Le test de Teradata: la charge de travail analytique acceptée, et non l’héritage de l’entrepôt de données

Résumé

• L'argument le plus fort de Teradata n'est pas la nostalgie des entrepôts de données d'entreprise. C'est la capacité à exécuter des charges de travail analytiques volumineuses et mixtes avec une gestion de la charge de travail, une gouvernance, des analyses en base de données et des choix de déploiement hybride qui peuvent préserver la fiabilité pendant la modernisation vers le cloud et l'IA.
• Le risque est que le travail le plus difficile reste en dehors de la démonstration produit: validation de la migration, réglage des requêtes, modélisation des coûts, gouvernance des modèles, conception de l'identité, maintenance des connecteurs, planification des sauvegardes et la main-d'œuvre opérationnelle nécessaire pour que les décisions analytiques à haute valeur restent fiables.
• Teradata est le plus défendable pour les grandes entreprises disposant de parcs Teradata existants, de données réglementées, d'exigences mixtes sur site et cloud, et de nombreuses charges de travail d'analyse ou d'IA concurrentes. Elle est moins convaincante lorsqu'une équipe souhaite un entrepôt cloud-native plus simple, une pile d'ingénierie axée sur le lakehouse ou une charge de travail analytique étroite avec des exigences de gouvernance limitées.

Teradata est facile à mal interpréter, car son histoire est plus bruyante que son test produit actuel. L'entreprise est associée à l'ère des entrepôts de données d'entreprise, avec de grands systèmes qui traitaient des requêtes à forte valeur pour les banques, les télécommunications, les détaillants, les compagnies aériennes, les assureurs, les réseaux de santé et les fabricants. Cet héritage compte encore. Il explique pourquoi de nombreux clients font confiance à Teradata pour des charges de travail complexes et pourquoi la plateforme ne part pas de zéro en matière d'analyse opérationnelle.

Mais l'héritage ne répond pas à la question qu'un acheteur doit se poser en 2026.

La question est de savoir si Teradata peut amener une charge de travail analytique à un état de décision gouvernée accepté. Cette expression est volontairement étroite. Un tableau de bord qui s'actualise ne suffit pas. Un modèle qui note des enregistrements ne suffit pas. Une table migrée dont le nombre de lignes correspond ne suffit pas.

Une charge de travail analytique acceptée a un propriétaire connu, une enveloppe de performance connue, un profil de coût connu, un chemin de données traçable, une limite de politique claire et suffisamment de preuves pour que les utilisateurs métier puissent s'y fier sans traiter chaque résultat comme une exception d'ingénierie.

C'est là que la plateforme actuelle de Teradata est importante.

VantageCloud, ClearScape Analytics, AI Unlimited, QueryGrid, la gestion de la charge de travail, la console cloud, les contrôles de protection des données, les unités de tarification et le nouveau langage de la plateforme de connaissances autonome pointent tous vers la même promesse commerciale: garder l'analyse et l'IA d'entreprise proches des données gouvernées tout en réduisant la fragmentation qui apparaît lorsque les organisations répartissent les données entre les entrepôts, les lacs, les lakehouses, les outils de modélisation, les notebooks, les systèmes de BI, les magasins d'objets cloud et les pipelines personnalisés.

La promesse est plausible. Elle est aussi coûteuse à prouver. Les documents publics de Teradata décrivent le déploiement multi-cloud et hybride, la gestion de la charge de travail, les analyses en base de données, le calcul élastique, la prise en charge des formats de table ouverts tels qu'Iceberg et Delta dans les nouveaux modèles cloud, les opérations de modèles, les capacités d'apport de son propre modèle, les fonctions d'IA générative, la recherche vectorielle d'entreprise et les cas clients où de grandes charges de travail analytiques ont été migrées vers des environnements cloud.

Ses résultats financiers publics montrent que le chiffre d'affaires récurrent annuel du cloud public continue de croître, tandis que la migration par étapes et les cycles de décision plus longs des clients restent une réalité commerciale. Sa documentation expose également les détails opérationnels qui importent le plus: les règles de charge de travail, l'attribution de priorité basée sur l'optimiseur, la surveillance de la consommation, les calculateurs de coûts, l'inspection des requêtes, les fonctionnalités de sauvegarde et de restauration, les étapes de reprise après sinistre, les canaux de support et la validation de la migration.

Ces détails sont plus importants que le langage marketing. Teradata n'est pas testée sur sa capacité à décrire l'IA, le lakehouse et la modernisation du cloud. Toute plateforme de données majeure peut le faire maintenant. Elle est testée sur la capacité d'une banque exécutant un million de requêtes par jour, d'un opérateur télécom exécutant une personnalisation en temps réel, d'un détaillant prévoyant les besoins hebdomadaires en stock ou d'un prestataire de soins de santé s'appuyant sur des modèles de risque à maintenir le travail précis, rapide, explicable et abordable après le changement d'architecture.

Le périmètre du produit

Cette analyse se concentre sur Teradata Operations, Inc. et les activités de plateforme de données analytiques de Teradata. Elle ne porte pas sur des sociétés locales portant le même nom, des entrepôts de données appartenant à des clients, des commentaires génériques sur l'analyse ou des annonces de partenaires qui ne prouvent pas un comportement en production. Elle doit également gérer une transition de nommage. Les pages de la plateforme publique de Teradata en 2026 présentent l'entreprise autour d'une plateforme de connaissances autonome.

Les mêmes documents publics indiquent qu'à partir de mai 2026, Teradata Vantage est devenu Teradata Autonomous Knowledge Platform, ClearScape Analytics et AI Workbench sont devenus Teradata AI Studio, QueryGrid est devenu Teradata Fabric et Teradata VantageCloud est devenu Teradata Cloud.

