Datadog ในงาน Goldman Sachs Communacopia + Technology Conference 2026: ความได้เปรียบด้าน AI

เมื่อวันพฤหัสบดีที่ 10 ก.ย. 2026 Datadog (DDOG) ได้ใช้เวที Goldman Sachs Communacopia + Technology Conference 2026 เพื่อนําเสนอแนวทางการเติบโตในอนาคต ซึ่งประกอบด้วยการย้ายระบบไปยังคลาวด์ การตรวจสอบ AI และเครื่องมืออัตโนมัติใหม่ๆ บริษัทส่งสัญญาณเชิงบวก แต่ยังยอมรับถึงแรงกดดันด้านต้นทุนของลูกค้า การสร้างรายได้จาก AI ที่ยังอยู่ในช่วงเริ่มต้น และความจําเป็นในการลงทุนอย่างหนักเพื่อรักษาความได้เปรียบในการแข่งขัน

ประเด็นสําคัญ

• Datadog ระบุว่าข้อมูล observability ของบริษัทช่วยสร้างจุดยืนที่แข็งแกร่งในด้าน AI เนื่องจากสามารถสร้างโมเดลที่คาดการณ์ปัญหาของแอปพลิเคชันและรองรับการแก้ไขปัญหาอัตโนมัติในอนาคต
• บริษัทมองเห็น "เศรษฐกิจการอนุมาน (inference economy)" ที่กําลังเกิดขึ้น โดยองค์กรต่างๆ เพิ่งเริ่มใช้จ่ายอย่างจริงจังกับ workload และการตรวจสอบ AI
• อัตราการรักษาลูกค้าแบบ gross retention ยังคงอยู่ในระดับ 90% ขึ้นไป ขณะที่ net retention กําลังเพิ่มขึ้น แสดงให้เห็นว่าลูกค้ายังคงขยายการใช้งานบนแพลตฟอร์ม
• Datadog ใช้การปรับปรุงผลิตภัณฑ์ เช่น Infinite Cardinality Metrics, Flex Logs และ Federated Logs เพื่อช่วยให้ลูกค้าบริหารต้นทุนโดยไม่ต้องออกจากแพลตฟอร์ม
• ฝ่ายบริหารระบุว่ามีเพียง 20% ถึง 30% ของแอปพลิเคชันที่อยู่บนคลาวด์ในปัจจุบัน ซึ่งยังเหลือโอกาสอีกมากสําหรับการขายระดับองค์กรและการย้ายระบบไปยังคลาวด์

การวางตําแหน่งเชิงกลยุทธ์: observability ผสานกับ AI

David ประธานเจ้าหน้าที่ฝ่ายการเงินของ Datadog กล่าวว่าบริษัทมองเห็นโอกาสระยะยาวในการผสาน observability data เข้ากับปัญญาประดิษฐ์ เขาระบุว่าข้อมูล time-series ที่ Datadog รวบรวมมาตั้งแต่ก่อตั้งบริษัทนั้นมอบความได้เปรียบด้านข้อมูลที่คู่แข่งไม่สามารถลอกเลียนแบบได้ง่าย

• Datadog เพิ่งเข้าซื้อกิจการ Adaptive ML ซึ่งเป็นบริษัทที่มุ่งเน้น reinforcement learning สําหรับการจัดการ IT และ observability
• บริษัทได้จัดตั้งห้องวิจัยและเปิดตัว Toto ซึ่งเป็นโมเดลเฉพาะของตนเองในระยะเริ่มต้น
• ฝ่ายบริหารระบุว่าโมเดลบางส่วนจะเป็น open source ขณะที่บางส่วนจะยังคงเป็นกรรมสิทธิ์เฉพาะและเป็นส่วนหนึ่งของความได้เปรียบในการแข่งขันของบริษัท
• Datadog กําลังลงทุนใน GPU, ระบบ inference และโครงสร้างพื้นฐานด้านการวิจัยเพื่อรองรับการพัฒนาและการใช้งานโมเดล

