Pourquoi c'est un partenaire

• Partner of the Year 2023 — reconnaissance officielle AWS
• Integration native avec S3, Redshift, SageMaker, Glue, Athena
• Disponible sur AWS Marketplace — simplifie l'achat (budget cloud existant du client)
• Co-selling : les equipes AWS recommandent Dataiku quand le client cherche une couche ML/AI

Ce que Dataiku apporte sur AWS

La couche d'orchestration, de gouvernance et de democratisation que AWS ne fournit pas nativement. SageMaker est puissant mais tres technique — Dataiku le rend accessible aux profils business.

Pourquoi c'est un partenaire

• Integration native BigQuery, VertexAI, Cloud Storage, Dataflow
• CapitalG (fonds growth de Google/Alphabet) est investisseur dans Dataiku
• Reference phare : LVMH/Sephora AI Factory = GCP + Dataiku
• Marketplace GCP disponible

Ce que Dataiku apporte sur GCP

VertexAI est l'offre ML de Google mais reste tres orientee data scientists. Dataiku ajoute la couche collaborative et no-code qui manque a VertexAI pour toucher les analystes et le business.

Pourquoi c'est un partenaire

• Integration Azure ML, Blob Storage, Synapse Analytics, Azure SQL
• Disponible sur Azure Marketplace
• Beaucoup de grands comptes europeens sont sur Azure — Dataiku s'y integre nativement

Ce que Dataiku apporte sur Azure

Azure ML est puissant mais complexe. Dataiku unifie l'experience et permet aux equipes metier d'exploiter l'infra Azure sans passer par des notebooks ou du code Azure ML.

Pourquoi c'est LE partenaire cle

• Partner of the Year 3 ans consecutifs (2021, 2022, 2023)
• Snowflake stocke les donnees, Dataiku orchestre les pipelines et le ML par-dessus
• Snowpark integration — exécution du ML directement dans Snowflake (pushdown)
• Certifie Financial Services, Healthcare, Retail verticales
• Snowflake Ventures est investisseur dans Dataiku

Pourquoi pas concurrent ?

Snowflake tente de monter sur le ML (Snowpark ML, Cortex), mais reste un data warehouse. Dataiku est la couche d'orchestration et de democratisation. Pour l'instant : complementaires, pas concurrents. A surveiller si Snowflake pousse trop sur le ML natif.

Cote partenaire

• Partner of the Year 2023 chez Databricks
• Disponible dans Databricks Partner Connect
• Dataiku orchestre les jobs Spark sur Databricks nativement
• Beaucoup de clients ont les deux : Databricks pour le data engineering, Dataiku pour le ML et la gouvernance

Cote friction (concurrent indirect)

• Databricks pousse MLflow + Mosaic ML + Unity Catalog — sa propre stack ML end-to-end
• Sur les nouveaux deals, Databricks peut dire "on fait tout" et tenter de remplacer Dataiku
• Acquisition de Mosaic ML ($1.3B) = signal clair d'ambition sur le ML/GenAI

Integration dans Dataiku

• LLM Mesh — gateway centralise qui route les requetes vers OpenAI (ou d'autres) avec controle des couts, policies et audit
• Prompt Studio — interface visuelle pour designer et tester des prompts GPT sans code
• RAG pipelines — construction de chatbots et Q&A avec retrieval sur les donnees internes

Pourquoi integrer via Dataiku plutot qu'en direct ?

Gouvernance, tracking des couts, audit trail, switch de provider sans recoder, et mise en production industrialisee. Un POC OpenAI en notebook c'est facile — le mettre en prod avec governance, c'est Dataiku.

Integration dans Dataiku

• Disponible comme provider dans le LLM Mesh
• Meme interface Prompt Studio, memes pipelines RAG, changement de modele en un clic
• Argument : "on ne vous lock pas sur un seul LLM — vous testez Claude vs GPT et gardez le meilleur"

Integration dans Dataiku

• Import de modeles Hugging Face (LLMs, NLP, vision) directement dans les pipelines Dataiku
• Deploiement on-premise de modeles open-source — aucune donnee ne sort du SI client
• LLM Mesh supporte les modeles self-hosted via HF

Pourquoi c'est important

Secteurs reglementes (banque, defense, sante) veulent de l'IA generative SANS envoyer de donnees a OpenAI. Dataiku + HF = GenAI on-premise souveraine.