Les anciens noms comptent toujours, car les clients, la documentation, les études de cas, les pages de tarification et les limites des produits continuent de les utiliser. Un acheteur qui évalue Teradata n'achète généralement pas un slogan. L'acheteur détermine si les charges de travail Vantage existantes, les options de déploiement VantageCloud, les fonctions analytiques ClearScape, l'accès au stockage d'objets cloud, la gestion de la charge de travail, les outils de modélisation et les processus de support peuvent supporter le travail de production.

L'article utilise donc les noms de produits familiers là où ils rendent la limite technique plus claire, tout en reconnaissant que Teradata repositionne la plateforme autour de l'IA autonome et des connaissances d'entreprise.

Ce repositionnement n'est pas cosmétique. Teradata veut détourner l'attention de l'acheteur du stockage de données vers l'exécution des décisions. Sa page de plateforme indique que le système connecte les données, l'IA et les applications opérationnelles afin que l'intelligence puisse passer de l'aperçu à l'action.

Sa page cloud met l'accent sur le calcul actif pour les charges de travail permanentes, le calcul élastique pour l'expérimentation et les pics, les charges de travail mixtes d'analyse et d'IA, les contrôles cohérents d'identité et de politique, et le déploiement sur AWS, Microsoft Azure, Google Cloud, sur site et dans des environnements hybrides. Ses documents ClearScape mettent l'accent sur les analyses en base de données, les langages et API ouverts, les modèles d'apport de son propre modèle, ModelOps, les cas d'usage d'apport de son propre LLM et les capacités de magasin vectoriel d'entreprise.

La bonne réponse n'est ni d'accepter le nouveau langage de catégorie au pied de la lettre ni de le rejeter parce que Teradata est une entreprise plus ancienne. Le test utile est de savoir si la plateforme offre aux entreprises un moyen plus fiable d'exécuter un travail analytique répété. Si la décision dépend toujours d'une chaîne fragile de données exportées, de scripts de notebook, de registres de modèles séparés, de tables de caractéristiques non gouvernées, de tableaux de bord copiés et de contrôles de coûts manuels, alors la revendication de la plateforme est faible.

Si Teradata peut garder les charges de travail analytiques à haute valeur proches des données gouvernées, attribuer les ressources de manière prévisible, exposer les coûts et la consommation, préserver les contrôles de sécurité et permettre aux modèles de fonctionner sans mouvements de données inutiles, la revendication a du fond.

La charge de travail acceptée

Une charge de travail analytique acceptée n'est pas une simple requête. C'est une unité de travail métier récurrente. Un modèle de fraude note des transactions. Un opérateur réseau prédit le churn. Un détaillant prévoit la demande pour des milliers de produits. Une banque rapproche les positions financières entre les juridictions. Une entreprise de logistique surveille les risques d'itinéraire. Un organisme de santé identifie les patients qui ont besoin de sensibilisation. Chacun de ces flux de travail implique l'acquisition, la transformation, la gouvernance, l'exécution des requêtes, la notation des modèles, l'examen métier et l'action.

La plateforme n'est utile que si le flux de travail peut être répété sans escalade constante.

L'avantage de Teradata est qu'elle a longtemps été conçue pour la concurrence et les charges de travail mixtes. La documentation publique sur la gestion de la charge de travail décrit les charges de travail comme des classes de demandes de base de données présentant des caractéristiques communes pouvant être gérées par des règles. Elle décrit la gestion de la charge de travail comme la surveillance de l'activité et l'action lorsque des limites prédéfinies sont atteintes. Elle distingue Teradata Active System Management de l'ensemble de fonctionnalités plus réduit Integrated Workload Management.

La documentation de VantageCloud Lake décrit également les priorités de charge de travail par défaut, où les requêtes actives qui ne se voient pas autrement attribuer une priorité en reçoivent une en fonction des caractéristiques de la requête et des estimations de l'optimiseur.

Cela importe, car la fiabilité des requêtes n'est pas une propriété générique du cloud. Le problème dans les grands systèmes analytiques est que différents utilisateurs et machines sont en concurrence. Les cadres veulent que les tableaux de bord s'ouvrent. Les analystes exécutent des explorations ad hoc. Les scientifiques des données entraînent ou notent des modèles. Les finances exécutent les rapports de fin de mois. Les ingénieurs chargent de nouvelles données. Les services ou applications d'IA peuvent émettre des requêtes plus fréquentes que les utilisateurs humains ne l'ont jamais fait.

Sans contrôles de charge de travail, une plateforme peut être techniquement disponible et néanmoins échouer pour l'entreprise, car le mauvais travail consomme les mauvaises ressources au mauvais moment.

La gestion de la charge de travail n'est donc pas une fonctionnalité administrative secondaire. C'est le produit. Si Teradata peut préserver les niveaux de service pour les travaux critiques tout en permettant une exploration élastique, elle réduit le coût de supervision. Si les règles sont mal conçues, obsolètes ou trop dépendantes d'un réglage spécialisé, le coût revient par la porte dérobée.

Une plateforme qui promet une optimisation autonome a encore besoin de choix stratégiques: quelles charges de travail sont importantes, quels coûts sont acceptables, quelles requêtes peuvent être retardées, quels utilisateurs peuvent déborder et quels travaux de modélisation ne doivent pas interférer avec les rapports opérationnels.

La charge de travail acceptée nécessite également la preuve que le résultat est le bon résultat. L'histoire analytique de Teradata repose fortement sur le fait de faire plus de travail dans la base de données ou à proximité des données gouvernées. La documentation ClearScape décrit des fonctions en base de données pour la préparation, le nettoyage et l'ingénierie des caractéristiques, l'entraînement et la notation des modèles.

