[ Article #1 — Snowflake Summit 2026]
Salutations depuis le Moscone Center de San Francisco ! Cette semaine, je pose mes valises au cœur de la Silicon Valley pour vivre de l'intérieur le Snowflake Summit 2026. L'atmosphère ici est électrique, et s'il y a un mot d'ordre qui résonne dans toutes les allées du salon cette année, c'est bien celui-ci :
« l'IA générative ne vaut rien sans des fondations de données irréprochables. »
Pour ouvrir cette série d'articles dédiés aux moments forts du Summit, je voulais vous partager cette conférence qui a fait déplacer les foules. Christine (Senior Director of Data) et Brett (Analytics Engineering Manager) sont montés sur scène pour raconter l'histoire fascinante de Fanatics Betting & Gaming. Leur récit est le miroir exact des défis auxquels nous sommes tous confrontés : comment maintenir une vitesse de développement folle sans transformer son infrastructure en un champ de ruines ?
L’hyper-croissance et le syndrome du « chacun sa vérité »
Pour bien comprendre le miracle technique accompli par l'équipe, il faut revenir en 2022, Fanatics Betting & Gaming n'est encore qu'une start-up ambitieuse avec un seul objectif : lancer son application de paris sportifs à l'échelle nationale. En mars 2023, la machine s'emballe. Les lancements s'enchaînent à un rythme frénétique : l'entreprise ouvre ses services dans 24 États américains, déploie une offre de paris en ligne, et conçoit dans la foulée un produit de marchés prédictifs. Une réussite commerciale insolente.
Mais en coulisses, cette vitesse se paie au prix fort : une dette technique colossale. N'ayant pas eu le temps de bâtir des fondations de données centralisées avant les lancements, chaque nouvelle équipe produit commence à coder ses propres modèles de données directement à partir des tables brutes.
L'anecdote partagée par Christine résume parfaitement le cauchemar de gouvernance qui s'est installé :
« Vous vous retrouviez en réunion, et l'équipe Marketing affirmait que les revenus étaient en hausse, tandis que l'équipe Finance disait qu'ils étaient stables. Le pire, c'est que les deux équipes avaient raison, mais chacune se basait sur ses propres calculs et ses propres silos. »
Le cas d'école absolu concernait le GGR (Gross Gaming Revenue, ou Revenu Brut des Jeux). Pour le Marketing, le GGR intégrait les performances des campagnes de conversion. Pour la Finance, il fallait déduire les ajustements nets. Pour les équipes RH et Commerciale, la définition variait encore pour inclure les calculs de bonus. Résultat ? Des dizaines de tableaux de bord Tableau contradictoires, des décideurs perdus, et des analystes data transformés en "pompiers de la donnée", passant leurs nuits à appliquer des patchs manuels sur des modèles fragiles.
Étape 1 : Rebâtir les Fondations avec dbt et l’Architecture Medallion
Face à ce point de rupture, Fanatics prend une décision radicale : stopper le patching et reconstruire la structure. L'entreprise décide d'introduire dbt Cloud pour démocratiser l'ingénierie de données au sein de l'organisation analytique. Pour piloter ce chantier, une équipe dédiée d’Analytics Engineering est créée.
Pour tuer définitivement le chaos des métriques, Brett et son équipe extraient la logique métier des outils de Business Intelligence (Tableau) pour l'intégrer directement dans l'entrepôt de données Snowflake, en adoptant une architecture de modélisation Medallion :
- Le niveau Bronze (Staging) : Il ingère les tables de paris brutes (raw bets), standardise les types de données, renomme les colonnes et ajoute des champs d'audit.
- Le niveau Silver : C'est ici que s'opèrent les jointures complexes et que sont appliquées les règles métiers universelles.
- Le niveau Gold : Ce niveau agrège les données et définit une fois pour toutes les indicateurs clés. Désormais, le GGR est calculé à un seul et unique endroit, accessible par tous les départements.
Pour préserver l'autonomie des équipes sans sacrifier la centralisation, Fanatics déploie dbt Mesh. L'équipe centrale d'Analytics Engineering gère le socle commun (la source unique de vérité), tandis que chaque équipe métier (Trading, Finance, Commercial) pilote son propre dépôt git dbt de manière indépendante, en faisant des références croisées (cross-project references) vers les modèles certifiés.
