Franklin Templeton liderou a rodada de financiamento da série G, que em uma avaliação pós-dinheiro avalia a Databricks em US$ 28 bilhões. Outros investidores com credenciais de mercado público que se juntaram ao movimento foram Canada Pension Plan Investment Board, Fidelity e Whale Rock Capital. Do ponto de vista estratégico, é raro ver todos os quatro titãs da nuvem apoiando uma startup do setor. Amazon Web Services, CapitalG, Alphabet e Salesforce Ventures estão apoiando a Databricks pela primeira vez, enquanto a Microsoft se junta a outro grupo de investidores, que inclui BlackRock, Coatue, T. Rowe Price e Tiger Global.
A Databricks planeja usar esses fundos para acelerar sua presença internacional, afirma o CEO, Ali Ghodsi. Esse tipo de investimento é caro, diz Ghodsi, e exige que as empresas se adaptem às regulamentações de dados locais e aos requisitos de armazenamento, ao mesmo tempo em que localizam o produto e formam uma equipe local. “Isso nos permite acelerar e ser agressivos nesses grandes mercados. É quase como começar a empresa de novo”, afirma.
O financiamento chega em um momento em que a empresa, que fornece análise de dados e ferramentas de IA, ultrapassa US$ 425 milhões em receita recorrente anual, um crescimento de mais de 75% ano a ano. A Databricks foi criada por um grupo de acadêmicos e pesquisadores da Universidade da Califórnia e baseada na Apache Spark, uma ferramenta analítica de código aberto. A maioria dos mais de 5.000 clientes são pequenos, mas a maior parte da receita vem de empresas como Comcast, Credit Suisse, Starbucks e T-Mobile. Eles usam a Databricks como o que Ghodsi chama de “casa do lago de dados”, uma data warehouse ou “lago de dados” tradicional, com um “twist”. As empresas podem armazenar dados estruturados e não estruturados dentro da Databricks e, em seguida, colocar ferramentas de business intelligence ou de aprendizado de máquina.
Recentemente, a Databricks abriu sua receita para diferentes usos em sua plataforma, como ciência de dados e análise de negócios, no formato de verticais separadas. Isso também explica por que a Databricks, mesmo com uma avaliação de US$ 28 bilhões, preferiu permanecer fechada por enquanto. Ghodsi relembra quando a empresa lançou uma ferramenta de gerenciamento de dados chamada Delta. O produto foi lançado para os clientes sem custo adicional, o que prejudicou os números no curto prazo, mas gerou ganhos no longo prazo. “Por enquanto, estamos bem em sermos privados e estamos tentando tirar o máximo dessas estratégias antes de abrirmos o capital”, diz Ghodsi.
VEJA TAMBÉM: Após GameStop, Robinhood capta mais de US$ 3 mi e registra recorde em downloads
A Databricks tem a intenção de superar a Snowflake, que começou com o armazenamento de dados, um setor adjacente ao mundo de TI. Isso pode ser esquisito para os investidores mútuos das empresas – Franklin Templeton e Salesforce Ventures apoiaram ambos. O diretor administrativo da Franklin Templeton, Jonathan Curtis, diz que cada uma tem suas próprias áreas de força, em uma realidade de mercado em que nem sempre o vencedor leva tudo. “Não há outros fornecedores de ponta a ponta em um mercado tão grande que estão indo tão bem quanto a Databricks. Quando surgiu a oportunidade de investir neles, decidimos ir com tudo”, afirma Curtis. É aí que os fornecedores de nuvem estratégica se tornam importantes para coroar um campeão de longo prazo: enquanto a Snowflake e outros trabalham em estreita colaboração com os maiores provedores de nuvem, poucos podem dizer que têm o apoio de todos os quatro de uma vez, possibilitando a Databricks a estabelecer relações de confiança com todas essas grandes empresas.
Sempre que Ghodsi decidir iniciar um IPO, a empresa precisará fazer mais para conectar sua visão técnica de futuro com a realidade empresarial atual. Ghodsi admite que em muitas empresas a inteligência artificial não se mostrou útil e que até mesmo as ferramentas de análise de dados podem não corresponder às expectativas. “A verdade é que IA é apenas um espectro. Você pode ir muito longe com insights de dados básicos e eles não precisam ser máquinas automatizadas de aprendizado”, explica. “Com isso, é possível ter a extremidade realmente avançada do espectro, que é o aprendizado de máquina em produção.”
Siga FORBES Brasil nas redes sociais:
Facebook
Twitter
Instagram
YouTube
LinkedIn
Baixe o app da Forbes Brasil na Play Store e na App Store.
Tenha também a Forbes no Google Notícias.