Elle prend également en charge la notation par apport de son propre modèle, les bibliothèques Python et R, les cadres d'analyse ouverts, les fonctions d'analyse de texte utilisant de grands modèles de langage sur les plateformes cloud et les intégrations avec des services de modèles tels qu'AWS, Azure Machine Learning, Google Vertex AI, OpenAI, Azure OpenAI et Amazon Bedrock. L'argument de la plateforme est que moins de mouvement de données peut signifier moins de risques, moins de copies et un contexte plus gouverné.

Cela est crédible, mais pas automatique. Déplacer la notation des modèles dans la plateforme de données peut réduire le risque d'extraction tout en augmentant la dépendance à la plateforme. Apporter des modèles dans Vantage peut améliorer la gouvernance uniquement si les définitions de caractéristiques, les versions des modèles, les approbations, la surveillance de la dérive et l'utilisation des résultats sont gérées.

Exécuter des analyses de texte ou des fonctions génératives à proximité des données d'entreprise peut être puissant, mais la réponse du modèle est toujours limitée par la conception de l'instruction, la qualité de la récupération, les contrôles d'accès et l'examen humain. Un modèle qui s'exécute à l'intérieur de l'entrepôt n'est pas intrinsèquement fiable. Il est seulement plus facile à gouverner si l'organisation utilise correctement les contrôles de la plateforme.

La migration est le premier mode de défaillance

Pour de nombreux acheteurs, le véritable test de Teradata commence avant l'exécution de la nouvelle charge de travail. Il commence par la migration. Les parcs Teradata hérités sont souvent volumineux, anciens, critiques pour l'entreprise et remplis d'hypothèses non documentées. Un entrepôt de données qui a accumulé des années de logique financière, de segmentation de campagnes, de rapports réglementaires, de règles de fraude et de tableaux de bord opérationnels ne peut pas être déplacé comme une simple sauvegarde de base de données.

La migration doit préserver les performances, la signification des données, le contrôle d'accès, la planification, les dépendances en aval et la confiance des utilisateurs.

La documentation de Teradata elle-même est claire sur une partie de ce fardeau. Les conseils de migration de VantageCloud Enterprise indiquent que les clients migrent leurs propres données, peuvent utiliser les services de migration optionnels de Teradata moyennant des frais supplémentaires, et doivent valider la migration et travailler avec Teradata pour résoudre les problèmes. C'est un avertissement sain. Cela signifie que la migration n'est pas simplement un changement géré par le fournisseur. Les clients restent responsables de la compréhension de leurs données, de la validation des résultats et de la coordination du basculement.

Les cas clients publics montrent pourquoi c'est important. O2 Czech Republic a décrit la migration de plus de 50 téraoctets de données vers Teradata VantageCloud sur Microsoft Azure pendant un week-end de trois jours, puis a observé une plateforme décrite comme environ quatre fois plus rapide. Le même compte rendu indique qu'O2 a utilisé des fonctionnalités cloud-native telles que l'intégration d'Azure Blob Storage, Azure Data Factory pour les données d'interaction client en temps réel et un stockage moins coûteux pour les données plus anciennes. C'est une preuve utile, car elle montre à la fois la continuité et la refonte.

La migration n'a pas réussi uniquement parce que Teradata pouvait héberger des données dans le cloud. Elle a réussi parce que le client avait une fenêtre, un parc connu, des choix d'intégration et un plan de performance et de stockage.

Raiffeisen Bank International est un autre cas utile, car son problème n'est pas petit. Le compte rendu public décrit environ 250 opérations bancaires, près de 20 millions de clients, des centaines d'environnements bancaires centraux, plus d'un million de requêtes par jour et un déménagement vers VantageCloud sur AWS pour soutenir une utilisation des données granulaire, sécurisée et rentable. L'histoire indique que l'ingestion de données a augmenté de plus de 1 000 % après la modernisation. Le point important n'est pas que chaque client verra ce résultat.

C'est que l'adéquation la plus forte de Teradata est le type d'entreprise où le volume de données, la complexité régionale, la sécurité et le comportement analytique existant sont trop importants pour une replateformisation improvisée.

Le risque de migration est que ces exemples puissent être considérés comme un chemin par défaut. Une histoire de succès client publique ne dit pas à un acheteur combien de dépendances ont été cartographiées, combien de requêtes ont dû être réécrites, combien de rapports ont été retirés, combien de charges de travail ont changé de profil de coût, combien d'anciennes procédures ont nécessité l'aide d'un spécialiste ou combien de temps la validation métier a pris.

Les dépassements de migration sont souvent causés par les parties les plus difficiles à photographier: la logique métier cachée, la propriété obsolète, la contention des charges de travail, la reprise après sinistre non testée, les hypothèses d'identité et d'accès et les utilisateurs qui ne font pas confiance à la nouvelle réponse parce qu'elle diffère légèrement de l'ancienne.

La valeur de Teradata est la plus forte lorsqu'elle permet à un client de moderniser sans perdre le comportement connu des charges de travail critiques. Sa valeur est la plus faible lorsque l'acheteur considère la continuité comme garantie. La plateforme cloud peut réduire le fardeau de l'infrastructure, mais elle ne supprime pas la nécessité d'un inventaire de migration, d'une classification des charges de travail, d'une référence de performance, d'un modèle de coûts, d'un rapprochement de la qualité des données, d'un plan de retour en arrière et d'un processus d'acceptation par les utilisateurs.