Étape 2 : L'Assistant IA Cortex Code (Coco) comme Accélérateur
Une fois le data warehouse nettoyé, l'équipe data devait trouver un moyen de coder aussi vite que les ingénieurs produit. C'est ici que la magie de Snowflake opère. Fanatics est devenu l'un des premiers utilisateurs de Cortex Code (Coco), l'assistant de codage IA de Snowflake qui s'exécute localement dans VS Code.
Parce que Coco possède le contexte complet des dépôts Git, des schémas Snowflake et des projets dbt de l'entreprise, il est capable de lire, d'écrire et de modifier du code directement dans l'environnement de développement. Brett a partagé trois cas d'usage spectaculaires :
- La maintenance de masse en 47 secondes : Lorsque la direction a demandé d'intégrer les données des comptes de test dans tous les rapports, l'équipe devait modifier plus de 100 modèles dbt. Là où un humain aurait passé des jours à faire des modifications manuelles, Coco a analysé les répos et généré une Pull Request (PR) propre en seulement 47 secondes.
- La refonte d'architecture à moindre coût : Fanatics disposait d'une ancienne architecture Data Vault devenue trop lourde : 28 modèles exécutés toutes les heures pour un coût de 300 $par jour. En collaborant avec Coco pour restructurer ces pipelines vers le modèle Medallion, l'équipe est passée à 4 modèles Silver simplifiés. Le coût quotidien de Snowflake est tombé à 80$ par jour, pour une performance accrue.
- Le prototypage d'applications Streamlit : Pour aider l'équipe de conformité réglementaire à tester les flux de données sans manipuler de gigantesques tableurs Excel à 13 onglets, Coco a codé une application Streamlit.
Étape 3 : Le Graal de l'Analyse en Langage Naturel avec Snowflake intelligence
Le but ultime de cette transformation était de permettre à n'importe quel décideur de poser une question sur le business en langage naturel et d'obtenir une réponse immédiate, fiable et gouvernée. Mais Brett insiste sur une règle d'or apprise ici à San Francisco :
« Garbage in, garbage out. Si vos fondations ne sont pas saines, l'IA se contentera de générer des réponses absurdes plus rapidement. »
Grâce au travail réalisé sur dbt et l'architecture Medallion, l'équipe a pu poser des vues sémantiques (contenant des descriptions de colonnes, des synonymes et des requêtes vérifiées) par-dessus ses tables Gold. Ces vues servent de dictionnaire pour les agents Snowflake Intelligence.
Pour rendre l'outil ludique, l'équipe a personnalisé ses agents IA. L'un d'eux, baptisé « Meemaw » (une grand-mère du Sud des États-Unis affectueuse mais dotée d'un brin de sarcasme), est devenu le copilote des équipes de Trading.
Lors de la démo sur scène, un utilisateur a demandé à Meemaw : « Quel a été le volume de paris par sport en 2026 et quelle a été la plus grosse journée ? ». En quelques secondes, l'agent affiche son raisonnement technique, génère un graphique à barres (mettant en évidence le pic du Super Bowl) et affiche la requête SQL exacte exécutée en arrière-plan. Cette transparence totale élimine l'effet "boîte noire" et bâtit une confiance absolue avec les utilisateurs métiers. Aujourd'hui, cet agent enregistre plus de 200 sessions par jour, ce sont 200 sollicitations quotidiennes en moins pour les équipes d'analystes, qui peuvent enfin se concentrer sur des tâches à haute valeur ajoutée.
Dernier conseil avant de partir ...
En quittant la conférence pour arpenter les allées du Moscone Center, une évidence s'impose : le parcours de Fanatics est une feuille de route pour notre industrie. L'IA générative appliquée à la business intelligence n'est plus un projet de recherche, c'est une réalité de production, à condition d'avoir le courage de corriger ses fondations. Modéliser ses données, aligner ses définitions de métriques et enrichir le contexte sémantique sont les étapes non négociables du succès.