Comment ca s'integre

• Dataiku exporte des datasets enrichis/scores vers Tableau
• Les pipelines ML alimentent des dashboards Tableau automatiquement
• Tableau = la couche de visualisation, Dataiku = la couche de data prep + ML en amont

Positionnement

Tableau repond a la question "que s'est-il passe ?" (descriptif). Dataiku repond a "que va-t-il se passer ?" (predictif) et "que doit-on faire ?" (prescriptif). Pas le meme job.

Integration

• Export datasets et scores vers Power BI via connecteurs natifs ou bases intermediaires
• Tres courant chez les clients Microsoft-first : Azure + Dataiku + Power BI

A savoir en RDV

"Power BI c'est genial pour les dashboards. Dataiku fait ce que Power BI ne fait pas : du machine learning, du NLP, de la GenAI, et de la gouvernance des modeles. Les deux cohabitent parfaitement."

Integration

• Import de modeles MLflow dans Dataiku pour les deployer et les monitorer
• Export des experiments Dataiku vers MLflow pour les equipes qui l'utilisent deja
• Compatible avec les clients Databricks (MLflow est natif dans Databricks)

Positionnement

MLflow est un outil de tracking d'experiments. Dataiku est une plateforme complete. MLflow s'integre DANS Dataiku, pas l'inverse.

Integration

• Execution des recettes visuelles et code en Spark (PySpark, SparkSQL, Scala)
• Push-down sur Databricks, AWS EMR, Google Dataproc
• Les utilisateurs no-code beneficient de la puissance Spark sans le savoir

Integration

• Deploiement de modeles ML en API sur des clusters Kubernetes
• Auto-scaling des endpoints de scoring
• Compatible EKS (AWS), GKE (GCP), AKS (Azure)

Ou ca chevauche

• Training de modeles ML
• Deploiement d'endpoints de scoring
• Notebooks pour data scientists

Ou Dataiku gagne

• Accessibilite — SageMaker = 100% code/notebooks. Dataiku = visual + code
• Gouvernance — SageMaker n'a pas de couche de gouvernance transverse
• Collaboration — un analyste business ne peut pas utiliser SageMaker
• Cloud-agnostique — SageMaker lock sur AWS, Dataiku tourne partout

Ou ca chevauche

• AutoML, training custom, deploiement de modeles
• GenAI via Gemini et Model Garden

Ou Dataiku gagne

• Cloud-agnostique vs lock-in GCP
• Interface collaborative accessible aux non-data scientists
• Gouvernance enterprise transverse

Ou ca chevauche

• Training, deploiement, MLOps
• AutoML et notebooks

Ou Dataiku gagne

• Cloud-agnostique — Dataiku marche aussi sur AWS et GCP
• Interface visuelle plus aboutie — Azure ML reste tres technique
• Dataiku s'integre AVEC Azure ML, pas contre

Ou ca chevauche

• Plateforme data enterprise pour les grands groupes
• Orchestration de pipelines, ML, gouvernance
• Palantir AIP (AI Platform) — GenAI enterprise

Ou Dataiku gagne

• Prix — Palantir est 3-10x plus cher que Dataiku
• Autonomie — Palantir necessite souvent des consultants Palantir. Dataiku est self-serve
• Openness — Palantir est tres proprietaire, Dataiku est open et interoperable
• Data science — le coeur de Palantir est l'integration de donnees, pas le ML

La tension partenaire/concurrent

• Databricks est le lakehouse — excellent pour le data engineering et le stockage
• Mais pousse de plus en plus sur le ML avec Mosaic ML ($1.3B d'acquisition), MLflow, Feature Store, Unity Catalog
• Sur les nouveaux deals, Databricks peut proposer de tout faire en interne