La prévisibilité des coûts est une caractéristique technique

L'analyse cloud modifie la psychologie financière de l'entreposage de données. Dans un ancien modèle d'appliance, de nombreux coûts étaient douloureux au moment de l'achat mais moins visibles par requête. Dans un modèle cloud, le calcul, le stockage, le transfert de données, la mise à l'échelle élastique, les forfaits de support et les tableaux de bord de consommation intègrent le coût dans les opérations quotidiennes. C'est mieux pour la responsabilisation, mais cela crée également de nouveaux modes de défaillance.

Une charge de travail peut être techniquement réussie et commercialement inacceptable si le coût des requêtes surprend l'entreprise.

Les documents de tarification de Teradata mettent l'accent sur la consommation basée sur des unités, la tarification du calcul dans les régions américaines à partir d'un niveau horaire indiqué pour les forfaits VantageCloud Lake, la tarification séparée du stockage par blocs et objets, les frais de transfert de données, la tarification à la demande et avec engagement, la visibilité de l'utilisation, les rapports d'allocation et la gouvernance et l'observabilité pour la gestion des coûts.

Le portail des développeurs oriente également les utilisateurs vers la surveillance de la consommation, un calculateur de coûts et l'inspection des requêtes pour l'efficacité. Ce ne sont pas seulement des fonctionnalités conviviales pour l'acheteur. Ce sont des contrôles pour l'analyse de production.

La question pratique est de savoir si un client peut prévoir le coût avant de déplacer une charge de travail. Le coût analytique dépend du volume de données, de la forme des requêtes, de la concurrence, des exigences de niveau de service, du niveau de stockage, du transfert de données, du comportement d'entraînement ou de notation des modèles et de la fréquence d'exécution des pipelines après des échecs. Teradata peut exposer des unités de tarification et des outils de consommation, mais l'acheteur doit toujours modéliser le comportement.

Une charge de travail financière de fin de mois, un système de recommandation piloté par machine et le notebook exploratoire d'un scientifique des données ont des profils de coûts différents. Les mettre sur une seule plateforme n'est utile que si l'organisation peut garder le travail coûteux visible.

Le modèle de tarification affecte également les choix d'ingénierie. Si le calcul élastique est facile à démarrer, les équipes peuvent expérimenter davantage, ce qui est bon pour l'innovation et dangereux pour les budgets. Si les niveaux de stockage rendent les anciennes données moins chères, les équipes peuvent archiver de manière agressive, ce qui peut réduire les coûts mais compliquer les performances et l'accès. Si l'inspection des requêtes montre des charges de travail inefficaces, les équipes ont besoin de personnes ayant l'autorité pour les corriger.

Si la plateforme peut évoluer automatiquement, quelqu'un doit encore décider quand la mise à l'échelle est autorisée, quels groupes la paient et si le comportement en rafale est un signe de demande saine ou de mauvaise conception.

La prévisibilité des coûts est donc une caractéristique technique. Le gestionnaire de charge de travail, les estimations de l'optimiseur, l'inspection des requêtes, le tableau de bord de consommation, le calculateur de prix, la hiérarchisation du stockage et le processus de support contribuent tous à déterminer si l'organisation peut accepter une charge de travail. Sans ces contrôles, la version cloud d'un entrepôt d'entreprise peut devenir une facture variable liée à une demande métier opaque.

Avec eux, Teradata peut avancer un argument crédible selon lequel elle ne se contente pas de déplacer les entrepôts vers l'infrastructure cloud, mais donne aux équipes un moyen de gouverner ensemble les performances et l'économie.

Les dépôts publics soutiennent un point commercial connexe. Au premier trimestre 2026, Teradata a déclaré un chiffre d'affaires récurrent annuel total de 1,492 milliard de dollars et un chiffre d'affaires récurrent annuel du cloud public de 686 millions de dollars, en hausse de 13 % par rapport au trimestre de l'année précédente. La société a également indiqué que le chiffre d'affaires récurrent représentait environ 90 % du chiffre d'affaires total au cours de ce trimestre, tandis que les migrations de clients et la demande d'offres de cloud public ont stimulé la croissance du ARR du cloud public.

Dans le même temps, elle a décrit certains clients mettant en œuvre des migrations cloud de manière échelonnée et a noté des cycles de décision allongés. Cette combinaison est révélatrice. La demande pour le cloud est réelle, mais les acheteurs ne déplacent pas tous leurs parcs analytiques critiques en une seule étape simple.

L'IA élève la barre

L'histoire de l'IA de Teradata est à la fois une opportunité et une source de risque. ClearScape Analytics offre un récit produit sérieux: préparer les données dans la base de données, former et noter les modèles, apporter des modèles d'autres outils, utiliser Python et R, se connecter aux services partenaires et gérer les opérations de modèles. Les témoignages de clients publics montrent pourquoi les entreprises s'en soucient.

The Very Group décrit l'utilisation de VantageCloud et d'AWS SageMaker pour des prévisions hebdomadaires sur 160 000 unités de gestion des stocks, ClearScape aidant à noter des modèles complexes en quelques minutes au lieu d'heures ou de jours. OSF HealthCare décrit l'utilisation de VantageCloud pour l'harmonisation des données et l'IA, l'exécution de modèles Python dans Teradata et la mise à disposition d'informations pour les flux de travail cliniques. Telefonica Argentina décrit VantageCloud et ClearScape comme un environnement centralisé pour mettre les modèles en production, contrôler les performances et noter des millions de clients.

Ce ne sont pas des cas d'usage triviaux. Ils impliquent des décisions commerciales, le ciblage client, les opérations de santé et le comportement de la chaîne d'approvisionnement. Ils soutiennent l'argument de Teradata selon lequel la plateforme est plus qu'un entrepôt. Ils montrent également pourquoi le test de la charge de travail acceptée est plus strict pour l'IA. Un rapport peut être faux et néanmoins corrigé avant une réunion. Un modèle peut affecter des milliers ou des millions de décisions avant qu'un problème ne soit remarqué. La limite de gouvernance doit se rapprocher du modèle.