David กล่าวว่าเป้าหมายคือการใช้เครื่องมือเหล่านี้เพื่อคาดการณ์ปัญหาในการทํางานของแอปพลิเคชัน และในระยะยาวจะมุ่งสู่การวิศวกรรมความน่าเชื่อถือของไซต์แบบอัตโนมัติ เขาอธิบายเส้นทางจากสัญญาณแบบ real-time ที่ดีขึ้นไปสู่ระบบที่สามารถดําเนินการได้โดยแทบไม่ต้องมีการแทรกแซงจากมนุษย์

"วิสัยทัศน์ที่นี่คือการสร้างสัญญาณแบบ real-time ที่แม่นยําและรวดเร็วยิ่งขึ้น ซึ่งสามารถปรับปรุงการทํางานของแพลตฟอร์มและดําเนินการต่อเนื่องเพื่อรองรับการแก้ไขปัญหาอัตโนมัติหรือใกล้เคียงกับนั้น" เขากล่าว

ผลประกอบการทางการเงินและแนวโน้มลูกค้า

Datadog ไม่ได้ให้ข้อมูลผลประกอบการเต็มรูปแบบในสรุปการประชุม แต่ได้แบ่งปันตัวชี้วัดการดําเนินงานและแนวโน้มเชิงพาณิชย์หลายประการ

• Gross retention อยู่ในระดับ 90% ขึ้นไป โดยลูกค้าองค์กรขนาดใหญ่อยู่ที่ระดับสูงสุดของช่วงนั้น
• Net retention มีแนวโน้มเพิ่มขึ้น บ่งชี้ว่าลูกค้ากําลังเพิ่ม workload มากกว่าการลดการใช้งาน
• ค่าใช้จ่ายด้าน R&D อยู่ที่ประมาณ 30% ของรายได้ หรือมากกว่า 1 พันล้านดอลลาร์ต่อปี
• การคาดการณ์ (Guidance) ลดความเสี่ยงแล้ว เนื่องจากรวมเฉพาะรายได้ที่ผูกมัดจากลูกค้ารายใหญ่ ไม่ใช่การใช้งานพิเศษที่เกินกว่าขั้นต่ําของสัญญา
• ลูกค้ามักเกินกว่าที่ผูกมัดไว้ แต่ Datadog ระบุว่าไม่ได้พึ่งพา upside ดังกล่าวในการคาดการณ์

ฝ่ายบริหารระบุว่าบริษัทกําลังเห็นรายได้เริ่มต้นจากการตรวจสอบ AI ผ่านผลิตภัณฑ์ Agent Observability ซึ่งมีลูกค้าหลายพันรายแล้ว และยังระบุด้วยว่าธุรกิจ AI ยังอยู่ในช่วงเริ่มต้น แต่กําลังสร้างแรงดึงดูดเพิ่มขึ้น

David กล่าวว่า Datadog กําลังตรวจสอบ "ทุกสิ่งที่อาจส่งผลต่อการทํางานของแอปพลิเคชัน" และ AI ทําให้งานนั้นสําคัญยิ่งขึ้นเพราะแอปพลิเคชันมีความซับซ้อนมากขึ้น

"วิธีแรกในการสร้างรายได้จากสิ่งนี้คือ Datadog for AI" เขากล่าว โดยเปรียบเทียบกับการตรวจสอบโค้ด, CPU และฐานข้อมูลที่มีอยู่ของบริษัท

การอัปเดตด้านการดําเนินงาน: ผลิตภัณฑ์ใหม่และการเปลี่ยนแปลงสถาปัตยกรรม

Datadog อธิบายการเปลี่ยนแปลงผลิตภัณฑ์หลายอย่างที่มุ่งช่วยให้ลูกค้าควบคุมการใช้จ่ายในขณะที่ยังคงข้อมูลและผู้ใช้ไว้บนแพลตฟอร์ม