Pourquoi Dataiku reste pertinent

• No-code/low-code — Databricks est 100% notebooks, inaccessible aux analystes
• Gouvernance — Unity Catalog c'est de la gouvernance DATA, pas de la gouvernance MODELES comme Dataiku
• Multi-cloud — Databricks lock sur un cloud, Dataiku orchestre plusieurs clouds
• Collaboration — un product owner ne peut pas travailler dans Databricks

Ce qu'ils font bien

• AutoML tres performant — generation automatique de modeles
• Time-to-model rapide pour des use cases standards
• Bonne couche de monitoring en production

Ou Dataiku gagne

• Breadth — DataRobot = AutoML uniquement. Dataiku = data prep + ML + GenAI + gouvernance + collaboration
• Flexibilite — DataRobot est une boite noire. Dataiku laisse coder quand on veut
• Data preparation — DataRobot ne fait pas de data prep, il faut amener les donnees propres
• Analyst-friendly — DataRobot cible les data scientists, Dataiku aussi les analystes et le business
• Gartner — Dataiku = Leader, DataRobot = Visionary (moins bien positionne)

Ce qu'ils font bien

• Data blending / preparation visuelle tres intuitive
• Large base installee chez les analystes business
• Adoption self-service forte dans les equipes finance et marketing

Ou Dataiku gagne

• ML avance — Alteryx fait du ML basique, Dataiku fait du deep learning, GenAI, NLP
• MLOps — Alteryx n'a pas de vrai deploiement en production ni de monitoring
• Enterprise governance — Alteryx est un outil desktop, pas une plateforme serveur gouvernee
• Scalabilite — Alteryx tourne en local, Dataiku scale sur le cloud

Pourquoi c'est LE terrain de chasse Dataiku

• Licences SAS = $100K-500K+ / an — enormement plus cher que Dataiku
• SAS est on-premise, proprietaire, et ne scale pas sur le cloud
• Les profils SAS partent a la retraite — plus personne ne veut apprendre SAS
• BNP Paribas migre de SAS vers Dataiku — reference cle

Arguments de migration

• Cout — division par 2 a 5 du cout de licence
• Talent — impossible de recruter des profils SAS, tout le monde connait Python
• Cloud — SAS ne tourne pas bien sur le cloud moderne
• GenAI — SAS n'a pas de LLM Mesh, pas de Prompt Studio, pas de RAG

Ce qu'ils font bien

• AutoML open-source de reference — tres utilise en recherche et Kaggle
• H2O Driverless AI — AutoML commercial performant
• Prix agressif par rapport aux autres plateformes

Ou Dataiku gagne

• Enterprise-ready — H2O est un outil de data scientist, pas une plateforme enterprise
• Collaboration — H2O n'a pas de couche collaborative no-code/low-code
• Data prep — H2O ne gere pas la preparation de donnees
• Governance — tres limitee chez H2O
• Go-to-market — H2O n'a pas la force commerciale de Dataiku

Ou ca chevauche

• Plateforme ML / data science enterprise
• Gouvernance IA (OpenPages, AI Factsheets)
• Pousses par les equipes IBM chez les clients existants

Ou Dataiku gagne

• UX — Watson Studio est complexe et peu intuitif
• Innovation — IBM est lent a integrer les dernières avancees (GenAI, LLM Mesh)
• Cloud-agnostique — Watson pousse IBM Cloud, Dataiku est partout
• Gartner — Dataiku est Leader, IBM est Visionary
• Momentum — les clients IBM migrent, ils n'arrivent pas

Ce qu'ils font bien

• 100% gratuit en version desktop — adoption academique tres forte
• Interface visuelle par noeuds — similaire a Dataiku en concept
• Communaute open-source active

Ou Dataiku gagne

• Enterprise — KNIME Server est peu deploye en entreprise, pas de vrais clients F500
• Cloud — KNIME est desktop-first, pas cloud-native
• MLOps — pas de deploiement en prod, pas de monitoring, pas de CI/CD
• GenAI — pas de LLM Mesh, pas de Prompt Studio
• Support — pas d'equipe commerciale enterprise