L'orientation de la plateforme publique de Teradata tente d'y répondre en connectant les données, les connaissances, les modèles et l'exécution opérationnelle. Sa page de plateforme parle de contexte d'entreprise gouverné, d'exécution de flux de travail, de magasin vectoriel d'entreprise, de fondation de données connectée et d'optimisation continue.

Son document AI Unlimited décrit un moteur de calcul IA/ML évolutif et à la demande dans le cloud, le document AWS Marketplace le positionnant comme un moyen en version préliminaire publique d'expérimenter sans impacter les environnements de production critiques et de faire passer les prototypes vers la production VantageCloud. Cette séparation entre l'expérimentation et la production est importante. La pire erreur de modernisation est de traiter un environnement de démonstration, une version préliminaire publique ou un prototype de notebook comme une preuve de fiabilité opérationnelle.

La distinction clé est la capacité du modèle par rapport à l'acceptation de la charge de travail. Un modèle peut s'entraîner. Une fonction peut noter. Un magasin vectoriel peut récupérer. Une application peut appeler un outil. Aucun de ces faits ne prouve que la décision est acceptable. La charge de travail d'IA acceptée a besoin de traçabilité des données, de politique d'accès, de versionnage des modèles, de validation, de surveillance, d'examen de la dérive, de suivi des coûts, de comportement de repli et d'un propriétaire humain ou système clair.

Si Teradata peut garder ces contrôles près de la plateforme de données, elle a un argument plus fort qu'une collection de services d'IA déconnectés. Si les clients doivent encore assembler la gouvernance à travers des notebooks, des registres de modèles, des services cloud, des couches de BI et des approbations manuelles, la plateforme ne supprime pas assez de travail.

L'IA modifie également la forme de la charge de travail. Les analystes humains peuvent exécuter des rafales de requêtes pendant les heures de bureau. Les services et applications d'IA peuvent exécuter des charges de travail continues et à haute concurrence. Les systèmes de récupération peuvent émettre de nombreuses petites requêtes. La notation des modèles peut être planifiée ou déclenchée par des événements. La préparation des données peut devenir plus fréquente à mesure que les équipes actualisent les caractéristiques.

L'héritage de Teradata en matière de gestion de la charge de travail est pertinent ici, car l'IA ne supprime pas le problème de concurrence. Il l'amplifie. La capacité de la plateforme à séparer le calcul critique permanent de l'expérimentation élastique n'est précieuse que si le client conçoit des politiques qui empêchent le travail expérimental d'endommager les opérations de confiance.

La gouvernance, là où l'entrepôt devient un système de décision

Les clients les plus solides de Teradata n'utilisent pas l'analyse pour la décoration. Ils l'utilisent pour prendre des décisions qui ont des conséquences financières, de sécurité, réglementaires, clients et opérationnelles. C'est pourquoi la gouvernance importe. Dans une charge de travail analytique gouvernée, les données ne sont pas simplement stockées. Elles sont comprises: qui peut y accéder, d'où elles viennent, comment elles ont été transformées, quelle politique s'applique, quel modèle les a utilisées et quelle action métier a suivi.

Les pages publiques de la plateforme mettent l'accent sur l'identité, l'accès, les contrôles de politique, la sécurité, la gouvernance, le déploiement hybride et les données qui restent dans leur environnement d'origine, sauf configuration contraire de déplacement. Le Trust and Security Center répertorie les certifications et les programmes de conformité tels que ISO, PCI, SOC et les cadres régionaux. La documentation de sécurité de VantageCloud Enterprise indique que le service est audité périodiquement par rapport à des normes telles que HIPAA, ISO 27001, PCI DSS et SOC 1 et 2.

Ce ne sont pas des preuves qu'un client a bien gouverné l'analyse, mais ce sont des conditions préalables nécessaires pour l'adoption en entreprise réglementée.

Le déploiement hybride est particulièrement important. De nombreuses entreprises ne peuvent pas déplacer chaque jeu de données dans un seul cloud public. La résidence des données, la latence, la dépendance aux applications héritées, les restrictions contractuelles, les contraintes des systèmes centraux ou mainframe et la surveillance réglementaire affectent tous l'emplacement. Les documents cloud de Teradata mettent l'accent sur les choix AWS, Azure, Google Cloud, sur site, hybrides et en périphérie.

La société indique également que les données restent dans leur environnement d'origine, sauf configuration contraire de déplacement en déploiement hybride. C'est une réponse raisonnable à l'une des plus grandes barrières de l'analyse cloud: certaines charges de travail ont besoin de l'élasticité du cloud, tandis que certaines données ne peuvent ou ne doivent pas être déplacées facilement.

Le risque est que l'architecture hybride puisse devenir une excuse pour la complexité. Chaque environnement supplémentaire ajoute des questions de conception d'identité, de routage réseau, de règles de mouvement de données, de limites de support, de surveillance, d'allocation des coûts et de récupération après échec. QueryGrid, maintenant repositionné sous le nom de Teradata Fabric, existe parce que les données se trouvent souvent sur plusieurs systèmes. Mais l'analyse intersystèmes n'est utile que si l'utilisateur sait où le calcul a lieu, quel moteur paie le coût, quelles données se déplacent et comment les défaillances apparaissent.

Réduire le mouvement des données est un principe solide. Cacher le mouvement des données ne l'est pas.