• Infinite Cardinality Metrics ช่วยให้ลูกค้าคัดกรองข้อมูล metric ก่อนที่จะถูกประมวลผล
• Flex Logs, Frozen Logs และ Metrics without Limits เป็นส่วนหนึ่งของชุดเครื่องมือที่กว้างขึ้นสําหรับการจัดการต้นทุน observability
• Federated Logs ช่วยให้ลูกค้าจัดเก็บ log ในระบบภายนอก เช่น ClickHouse และ Databricks ในขณะที่ยังคงใช้การวิเคราะห์ของ Datadog
• Data Observability Pipelines และ Bring Your Own Cloud มอบความยืดหยุ่นให้ลูกค้ามากขึ้นในการเลือกที่จัดเก็บข้อมูล
• สายผลิตภัณฑ์ Bits คาดว่าจะใช้โมเดลเชิงพยากรณ์และข้อมูลเพื่อรองรับการตรวจจับและแก้ไขปัญหาอัตโนมัติ

David กล่าวว่าการเปลี่ยนแปลงเหล่านี้อาจลดปริมาณข้อมูลดิบที่ไหลเข้า Datadog แต่ยังคงสามารถปรับปรุงคุณค่าสําหรับลูกค้าและรักษา margin ได้

"สิ่งที่เราทําได้ฉลาดขึ้นมากคือการทําความเข้าใจว่าลูกค้าใช้ผลิตภัณฑ์อย่างไร" เขากล่าว พร้อมเสริมว่าการคัดกรองข้อมูลอาจเป็นประโยชน์ต่อลูกค้าเพราะพวกเขาได้รับคุณค่ามากขึ้นจาก metric ของตน และเป็นประโยชน์ต่อ Datadog เพราะหลีกเลี่ยงการประมวลผลข้อมูลที่มีต้นทุนสูงแต่มีคุณค่าน้อย

ฝ่ายบริหารระบุว่าการแปลงเชิงรุกไปยัง Infinite Cardinality Metrics ช่วยรักษาลูกค้าและเพิ่ม margin พร้อมกัน นอกจากนี้ยังระบุว่า Federated Logs สามารถลดต้นทุนการจัดเก็บที่ไม่จําเป็นในขณะที่ยังคงให้ผู้ใช้อยู่บนแพลตฟอร์ม Datadog ซึ่งสามารถเพิ่มรายได้เฉลี่ยต่อลูกค้าได้

องค์กรการขายและการขยายตัวในระดับองค์กร

Datadog ระบุว่าได้ขยายทีมขายระดับองค์กรทั่วโลกเพื่อคว้าโอกาสจากการย้ายระบบไปยังคลาวด์ในวงกว้างขึ้น บริษัทกําลังเปลี่ยนจากรูปแบบการขายแบบ bottoms-up เป็นหลักไปสู่โมเดลองค์กรที่มีโครงสร้างมากขึ้นสําหรับลูกค้ารายใหญ่

• ทีม Key accounts ปัจจุบันดูแลบัญชีหนึ่งหรือสองบัญชีแทนที่จะเป็นประมาณ 10 บัญชี ทําให้มุ่งเน้นกับโครงการการเปลี่ยนแปลงขนาดใหญ่ได้มากขึ้น
• กลยุทธ์ Named accounts และ major accounts ถูกนํามาใช้ควบคู่กับแนวทางการขายแบบดั้งเดิมของบริษัท
• Datadog ยังลงทุนในพันธมิตรช่องทางการขายและการมีตัวตนในศูนย์ข้อมูลเพื่อรองรับการย้ายระบบของลูกค้า
• กลุ่มอุตสาหกรรมที่กล่าวถึง ได้แก่ ธนาคาร ประกันภัย ยานยนต์ การผลิต และสายการบิน

