Une data platform regroupe le stockage, le traitement et la gouvernance des données d'une entreprise. Le mot recouvre pourtant quatre architectures (data warehouse, data lake, lakehouse, data mesh) qui ne répondent pas aux mêmes besoins. Choisir un produit avant de choisir l'architecture renverse l'ordre des décisions.

Ce comparatif commence donc par une grille : quatre architectures, cinq critères (coût, gouvernance, temps réel, ML et IA en production, complexité), trois profils (BI-first, ML-first, agents IA). Viennent ensuite huit plateformes de données du catalogue Foxeet, un chiffrage de TCO tiré des exemples publiés par Snowflake et AWS, et des indicateurs de suivi.

Chaque fiche a été relue sur la page de l'éditeur le 20 octobre 2026. Les chiffres d'usage restent ceux des éditeurs.

Logiciels plateformes de données : classement 2026

1

Databricks

Databricks se décrit comme une plateforme unique pour les données, l'analytique et l'IA, et son glossaire donne l'exemple type du lakehouse : des tables transactionnelles posées sur le stockage objet d'un lac, avec Delta Lake comme couche de métadonnées. Sa page de prix ne publie aucun montant dans le texte lu : elle explique une facturation à l'usage, à la seconde, en unités de calcul (DBU), avec des contrats d'engagement pour obtenir des remises. Le stockage et le réseau relèvent du fournisseur cloud choisi. Sur Azure, les prix sont fixés par Microsoft.

Équipes data et ML qui veulent un seul socle pour la BI et l'IA À l'usage, en DBU (tarifs en liste)

Couverture fonctionnelle

2

Microsoft Fabric

Fabric est livré en SaaS et range ingestion, ingénierie, entrepôt, temps réel et Power BI sous un même toit. Tout passe par OneLake, un lac logique unique construit sur Azure Data Lake Storage Gen2 ; des raccourcis donnent un accès sans copie à Amazon S3 ou Google Cloud Storage. L'entrepôt de Fabric stocke ses tables au format ouvert Delta Lake. La facturation repose sur une capacité partagée en unités de capacité (SKU F2 à F8192), avec une minute minimum. Microsoft écrit qu'une réservation de un ou trois ans économise environ 41 % face au paiement à l'usage.

Organisations déjà équipées Microsoft et Power BI Capacité F2 à F8192, usage ou réservation

Couverture fonctionnelle

3

Dremio

Dremio vend un « lakehouse agentique » bâti sur Apache Arrow et sur un catalogue ouvert, Apache Polaris, pour les tables Iceberg. Sa page annonce des requêtes fédérées sur le stockage objet, des bases relationnelles et NoSQL sans ETL, et une optimisation automatique par « reflections ». Dremio Cloud tourne sur AWS (Azure annoncé comme à venir) à 0,20 $ l'unité de calcul DCU. Dremio Enterprise se déploie sur cloud, Kubernetes ou en local, sur devis. Les 2 000 entreprises et 150 000 utilisateurs cités sont des chiffres de l'éditeur.

Équipes qui veulent interroger un lac ouvert (Iceberg) sans le déplacer 0,20 $ / DCU (Cloud), devis (Enterprise)

Couverture fonctionnelle

Les entrepôts cloud rangs 4 à 6

4

Snowflake

La documentation décrit Snowflake comme un service géré : aucun matériel ni logiciel à installer, et impossible de le faire tourner en local ou sur un cloud privé. L'architecture sépare stockage, calcul et services cloud. Les entrepôts virtuels consomment des crédits à la seconde, avec une minute minimum à chaque démarrage. Quatre éditions : Standard, Enterprise, Business Critical et Virtual Private Snowflake. La gouvernance fine et le calcul multi-cluster arrivent avec Enterprise. Les tables Apache Iceberg et hybrides sont prises en charge.

Équipes SQL et BI qui veulent zéro infrastructure à gérer Crédits (2 $ dans l'exemple de la doc)

Couverture fonctionnelle

5

Google Cloud BigQuery

BigQuery est une plateforme d'analyse sans serveur : aucune instance à provisionner. Deux modèles de facturation du calcul coexistent. À la demande, on paie les Tio traités par chaque requête, le premier Tio de chaque mois étant gratuit. En capacité, on paie des emplacements (slots) à l'heure, dans trois éditions : Standard, Enterprise et Enterprise Plus. Les engagements d'emplacements durent un ou trois ans, par blocs de 50, dans les éditions Enterprise. Les requêtes en erreur ou servies par le cache ne sont pas facturées.

Équipes déjà sur Google Cloud, charges d'analyse irrégulières Par Tio traité ou par emplacement-heure

Couverture fonctionnelle

6

Amazon Redshift

Redshift se déploie en mode provisionné, à partir de 0,543 USD l'heure, ou sans serveur, à partir de 1,50 USD l'heure. Les nouveaux clients du mode sans serveur reçoivent 300 USD de crédit valables 90 jours. Le stockage géré (RMS) se facture 0,024 USD par Go et par mois dans la région USA Est (Virginie du Nord). La page chiffre un exemple complet : quatre nœuds rg.4xlarge, 40 To de RMS, 9 867,64 USD par mois à la demande. Redshift ML (CREATE MODEL) s'ajoute avec sa propre grille, par million de cellules.