La gouvernance a également une dimension sémantique. Un modèle de churn télécom, un rapport de risque bancaire, une liste de sensibilisation sanitaire et une alerte de sécurité logistique dépendent tous de définitions métier. Les modèles de données sectoriels de Teradata et sa longue histoire client peuvent aider, car certaines entreprises apprécient les structures de domaine matures. Mais un modèle ne remplace pas la propriété actuelle. Si les définitions sont obsolètes, la plateforme peut renvoyer des réponses cohérentes à la mauvaise question.

La charge de travail acceptée nécessite un processus de gouvernance vivant, et pas seulement le support de la plateforme pour les artefacts de gouvernance.

La fiabilité inclut la récupération

Les acheteurs d'analyse se concentrent souvent sur la vitesse des requêtes et les résultats du modèle. La fiabilité en production inclut la récupération. Que se passe-t-il lorsque les données sont corrompues, qu'une sauvegarde est nécessaire, qu'un basculement commence, qu'une étape de restauration échoue, qu'un service d'identité se comporte mal, ou qu'un modèle de requête critique change après la migration? La documentation publique de Teradata donne des indices utiles, car elle décrit la protection des données et les processus de support plutôt que les seuls avantages de la plateforme.

La documentation sur la protection des données de VantageCloud Enterprise décrit les sauvegardes standard, les instantanés, les politiques de conservation, les points de restauration, la planification de la reprise après sinistre et la restauration en cas de corruption, de perte de données ou d'événements de reprise après sinistre. Elle note que les administrateurs du site modifient les informations de protection des données.

La documentation sur la reprise après sinistre décrit les étapes de basculement, y compris l'activation de l'environnement, la restauration des métadonnées, la restauration des données, le travail de préparation post-restauration, le nettoyage après défaillance et un ticket visible par le client si une opération de basculement échoue. Ce type de documentation importe, car il montre que la récupération est un flux de travail, et non une case à cocher.

L'implication pour les acheteurs est directe. Une charge de travail analytique acceptée a besoin d'un objectif de récupération. Elle doit savoir quelles données peuvent être reconstruites, quels rapports peuvent être retardés, quels modèles peuvent fonctionner sur des données obsolètes, quelles charges de travail nécessitent un basculement et qui approuve la restauration. Une sauvegarde complète du système et un instantané ne sont pas la même promesse opérationnelle. Une restauration manuelle et un retour en arrière en libre-service ne sont pas identiques.

Un plan de reprise après sinistre qui fonctionne pour un rapport nocturne peut ne pas fonctionner pour un flux de travail de sécurité ou de fraude en temps quasi réel.

Les limites du support importent également. Le document de politique de support de Teradata indique que les politiques générales de support des produits ne couvrent pas les services VantageCloud, qui sont couverts par les documents de description des services cloud applicables. La documentation de support de VantageCloud oriente les clients vers le portail de support pour les demandes de support, la gestion de compte, les téléchargements de logiciels, la base de connaissances, la documentation et les ressources d'apprentissage. C'est une réalité ordinaire du logiciel d'entreprise: le support cloud est contractuel et procédural.

L'acheteur doit connaître la description du service, le niveau de support, le chemin d'escalade, les responsabilités du client et ce qui se passe lorsque Teradata, le fournisseur cloud et les propres intégrations du client touchent tous le même incident.

La fiabilité dépend également de l'administration du client. Si les planifications de sauvegarde entrent en collision avec l'ETL, si les services d'identité ne sont pas validés avant le basculement, si les contraintes de spoule ou de ressources apparaissent immédiatement après la migration, ou si la surveillance n'est pas connectée au processus d'exploitation du client, la plateforme peut sembler peu fiable même lorsque le service sous-jacent fonctionne comme prévu.

Un récit de modernisation d'un assureur public par Teradata est exceptionnellement utile, car il mentionne des problèmes initiaux de connectivité LDAP et des contraintes initiales d'espace de spoule, puis tire des leçons sur la validation pré-basculement et la surveillance native cloud. Ces détails sont plus crédibles qu'un récit de succès parfait, car ils révèlent le travail réel nécessaire pour rendre l'analyse cloud fiable.

Les preuves clients montrent l'adéquation, pas des résultats par défaut

Teradata dispose de preuves clients publiques dans les télécommunications, la finance, la santé, le commerce de détail, la logistique, l'assurance et d'autres secteurs. Les cas sont précieux, car ils montrent les types de charges de travail qui conviennent à Teradata: des requêtes à haut volume, des données clients harmonisées, des contrôles réglementaires, des décisions opérationnelles, la notation IA et la migration cloud à partir de parcs existants. Ils ne doivent pas être traités comme des références indépendantes.

O2 Czech Republic est un cas de migration cloud et d'analyse client. Raiffeisen est un cas d'harmonisation bancaire et d'échelle de requêtes. The Very Group est un cas de prévision et de notation de modèles. OSF HealthCare est un cas d'IA et de données cliniques. G2L Logistica est un cas de logistique et de sécurité en temps quasi réel. Telefonica Argentina est un cas de personnalisation et de prochaine meilleure action. Sicredi est un cas de traitement de modèles IA/ML.

Ces histoires sont cohérentes avec la thèse de Teradata: la plateforme est la plus forte là où le même parc de données gouvernées alimente de nombreuses décisions analytiques à forte valeur.

Elles révèlent également les conditions du succès. Les clients ont des problèmes métier clairs. Ils disposent de données suffisamment importantes pour justifier l'investissement dans la plateforme. Ils ont des équipes qui peuvent travailler avec les services cloud, les outils de modélisation et les propriétaires métier. Ils combinent souvent Teradata avec AWS, Azure, SageMaker, des pipelines de données, des API ou d'autres systèmes cloud-native. Ils ne se contentent pas d'installer un entrepôt et d'attendre la valeur.