ฝ่ายบริหารระบุว่าองค์กรขนาดใหญ่หลายแห่งยังอยู่ในช่วงเริ่มต้นของการเดินทางสู่คลาวด์ โดยบางแห่งยังไม่ได้เริ่มโครงการหลักๆ Datadog ประมาณการว่ามีเพียง 20% ถึง 30% ของแอปพลิเคชันที่อยู่บนคลาวด์ในปัจจุบัน ซึ่งยังเหลือตลาดขนาดใหญ่ที่ยังไม่ได้เข้าถึง

แนวโน้มในอนาคต: AI, inference และระบบอัตโนมัติ

มุมมองระยะยาวของ Datadog คือ AI จะสร้างความต้องการด้านการตรวจสอบมากขึ้น ไม่ใช่น้อยลง บริษัทระบุว่าคลื่นแรกของการนํา AI มาใช้เกี่ยวข้องกับการเรียกใช้บริษัทโมเดลผ่าน API แต่ระยะต่อไปควรเกี่ยวข้องกับโครงสร้างพื้นฐานภายในองค์กรมากขึ้นและความต้องการ observability มากขึ้น

• ฝ่ายบริหารอธิบาย "เศรษฐกิจการอนุมาน (inference economy)" ที่ยังอยู่ในช่วงเริ่มต้น
• ลูกค้าองค์กรเพิ่งเริ่มจัดสรรค่าใช้จ่ายดําเนินงานให้กับ inference workloads
• Datadog ระบุว่าลูกค้าที่มีความซับซ้อนกําลังเริ่มเปลี่ยนจาก API ของห้องปฏิบัติการ AI ชายขอบ (frontier lab) ไปสู่ระบบ AI เฉพาะของตนเอง
• ลูกค้าที่เป็น AI-native บางรายกําลังใช้ Datadog สําหรับ workload การฝึกและหลังการฝึกโมเดล ไม่ใช่แค่ production inference

บริษัทระบุว่าลูกค้า AI-native มีจํานวนน้อยกว่าฐานลูกค้า cloud-native ในวงกว้าง แต่กําลังเติบโตเร็วกว่าและนําผลิตภัณฑ์มาใช้มากขึ้น Datadog ยังระบุด้วยว่าลูกค้าเหล่านี้มักเลือกที่จะ outsource observability แทนที่จะสร้างเอง

David กล่าวว่าบริษัทคาดว่าโมเดลและสายผลิตภัณฑ์ Bits จะพัฒนาจากสัญญาณแบบ real-time ไปสู่การแก้ไขปัญหาอัตโนมัติ ลูกค้าอาจสามารถเลือกระดับระบบอัตโนมัติที่ต้องการ ตั้งแต่การดําเนินการที่แนะนําซึ่งต้องการการอนุมัติจากมนุษย์ไปจนถึงการตอบสนองของระบบที่เป็นอิสระมากขึ้น

ไฮไลต์จาก Q&A: ความได้เปรียบด้านข้อมูล การแข่งขัน และความเสี่ยงจากการปรับประสิทธิภาพ

ในช่วงถามตอบ David มุ่งเน้นไปที่ความได้เปรียบด้านข้อมูลของ Datadog และความสามารถของบริษัทในการแข่งขันกับโซลูชันเฉพาะทางและเครื่องมือ observability แบบ AI-native รุ่นใหม่

• เขากล่าวว่าข้อมูล observability และขนาดของ Datadog ทําให้คู่แข่งยากที่จะเทียบเคียงการพัฒนาโมเดลของบริษัท
• เขาระบุว่าค่าใช้จ่าย R&D ของบริษัทที่ประมาณ 30% ของรายได้นั้นสูงกว่าระดับของคู่แข่งมาก
• เขาโต้แย้งว่าแพลตฟอร์มแบบรวมศูนย์มีความน่าดึงดูดใจสําหรับลูกค้ามากกว่าโซลูชันเฉพาะทางที่กระจัดกระจาย
• เขากล่าวว่า Datadog ต้อง "ไปถึงที่นั่นก่อนและมีความสามารถในการขยายตัวมากกว่า" คู่แข่ง เมื่อตลาดเปลี่ยนไปสู่เครื่องมือ AI และ observability สมัยใหม่

