Things, possono scrivere attraverso un singolo canale elastico verso un’unica destinazione. Puoi collegare più origini senza creare o gestire canali aggiuntivi. Snowflake scala automaticamente il percorso di ingestion all’aumentare del volume. La consegna è ordinata e avviene esattamente una volta, così i team dedicano il proprio tempo all’analisi invece che a scrivere logica di deduplicazione downstream. Nei nostri test interni, abbiamo spinto il throughput ancora oltre, raggiungendo 41 GB/s in una singola tabella.

Diagram comparing multi-hop data pipeline architecture with Snowpipe Streaming Elastic Channels simplified approach to Snowflake
Figure 3: Elastic Channels let you stream directly into Snowflake without introducing another intermediary solely for ingestion.

 

Molti team dispongono già di producer e consumer Apache Kafka®, ma l’infrastruttura di streaming è spesso pensata per ingegneri infrastrutturali. Datastream (disponibile a breve in public preview; attualmente in private preview) adotta un approccio incentrato sui dati. È un servizio nativo Snowflake, compatibile con Kafka, che consente ai team dati di utilizzare i propri producer e consumer Kafka esistenti con un endpoint gestito, senza gestire broker o mantenere un livello di connettori separato per spostare i dati nelle tabelle. Lo streaming incentrato sui dati riorienta i team verso asset di dati governati, in modo che gestiscano topic, aggiornamento e pipeline piuttosto che partizioni, replica e capacità del cluster. Clienti come Minted e Zywave utilizzano questo approccio per ridurre l’autenticazione, i ruoli e il monitoraggio separati tra Kafka e Snowflake.

Comparison diagram showing infra-centric versus data-centric approaches across starting point, mental model, data landing, and scale model
Figure 4: Data-centric streaming changes where you start, how you think and what you spend time on.

Trasforma i dati con l’aggiornamento di cui la tua azienda ha bisogno

I dati aggiornati contano davvero solo quando assumono la forma di cui l’azienda ha bisogno. Streaming transformations (private preview) rende i dati in ingresso utilizzabili per l’analisi dei dati in tempo reale, filtrandoli, arricchendoli, rimodellandoli e aggregandoli durante l’ingestion con Snowpipe Streaming. I team definiscono la logica una sola volta, in una definizione di pipe SQL, e i record vengono trasformati prima di essere salvati in una tabella.

I team possono filtrare gli eventi non rilevanti, arricchire i record in ingresso con dati di riferimento, applicare logica personalizzata ed espandere array annidati in righe singole. Integrare la trasformazione nel percorso di ingestion semplifica lo stack di streaming e, in definitiva, rende i dati utili prima, come già osservano diversi clienti Snowflake. Un produttore di attrezzature industriali sta standardizzando gli identificatori di clienti e asset, in modo che i suoi workflow di analisi dei dati ricevano record con nomi coerenti, mentre un’azienda di cybersecurity utilizza le streaming transformation per elaborare eventi di sicurezza in tempo reale, riducendo costi di elaborazione e latenza per il monitoraggio e il reporting.

Per altri workload supportati, le streaming transformation possono contribuire a eliminare la necessità di un livello esterno di elaborazione in streaming o di creare, pianificare e gestire trasformazioni downstream dopo l’arrivo dei dati. Questo significa meno infrastruttura da gestire e un percorso più breve dagli eventi grezzi a insight concreti su cui agire. Le streaming transformation supportano le tabelle standard Snowflake, le Iceberg Tables interattive e quelle gestite da Snowflake. Gli obiettivi attuali di aggiornamento da ingestion a distribuzione sono inferiori a tre secondi per le tabelle interattive e inferiori a 10 secondi per i sink standard e Iceberg.

Diagram showing stream processing features alongside SQL code screenshot for creating an enriched events data pipe in Snowflake
Figure 5: Join the incoming stream to reference dimension tables with a left outer join, so enriched rows land directly in the target table.

Risposte in meno di un secondo con un’elevata gestione di utenti concorrenti grazie a Interactive Analytics

L’ultimo miglio è dove molti progetti in tempo reale falliscono. Dashboard, app rivolte ai clienti e agenti AI accedono tutti ai medesimi dati nello stesso momento, e i team spesso ricorrono a un database di erogazione separato per starci al passo. Interactive Analytics serve questi workload direttamente in Snowflake.

I warehouse interattivi hanno fornito query in meno di un secondo con una gestione di utenti concorrenti 9 volte superiore e una latenza 3 volte inferiore rispetto ai warehouse standard nei test interni. Con Zero-Copy Interactive (in GA), vengono eseguiti direttamente sulle tabelle standard, dinamiche e Iceberg Tables esistenti. Non hai bisogno di una copia specializzata per l’erogazione a bassa latenza. Per l’ingestion in streaming, supportiamo fino a 41 GB/s per tabella e i dati sono interrogabili in pochi secondi.