Cela importe pour l'économie unitaire. Teradata peut créer de la valeur lorsqu'elle réduit plusieurs coûts à la fois: le risque de migration, la contention des requêtes, le mouvement des données, le stockage dupliqué, la notation fragmentée des modèles, les frais généraux de gouvernance et la maintenance spécialisée des systèmes déconnectés. Elle peut être coûteuse lorsqu'un client n'utilise qu'une tranche étroite de la plateforme, paie pour des contrôles d'entreprise qu'il n'opérationnalise pas ou conserve des systèmes parallèles qui dupliquent le rôle de Teradata.

Les résultats clients publiés par le fournisseur doivent être traités avec prudence. L'impact sur le chiffre d'affaires, les économies de coûts, les améliorations de vitesse et les gains de sécurité sont des signaux significatifs, mais ils fournissent rarement des méthodes de référence complètes, des mesures indépendantes, des cas négatifs ou le coût total de possession.

Un acheteur devrait demander une preuve au niveau de la charge de travail: les profils de requêtes avant-après, le nombre de défauts de migration, les résultats d'acceptation par les utilisateurs, les courbes de coûts, les incidents de service, les rapports de validation des modèles, les exceptions de qualité des données, les tickets de support et le modèle de dotation nécessaire pour maintenir le système en bonne santé.

L'absence de référence publique indépendante avec une méthode claire n'est pas fatale. L'analyse d'entreprise est difficile à évaluer, car les charges de travail diffèrent. Mais cela signifie que Teradata doit être évaluée avec les propres charges de travail du client. La page de la plateforme reconnaît elle-même que les performances et les coûts varient selon la charge de travail et l'environnement et renvoie à une évaluation utilisant des charges de travail réelles, des comparaisons côte à côte et une validation basée sur la migration. C'est la bonne norme.

Un acheteur ne devrait pas acheter un entrepôt sur la base d'une confiance générique dans les benchmarks alors que le risque réel est le mélange de requêtes, la forme des données, la concurrence et le modèle de gouvernance propres à l'entreprise.

Des substituts réalistes

Teradata est en concurrence avec plusieurs classes de substituts, pas une seule. La première est l'entrepôt de données cloud: Snowflake, Google BigQuery, Amazon Redshift, Azure Synapse, Microsoft Fabric, Oracle Autonomous Database et des services similaires. Ces plateformes plaisent souvent aux équipes qui souhaitent une élasticité cloud native, un large support de l'écosystème et des opérations gérées plus simples. Elles peuvent être très solides pour les nouvelles charges de travail, l'analyse en libre-service et l'intégration avec un cloud choisi.

La contrepartie de Teradata est la profondeur de la gestion de la charge de travail, la continuité hybride, les analyses en base de données et un chemin pour les clients Teradata existants pour moderniser sans tout réécrire d'un coup.

Le deuxième substitut est la pile lakehouse: Databricks, les formats de table ouverts, Spark, Trino, Iceberg, Delta, le stockage d'objets cloud, dbt, Airflow ou Dagster, et des catalogues de gouvernance séparés. Cette pile plaît aux équipes pilotées par l'ingénierie qui souhaitent des formats ouverts, une transformation axée sur le code, une flexibilité en science des données et l'évitement d'un fournisseur d'entrepôt unique. Les nouveaux documents cloud de Teradata répondent en partie à cela en prenant en charge les formats de table ouverts et les modèles de données connectés.

Mais une équipe orientée lakehouse peut encore préférer des outils modulaires si elle a la maturité d'ingénierie pour les exploiter.

Le troisième substitut est la suite de plateforme d'entreprise plus large: SAP, IBM, Oracle, Informatica, SAS, Salesforce, les analyses de ServiceNow ou les services de données des fournisseurs cloud liés aux écosystèmes applicatifs. Ces produits sont en concurrence là où les données sont déjà ancrées dans les applications métier ou les suites de gouvernance. L'historique du litige SAP de Teradata n'est pas le problème principal pour un acheteur.

La question est de savoir si la charge de travail analytique doit résider dans une plateforme de données d'entreprise spécialisée ou à l'intérieur du système qui possède déjà le processus opérationnel.

Le quatrième substitut est de faire moins. De nombreuses organisations n'ont pas besoin d'une plateforme analytique haut de gamme pour chaque charge de travail. Une petite équipe avec quelques tableaux de bord et des volumes de données modérés peut mieux s'en sortir avec un entrepôt plus simple, un outil de BI géré et une modélisation de données disciplinée. Teradata est la plus persuasive lorsque le problème présente une réelle échelle, de la concurrence, de la gouvernance, un déploiement mixte et des enjeux critiques pour l'entreprise.

Il est plus difficile à justifier lorsque l'acheteur souhaite principalement un stockage pratique pour des rapports ordinaires.

Le verrouillage doit être jugé honnêtement. Le verrouillage Teradata n'est pas seulement un contrat. Il peut inclure des modèles SQL, des règles de charge de travail, des fonctions de modèle, des modèles de données sectoriels, des procédures opérationnelles, des relations de support et une expertise accumulée. Mais toute plateforme de données sérieuse crée un certain verrouillage. Snowflake, Databricks, BigQuery, Redshift, Fabric et Oracle créent tous leurs propres dépendances.

La question commerciale est de savoir si la dépendance à Teradata achète suffisamment de fiabilité, de gouvernance et de continuité de migration pour en valoir la peine.

Où Teradata est la plus forte

L'adéquation la plus forte de Teradata est la grande entreprise qui dispose déjà d'une expertise Teradata significative ou d'un profil de charge de travail similaire aux forces historiques de Teradata: haute concurrence, données gouvernées, SQL complexe, utilisation réglementée, grands volumes de données et analyses métier répétées et critiques. Une telle organisation peut ne pas vouloir reconstruire chaque charge de travail dans une nouvelle architecture cloud-native. Elle peut avoir besoin d'une migration par étapes. Elle peut avoir besoin d'un déploiement sur site et cloud en même temps.