David ยังพูดถึงพฤติกรรมการปรับประสิทธิภาพของลูกค้า เขากล่าวว่าลูกค้ารายใหญ่บางรายอาจย้าย workload บางส่วนไปยังระบบจัดเก็บข้อมูลภายนอก แต่โดยปกติแล้วยังคงอยู่บนแพลตฟอร์ม Datadog เขากล่าวว่านี่แตกต่างจากการลดลงของการใช้งานในวงกว้าง

เขาเปรียบเทียบสภาพแวดล้อมปัจจุบันกับวงจรการปรับประสิทธิภาพในปี 2021 และ 2022 โดยระบุว่า Datadog มีขนาดใหญ่กว่า มีความหลากหลายมากกว่า และกําลังเติบโตในอัตราที่ปกติกว่าช่วงดอกเบี้ยเป็นศูนย์ เขากล่าวว่าฐานลูกค้าของบริษัทยังมีวินัยในการใช้จ่ายมากขึ้นด้วย

"ความสัมพันธ์ระหว่างการเติบโตและการปรับประสิทธิภาพมักมีอยู่เสมอในซอฟต์แวร์คลาวด์" เขากล่าว แต่เสริมว่าความสมดุลยังคงเอื้อต่อการเติบโต

บริบทการแข่งขันและนัยต่อตลาด

Datadog นําเสนอการประชุมด้วยข้อความที่เรียบง่าย: บริษัทเชื่อว่าสามารถรักษาความได้เปรียบในการแข่งขันได้โดยการผสานแพลตฟอร์มที่ครอบคลุมเข้ากับการใช้จ่ายด้านการวิจัยอย่างหนักและสถาปัตยกรรมข้อมูลที่ยืดหยุ่น

• ฝ่ายบริหารระบุว่าหลายบริษัทพยายามสร้างแพลตฟอร์มแบบรวมศูนย์ แต่มีน้อยรายที่ทําได้อย่างเป็นธรรมชาติ
• Datadog มองว่าโมเดล single-pane-of-glass ของตนเป็นข้อได้เปรียบเหนือเครื่องมือที่กระจัดกระจาย
• บริษัทระบุว่าการปรับปรุงแพลตฟอร์มควรช่วยให้บริษัทก้าวนําหน้าคู่แข่งที่กําลังเกิดขึ้น
• บริษัทมองว่าการย้ายระบบไปยังคลาวด์และการนํา AI มาใช้เป็นตัวขับเคลื่อนการเติบโตขนาดใหญ่สองประการที่ทับซ้อนกัน

สําหรับนักลงทุน ประเด็นสําคัญคือ Datadog กําลังพยายามเปลี่ยนฐาน observability ที่มีอยู่ให้กลายเป็นแพลตฟอร์ม AI และระบบอัตโนมัติที่กว้างขึ้น บริษัทยังอยู่ในช่วงเริ่มต้นของการสร้างรายได้จากการเปลี่ยนแปลงดังกล่าว แต่ก็เริ่มเห็นการนําไปใช้ของลูกค้า แรงดึงดูดของผลิตภัณฑ์ และโอกาสการขายระดับองค์กรที่ใหญ่ขึ้นแล้ว

ผู้อ่านสามารถอ้างอิงบทถอดความฉบับเต็มด้านล่างสําหรับรายละเอียดเพิ่มเติม

บทความนี้ถูกแปลโดยใช้ความช่วยเหลือจากปัญญาประดิษฐ์(AI) สำหรับข้อมูลเพิ่มเติม โปรดอ่านข้อกำหนดการใช้งาน