In due test di benchmark condotti da McKnight Consulting Group, a un costo di capacità di calcolo oraria comparabile, Snowflake ha completato il 100% delle query a ogni livello di gestione di utenti concorrenti testato, fino a 32 utenti simultanei. Ha inoltre fornito oltre 5 volte il throughput di un database leader per l’analisi dei dati in tempo reale sulle query delle dashboard, mentre il concorrente ha fallito il 73% delle aggregazioni ad alta cardinalità. In un terzo test che simulava un picco improvviso di traffico pari a 5 volte quello normale, Snowflake ha effettuato lo scale out automaticamente, mantenendo il 99,997% delle query entro l’SLA, con una latenza p99 inferiore del 40% rispetto al concorrente dimensionato per il picco. Per ottenere gli stessi risultati di Snowflake, il concorrente dovrebbe eseguire una capacità dimensionata per il picco 24 ore su 24, con un costo annuale quasi doppio ($31.273 contro $15.959).

Horizontal bar chart comparing one-year compute costs between ClickHouse at $31,278 and Snowflake Interactive XS at $15,959
Figure 6. Modelled one-year compute cost with weekly (52) spikes, $3.00 per Snowflake credit, $1.19 per ClickHouse replica-hour. Compute only; storage is excluded on both sides. Source: https://mcknightcg.com/auto-scaling-for-spiky-workloads-designing-snowflake-for-interactive-analytics/

 

Dato che l’erogazione avviene sugli stessi dati governati utilizzati dalla tua azienda, non c’è nessun processo di sincronizzazione da mantenere né una seconda copia da proteggere. I team archiviano i dati una sola volta e li distribuiscono da quella copia, così i costi restano prevedibili con la crescita del volume e della gestione di utenti concorrenti.

In un esempio, invece di implementare una piattaforma di rilevamento delle minacce separata, Canva ha portato il rilevamento direttamente sui propri dati. Interactive Analytics esegue migliaia di query di rilevamento al minuto sui log di audit live e sui dati di riferimento affidabili che Canva mantiene già in Snowflake, senza bisogno di una seconda copia da gestire. In una valutazione di livello produttivo, il warehouse interattivo ha gestito oltre 10 volte il carico concorrente di un warehouse standard equivalente, a un costo modellato significativamente inferiore.

Quote Icon

Non volevamo creare un’altra piattaforma e assumere gente per gestirla. I dati più preziosi sul nostro prodotto e sulla nostra community erano già in Snowflake, quindi abbiamo portato il rilevamento delle minacce dove si trovano i dati, e l’affidabilità degli alert è migliorata di conseguenza.”

Calvin Wang
Staff Analytics Engineer, Security Group, Canva

Inizia oggi

Le aziende hanno bisogno di un modo più semplice per trasformare dati aggiornati in decisioni. Snowflake offre un ambiente connesso per l’analisi dei dati in tempo reale, semplice da gestire, rapido nell’erogazione, economico da scalare, open su tabelle native e Iceberg Tables, e governato dal primo evento alla decisione finale. E Snowflake CoCo rende ogni fase più facile da sviluppare. Basta descrivere ciò di cui hai bisogno in linguaggio naturale, e CoCo può aiutarti a configurare la connettività, sviluppare le trasformazioni e impostare Interactive Analytics.

Scopri come i vari elementi si combinano nel nostro webinar on demand “Real-Time Data: The Foundation of Agentic AI”, dove condividiamo best practice e un’architettura di riferimento per sviluppare analisi dei dati in tempo reale a supporto di dashboard, applicazioni e agenti AI.


  1.  La latenza mediana (P50) di disponibilità dei dati di 3 secondi è stata misurata in un test interno Snowflake condotto il 20 ottobre 2026, che ha coperto l’intero percorso attraverso Snowpipe Streaming, le streaming transformation e Interactive Analytics. ↩
  2.  Il confronto dei costi si basa su Snowpipe Streaming a 0,0037 crediti/GB × 2,35 $/credito (prezzo medio del credito Snowflake), equivalente a circa 0,0087 $/GB. Rispetto al prezzo di listino di Databricks Zerobus di 0,05 $/GB, il risultato è di circa 5,75 volte, arrotondato in media a circa 5 volte. ↩
  3.  Rispetto al prezzo pubblicato da ClickPipes per l’ingestion in streaming di 0,04 $/GB, il risultato è un costo inferiore di circa il 78%, arrotondato all'80%. ClickPipes applica inoltre un costo separato per la capacità di calcolo; questi costi sono esclusi dal presente confronto. ↩
Condividi questo post

Subscribe to our blog newsletter

Get the best, coolest and latest delivered to your inbox each week

Where DataDoes More