Équipes déjà sur AWS (S3, Glue, SageMaker) Dès 0,543 USD/h (provisionné), 1,50 USD/h (sans serveur)

Couverture fonctionnelle

Plateformes d'entreprise et couche sémantique rangs 7 à 8

7

Teradata Cloud

La page lue présente Teradata Cloud comme le déploiement cloud de sa « Autonomous Knowledge Platform » sur AWS, Azure et Google Cloud. L'argument est la séparation de deux types de calcul : un calcul actif, permanent, pour le reporting opérationnel et les agents qui tournent en continu, et un calcul élastique, introduit en mai 2026, pour l'entraînement et les pics. Le calcul élastique lit les formats ouverts Iceberg et Delta. Teradata affirme que les plateformes uniquement élastiques (Snowflake, Databricks, BigQuery) créent de la variabilité de performance : c'est un argument de concurrent, non vérifié ici. Prix : devis.

Grands comptes avec charges opérationnelles continues, cloud ou hybride Sur devis

Couverture fonctionnelle

8

SAP Datasphere

SAP Datasphere est présenté comme un composant de SAP Business Data Cloud, chargé de conserver le contexte métier : sémantique partagée, produits de données, modélisation. La page cite l'intégration par lot, flux, réplication ou fédération, un graphe de connaissances, une place de marché de données et le partage sans copie avec des plateformes tierces. Les espaces virtualisés et gouvernés servent à répartir la propriété des données entre domaines : c'est le vocabulaire du data mesh. Aucun prix n'est affiché.

Clients SAP qui veulent garder la sémantique métier hors de SAP Non publié sur la page lue

Couverture fonctionnelle

Quatre architectures de data platform : ce que disent les sources

Un classement de produits répond mal à la question d'un acheteur, parce que le produit découle d'une architecture. Les pages lues en distinguent quatre. Le data warehouse est la plus ancienne : le glossaire Databricks rappelle qu'il sert la décision et la BI, mais qu'il convenait mal aux données non structurées ou très variées. Le data lake est venu y répondre avec du stockage objet bon marché pour la data science, au prix de l'absence de transactions et de contrôle de qualité (même source).

Le lakehouse cherche à additionner les deux : transactions ACID, schéma imposé et gouvernance posés sur des fichiers ouverts comme Parquet, à l'aide d'une couche de métadonnées telle que Delta Lake. Le data mesh est d'une autre nature : AWS le décrit comme une approche d'organisation autant que d'architecture, fondée sur quatre principes : propriété par domaine, données traitées comme un produit, plateforme en libre-service et gouvernance fédérée. Elle répond à un lac central dont l'équipe unique ne suit plus la croissance des producteurs et des consommateurs de données.

Précaution de lecture : le glossaire sur le lakehouse est écrit par un éditeur de lakehouse, et la page sur le mesh vient d'un fournisseur cloud. Les définitions sont reprises telles quelles, les jugements de valeur sont signalés comme tels. Les fiches Foxeet de Microsoft Intelligent Data Platform et d'autres plateformes décrivent chacune leur périmètre.

Grille de sélection : 4 architectures, 5 critères, 3 profils

Chaque cellule résume ce que les pages lues disent, et chaque note mesure la couverture documentaire : 3 si la source décrit la capacité comme native, 2 si elle la décrit avec une condition (édition, option, un seul acteur), 1 si elle signale une limite, 0 si les sources lues n'en parlent pas. Ce n'est pas un benchmark : aucune plateforme n'a été testée.

Les notes de couverture, avant pondération, sont les suivantes.

Les trois profils pondèrent les cinq critères de 1 à 5. Ces poids sont une hypothèse de calcul de la rédaction : remplacez-les par les vôtres, la somme se refait à la main. Pour BI-first : 5/4/2/1/4 ; pour ML-first : 3/3/3/5/2 ; pour agents IA : 3/5/4/4/3 (ordre des colonnes ci-dessus).

Lecture : sur cette grille, l'architecture la mieux documentée est Data warehouse pour un profil BI-first, Lakehouse pour un profil ML-first et Lakehouse pour des agents IA. Le data mesh arrive dernier partout, et la raison est la même : les sources lues décrivent des principes d'organisation, pas des performances ni des coûts. Il ne faut pas lire « mesh mauvais », mais « mesh non mesuré dans ces pages ».

Contrôle de sensibilité : avec des poids égaux à 1 partout, les totaux sur 15 sont Data warehouse 12, Data lake 9, Lakehouse 13, Data mesh 3. L'ordre des architectures dépend donc des poids choisis, ce qui est le but de la grille : elle se refait avec les vôtres.