Elle peut avoir besoin de garder des rapports de confiance stables tout en permettant aux expériences d'IA de se développer autour.

La plateforme est également forte là où la notation des modèles et l'analyse doivent rester proches des données gouvernées. Les analyses en base de données de ClearScape, les modèles BYOM, l'accès Python et R, le langage ModelOps et les expériences AI Unlimited soutiennent tous une conception où le mouvement des données est réduit et le contexte d'entreprise préservé. Cela est précieux lorsque les données sont sensibles, volumineuses ou coûteuses à déplacer. C'est particulièrement pertinent pour les cas d'usage d'IA où les caractéristiques, le contexte et les entrées de récupération doivent être gouvernés.

Teradata est plus faible là où la simplicité est l'exigence dominante. Une équipe qui souhaite un pipeline rapide SaaS-vers-entrepôt, des tableaux de bord ordinaires ou un lakehouse naissant peut ne pas avoir besoin de la machinerie d'entreprise de Teradata. Une équipe qui n'a pas de parc Teradata, pas de complexité réglementaire et une forte ingénierie de données interne peut décider qu'une pile modulaire offre plus de flexibilité. Une équipe qui ne peut pas doter la gouvernance et la propriété de la charge de travail peut acheter plus de plateforme qu'elle ne peut en exploiter.

Le fardeau administratif ne doit pas être minimisé. Les règles de charge de travail exigent une politique. Les contrôles de coûts exigent un examen. La migration exige une validation. La récupération exige des exercices. La gouvernance des modèles exige des propriétaires. Le déploiement hybride exige une discipline architecturale. L'optimisation des requêtes exige des personnes qualifiées, même si la plateforme automatise plus qu'auparavant. Teradata peut réduire le travail, mais elle ne peut pas éliminer le besoin d'une fonction de plateforme de données compétente.

C'est la différence entre acheter un système et accepter une charge de travail. Teradata peut fournir le moteur, le déploiement cloud, le support, les fonctions d'analyse, la gestion de la charge de travail, les contrôles de gouvernance et le chemin de modernisation des clients. Le client doit encore décider ce que signifie « bon ». Quel rapport fait autorité? Quel modèle est approuvé? Quelle requête est trop coûteuse? Quelles données peuvent être déplacées? Quel niveau de service est important? Quelle exception arrête le processus métier? Quel humain signe lorsqu'une recommandation automatisée devient une action?

Le jugement commercial

L'argument commercial de Teradata en 2026 est conditionnel mais sérieux. Ce n'est pas la réponse la moins chère à l'analyse. Ce n'est pas la manière la plus simple de démarrer un entrepôt. Ce n'est pas l'environnement de science des données le plus en vogue. Son meilleur argument est que les grandes entreprises n'ont pas seulement besoin de stockage et de calcul.

Elles ont besoin de charges de travail analytiques acceptées: gouvernées, reproductibles, à haute concurrence, soucieuses des coûts, récupérables et suffisamment proches du contexte métier pour que l'IA puisse être utilisée sans transformer chaque décision en une exception de risque de données.

Le tableau financier public soutient l'idée que les clients paient encore pour cette promesse. Le chiffre d'affaires récurrent annuel du cloud public continue de croître, le chiffre d'affaires récurrent domine la composition du chiffre d'affaires et Teradata indique que les clients étendent leurs capacités cloud et leurs cas d'usage pilotés par l'IA.

Les mêmes divulgations montrent pourquoi le marché devrait être prudent: la migration peut être échelonnée, les cycles d'achat peuvent s'allonger, le chiffre d'affaires du conseil peut fluctuer et la croissance du cloud public doit compenser l'érosion dans les anciennes catégories de maintenance et d'abonnement.

Le tableau technique est similaire. La gestion de la charge de travail, la priorité informée par l'optimiseur, les analyses en base de données, la notation des modèles, les outils de consommation, la visibilité des prix, la sauvegarde et la récupération, le déploiement hybride, la posture de conformité et les exemples de clients soutiennent tous la pertinence de Teradata. Aucun d'eux ne prouve un succès automatique. La plateforme doit être évaluée charge de travail par charge de travail, en particulier lors du passage des parcs hérités au cloud et de l'analyse humaine aux opérations assistées par l'IA.

La charge de travail analytique acceptée est le bon test, car elle refuse à la fois la nostalgie et le battage médiatique. Elle ne récompense pas Teradata simplement pour son héritage d'entrepôt. Elle ne récompense pas non plus l'entreprise simplement pour l'utilisation du langage d'exécution de l'IA. Elle demande si une décision métier récurrente peut s'exécuter avec des performances, un coût, une traçabilité, une gouvernance, une récupération et une responsabilité intacts.

Sur ce test, Teradata reste la plus forte dans les environnements qui l'ont rendue importante en premier lieu: les entreprises complexes avec des données précieuses, de nombreux utilisateurs, une haute concurrence, une pression réglementaire et des décisions qui justifient des dépenses sérieuses de plateforme. Son défi est de faire en sorte que la modernisation du cloud et de l'IA ressemble à une réduction opérationnelle plutôt qu'à une autre couche de travail spécialisé.

Si VantageCloud, ClearScape Analytics, AI Unlimited et la nouvelle orientation de la plateforme de connaissances autonome peuvent maintenir ce travail accepté, Teradata a un rôle défendable. Si la modernisation ne fait que déplacer l'ancienne complexité dans un nouveau branding, les acheteurs continueront de chercher des substituts plus simples.