Snowflake đang tăng tốc hiện diện trên thị trường Observability sau thương vụ mua lại startup Observe hồi tháng 1, qua đó đối đầu trực tiếp với các tên tuổi như Splunk của Cisco, Datadog và New Relic. Theo công ty, lợi thế cạnh tranh cốt lõi nằm ở chính nền tảng dữ liệu của Snowflake, yếu tố được kỳ vọng giúp giảm chi phí triển khai và mở rộng khả năng tích hợp với AI agent.

Trao đổi bên lề sự kiện Snowflake Summit 2026 diễn ra tại San Francisco, Mỹ, từ ngày 1 đến 4/6, Jeremy Burton, nhà sáng lập Observe và hiện phụ trách mảng Observability tại Snowflake, cho biết bài toán cốt lõi của Observability thực chất là bài toán dữ liệu.

Ông nhận định dữ liệu bị phân mảnh đang khiến việc triển khai Observability trở nên phức tạp và tốn kém hơn, trong khi đây là vấn đề Snowflake có thể xử lý nhờ kiến trúc nền tảng dữ liệu của mình.

Theo Burton, thị trường Observability hiện hình thành từ nhiều điểm xuất phát khác nhau. Splunk đi lên từ phân tích log rồi mở rộng sang giám sát và quản trị hiệu năng ứng dụng (APM) thông qua các thương vụ mua lại. Datadog phát triển mạnh từ năng lực giám sát dữ liệu chuỗi thời gian, trong khi New Relic khởi đầu từ APM.

Ông cho rằng chính việc các nền tảng này được mở rộng từ những kiến trúc khác nhau đã khiến nhiều doanh nghiệp phải sử dụng cùng lúc 2-3 sản phẩm để đáp ứng đầy đủ nhu cầu.

Burton nói nếu xây dựng một hệ thống thống nhất ngay từ đầu, cách tiếp cận tự nhiên nhất là đưa toàn bộ dữ liệu về một cơ sở dữ liệu chung. Theo ông, Snowflake có lợi thế ở điểm này vì nền tảng có thể xử lý đồng thời dữ liệu quan hệ, JSON bán cấu trúc, dữ liệu phi cấu trúc và dữ liệu chuỗi thời gian.

Yếu tố chi phí cũng được Burton nhấn mạnh. Ông cho biết khi thành lập Observe vào năm 2018, Splunk đang tính phí 5 USD/GB/tháng. Từ thời điểm đó, ông tin rằng mức giá này có thể hạ xuống còn 0,5 USD/GB/tháng nhờ kiến trúc tách biệt giữa lưu trữ và tính toán của Snowflake.

Theo Burton, để mô hình chi phí của Observability trở nên bền vững, doanh nghiệp về lâu dài phải sở hữu nền tảng dữ liệu của riêng mình. Việc phụ thuộc vào một nền tảng dữ liệu bên ngoài, theo ông, không tạo ra hiệu quả kinh tế tối ưu.

Ông cũng dành nhiều nhấn mạnh cho vai trò của AI agent. Burton cho rằng nếu không có đủ ngữ cảnh, AI agent sẽ tiêu tốn ngân sách token nhưng vẫn khó đi tới câu trả lời chính xác. Ngược lại, khi ngữ cảnh được tổ chức tốt, hệ thống có thể đưa ra kết quả chính xác hơn với chi phí kiểm soát được.

Theo ông, những năng lực cấu trúc hóa dữ liệu mà Observe tích lũy trong nhiều năm có thể mang lại giá trị cho AI agent thậm chí còn lớn hơn cho người dùng thông thường.

Tại Snowflake Summit năm nay, Snowflake cũng công bố phát hành chính thức PG Lake và giới thiệu Data Mirroring dưới dạng public preview.

PG Lake là bộ công cụ dùng để chuyển dữ liệu từ Postgres sang data lake hoặc sang Apache Iceberg và dự kiến sẽ được mở nguồn. Trong khi đó, Data Mirroring cho phép tự động sao chép dữ liệu từ cơ sở dữ liệu Postgres sang Snowflake chỉ với một thao tác.

Burton cho biết tại Ericsson, thời gian di chuyển dữ liệu đã được rút ngắn từ 2 ngày xuống còn 7 phút.

Về định hướng tiếp theo, Burton cho rằng thị trường sẽ đi theo hướng tích hợp dữ liệu Observability với dữ liệu kinh doanh trên cùng một nền tảng.

Ông lấy ví dụ, khi một dịch vụ bị gián đoạn trong 2 giờ, doanh nghiệp cần ngay lập tức trả lời được tác động về mặt kinh doanh là bao nhiêu mà không phải thực hiện thêm một quy trình phân tích riêng. Nếu dữ liệu telemetry và dữ liệu kinh doanh cùng nằm trong một schema, câu hỏi đó có thể được trả lời gần như ngay lập tức.

Burton dự báo với sự phát triển của open format và open catalog dựa trên Apache Iceberg, việc tích hợp như vậy sẽ trở nên dễ dàng hơn đáng kể trong vòng 1-2 năm tới.