Tableau comparatif : ce que chaque page déclare

Les cellules reprennent les pages éditeurs lues le 20 octobre 2026. « Non publié » veut dire que la page ne donne pas l'information, pas que l'éditeur la refuse. Aucun produit n'a été testé.

TCO sur 3 ans : deux exemples chiffrés par les éditeurs

Aucune étude Gartner, IDC ou Bain n'a été lue pour cette édition : ces rapports sont payants et leurs chiffres ne sont pas repris ici. Les deux seuls chiffrages complets disponibles dans les pages lues sont des exemples publiés par Snowflake (documentation) et par AWS (page de prix Redshift). Ils portent sur des charges différentes : ils ne se comparent pas entre eux.

Calcul : coût mensuel de l'éditeur x 36, sans variation de charge, de prix ni de remise. Les montants sont en dollars, hors taxes, tels que publiés.

Ces exemples laissent de côté quatre postes : la migration depuis l'existant, les licences d'outils tiers (ingestion, BI), le temps des équipes et le transfert de données sortantes (Snowflake facture la sortie vers une autre région ou un autre cloud). Les autres plateformes se chiffrent avec leur unité : Databricks en DBU par seconde, Fabric en capacité (une réservation permet des économies), BigQuery au Tio traité ou à l'emplacement-heure, Dremio Cloud au DCU. Teradata et SAP Datasphere ne publient aucun montant sur les pages lues.

Un point du document Snowflake mérite une vérification avant de recopier l'exemple : son texte parle de sept utilisateurs finance, alors que son tableau en compte cinq. Le total de 10 423 $ découle du tableau.

Quatre indicateurs pour juger une plateforme après la mise en production

Les sources lues ne publient aucune valeur de référence sectorielle pour ces indicateurs, et cette section n'en invente pas. Elle donne la formule, et l'unité que chaque plateforme expose pour la calculer.

Marché : deux opérations lues sur communiqués

Le 18 novembre 2025, Salesforce a annoncé avoir terminé l'acquisition d'Informatica, et fait entrer son catalogue, l'intégration, la gouvernance, la qualité, la gestion des métadonnées et le MDM sur sa plateforme (communiqué Salesforce, lu le 20 octobre 2026). Le 14 mai 2025, Databricks a annoncé son intention d'acquérir Neon, un éditeur de Postgres serverless, pour proposer une base transactionnelle aux développeurs et aux agents IA (communiqué Databricks). Le communiqué cite une télémétrie interne de Neon : plus de 80 % des bases créées l'étaient automatiquement par des agents. C'est un chiffre de la société rachetée, non recoupé.

Deux faits ne font pas un marché. Ils indiquent seulement que les plateformes de données ajoutent par achat la couche de gouvernance (Informatica) ou la base transactionnelle (Neon). Une consolidation chiffrée 2024-2026 demanderait les rapports Gartner, IDC ou Bain, qui n'ont pas été lus. Le rachat annoncé par Snowflake de Crunchy Data n'est pas repris, faute d'avoir pu lire son communiqué.

Six questions à poser avant de choisir une data platform

1. Quelle charge domine : tableaux de bord SQL, entraînement de modèles, ou agents qui interrogent les données ? La grille ci-dessus change de gagnant selon la réponse.
2. Qui paie le stockage ? Databricks et Redshift (stockage géré mis à part) ne le facturent pas comme Snowflake ou BigQuery.
3. Les tables sont-elles lisibles hors de la plateforme ? Dremio parle d'Iceberg, Fabric de Delta Lake, Teradata d'Iceberg et Delta.
4. Quel prix de l'unité de calcul figure au contrat (crédit Snowflake, DBU, DCU, capacité Fabric) et quel plafond de dépense est activable ?
5. Où tournent les données ? Snowflake ne s'installe pas en local ; Teradata annonce un déploiement hybride ; Dremio Enterprise se déploie sur site.
6. Votre organisation sait-elle distribuer la propriété des données ? Sinon le data mesh reste un principe d'organisation sans outil qui le remplace.

Méthode et limites de ce classement

Les 8 fiches viennent du catalogue Foxeet ; leur contenu a été relu sur la page de chaque éditeur le 20 octobre 2026. L'ordre regroupe les plateformes par architecture déclarée (lakehouse, entrepôts, plateformes d'entreprise). Il ne suit ni le volume de recherche ni un score : aucun produit n'a été testé et aucun éditeur n'a payé pour figurer ici. Les chiffres d'usage et de performance sont ceux des éditeurs, non recoupés.

Limites : seules des pages publiques ont été lues, pas les contrats ; la page de prix de Fabric et la liste de prix de Databricks n'affichent pas leurs montants dans le texte lu ; les rapports Gartner, IDC et Bain n'ont pas été consultés ; les produits de visualisation et de data science pure (Dataiku, Alteryx) ne figurent pas dans ce Top, qui traite des plateformes de stockage et de traitement.