Depuis plusieurs années, nous proposons à nos clients des solutions de stockage de données basées sur les technologies cloud. Notre constat est clair : ces solutions sont aujourd’hui matures et extrêmement performantes, surtout si l’on compare avec les architectures on premise que nous mettions en place il y a dix ans.

Dans cet article, nous laissons de côté les aspects liés à la Modern Data Stack (déjà largement abordés dans nos précédents contenus) pour nous concentrer sur un choix fréquent : Snowflake ou BigQuery ?

BigQuery est plus une solution Serverless. Snowflake est plus un Datawarehouse managé et proposé en mode SaaS. Il peut être déployé sur Azure, AWS, ou GCP. BigQuery et Snowflake ne nécessitent pas d’installation de logiciel ou de gestion des ressources matérielles.

Enjeux techniques

Sur le plan des performances, Snowflake et BigQuery offrent tous deux des temps de traitement impressionnants.

Intégration dans le SI

  • Snowflake peut être hébergé sur les 3 plateformes (Azure, AWS, GCP) et s’intègre sur tous les environnements techniques.,
  • BigQuery, via l’environnement GCP, dispose de tous les outils nécessaires à la mise en place d’une plateforme DATA, à l’exception du git qui manque encore de fonctionnalité. Nous préconisons l’utilisation d’un autre outil git du marché comme GitHub.

Les deux solutions s’intègrent parfaitement dans un environnement DevOps, que ce soit via Azure DevOps ou via GCP.

Intégration avec les solutions de DataViz

La connexion aux outils de visualisation (Power BI, Looker, Qlik, Tableau…) est simple et performante sur les deux plateformes. Aucun obstacle particulier à signaler.

Sécurité

Snowflake et BigQuery offrent tous deux :

  • Le déploiement sécurisé des secret files grâce à la partie devOps,
  • La double authentification (MFA),
  • Les connexions VPN entre l’environnement devOps et la plateforme de données (private link),
  • Le Chiffrement des données via le ‘tri secret secure’ (sur la version Business pour Snowflake), native pour GCP

 Ces points répondent aux exigences de sécurité de la majorité des organisations.

Data ingestion native

On constate une tendance de fond des éditeurs Saas visant l’ingestion native de leurs données dans les solutions Snowflake et BigQuery. Les deux acteurs travaillent sur cet enjeu. Nous constatons que Snowflake est plus en avance.

IA

Les deux plateformes proposent de plus en plus de solutions d’IA intégrées, Google via Vertex IA, Snowflake via Cortex.

Pricing

Le modèle économique repose désormais sur une facturation à l’usage :

  • Stockage : coût au volume (To/mois)
  • Compute : coût par service ou requête exécutée

Les grilles tarifaires restent techniques à décrypter, mais nous observons une stabilité et une prévisibilité rassurantes. Pour la majorité de nos clients (mise en place d’un DWH et exploitation via Dataviz sur des cas d’usage commerciaux, financiers, industriels ou marketing), le budget mensuel se situe entre 100 € et 200 €.

Avec l’expérience, nous avons défini des abaques permettant d’estimer le coût d’utilisation, que ce soit sur Snowflake ou BigQuery, et de diminuer ces coûts en optimisant les traitements.

Notre recommandation

Nous restons agnostiques vis-à-vis des fournisseurs et choisissons la technologie en fonction de l’environnement cible.

  • Si le SI est orienté Google (GCP) : BigQuery est généralement plus facile à intégrer.
  • Si le SI est orienté Microsoft : Snowflake s’intègre plus naturellement, surtout sur Azure.

Nous accordons un léger avantage à Snowflake pour ses capacités natives en IA et en ingestion de données SaaS. Enfin, nous suivons avec attention les évolutions de Microsoft Fabric, qui montre un potentiel intéressant. Aujourd’hui, nous ne constatons pas encore les mêmes performances techniques et le modèle de pricing doit encore gagner en transparence.