Datadog（DDOG）業務拆局：卡位雲端遙測控制層，拆解 AI 可觀測性與高轉換成本護城河

1. 商業模式解構

Datadog 的生意本質，是把企業高度碎片化的技術遙測數據集中到一個多租戶雲端平台，再透過分析、關聯、告警、安全檢測及自動化工作流程變現。平台收集的數據包括指標、追蹤、日誌、用戶工作階段、安全訊號、資料庫狀態、網絡流量，以至大型語言模型及 AI Agent 的運行情況。

其收費結構並非傳統「買一張軟件牌照便任用」，而是以月度、年度或多年期訂閱為主，再按不同產品的價值單位計費。例如基建監控可以按主機數量，日誌管理可以按數據攝取及索引量，APM、Serverless、Synthetic Monitoring、用戶體驗及安全產品亦各有相應用量指標。客戶一旦超出合約承諾用量，便會產生額外消費。

這種模式的優勢，是收入能夠同客戶的雲端工作負載同步增長。企業增加微服務、容器、GPU、AI Agent 或數碼交易，往往同時推高遙測數據量。換言之，Datadog 不需要每次都重新爭取預算，其用量收入可以直接「跟住客戶個 stack 一齊坐大」。但反面是，經濟轉弱或企業進行雲端成本優化時，用量亦可能放緩，令季度增長較純席位制 SaaS 更具波動。

Datadog 最重要的增長機器，是典型的 land-and-expand。公司通常先以基建監控、APM 或日誌管理切入，再交叉銷售網絡監控、數碼體驗、安全、資料庫監控、開發者工具、事故管理、產品分析及 AI 產品。不同模組可以獨立採用，但放在同一數據模型內，能夠自動把前端錯誤、後端追蹤、基建異常及安全訊號串連，令多產品方案的價值高於各自相加。

數字已反映這套飛輪。Datadog 2025 財年收入約 34.27 億美元，按年增長 28%，毛利率約 80%；全年收入增量約四分之三來自現有客戶，而非新客戶。到 2026 年首季，公司收入首次突破 10 億美元，按年增長 32%，自由現金流約 2.89 億美元。同期約 56% 客戶使用四項或以上產品、35% 使用六項或以上產品、20% 使用八項或以上產品，顯示平台滲透仍然持續加深。

企業基因總結：Datadog 並非依靠一次性大額系統建置賺錢，而是透過低摩擦部署先取得數據入口，再利用用量增長、產品交叉銷售及工作流程整合，不斷提高每名客戶的終身價值。

2. 核心護城河深探

市場經常把 Datadog 的護城河簡化為「產品好用」或「介面靚」，但這類優勢容易被模仿。從巴菲特框架分析，Datadog 最接近結構性壁壘的並非成本優勢，而是以下兩項。

護城河一：由數據入口演化而成的高轉換成本

Datadog 的 Agent、標籤規則、服務地圖、儀表板、告警門檻、事故升級程序、SLO、安全政策及自動化流程，會逐步嵌入企業每日營運。一旦平台覆蓋整個技術堆疊，轉換供應商並不只是搬走歷史數據，而是要重建多年累積的營運語境、責任歸屬及跨部門協作流程。

更重要的是，Datadog 已由 DevOps 工具擴展至開發、營運、安全、產品、數據及管理層。使用部門愈多，替換決策涉及的持份者便愈多。這是一種「組織級轉換成本」：技術上未必不能遷移，但實際遷移所承受的停機風險、重新培訓及事故責任，足以令大型企業傾向延續現有平台。

護城河二：統一數據模型、整合廣度與遙測規模

Datadog 擁有超過 1,000 項預設整合，並以統一標籤及數據模型處理每小時數以萬億計的事件。其價值並不只是「收集更多數據」，而是能在同一語境下關聯指標、追蹤、日誌、用戶行為及安全訊號，將原本分散於多套工具的線索拼成一幅完整因果圖。

這亦構成 AI 時代的數據飛輪。通用編程助手主要閱讀程式碼，但 Datadog 的 AI Agent 可以同時接觸真實生產環境中的延遲、錯誤、依賴關係、資源消耗及安全訊號，因此提出的調查結論或修復方案，有機會較純程式碼模型更貼近實際運行情況。

不過，將這種優勢稱為「壟斷」並不恰當。Datadog 並不存在社交平台式、用戶愈多便令其他用戶直接受益的強網絡效應；更準確的說法，是其龐大遙測規模、跨產品數據及領域知識，形成數據學習效應與研發規模優勢。

護城河水位：屬於「深但動態」的護城河。轉換成本及統一數據平台相當扎實，但公司仍要持續投入研發，應對 Dynatrace、Cisco、Elastic、Grafana 生態及 AWS、Azure、Google Cloud 原生工具的競爭。OpenTelemetry 提高數據可攜性，亦意味單靠專有數據收集器已不足以永久鎖客。

Datadog 同樣未具明顯成本優勢。大量攝取、處理及保存遙測數據需要支付第三方雲端基建成本，2025 年毛利率由約 81% 回落至 80%，正好說明規模擴張不會自動轉化為無限邊際利潤。公司的溢價能力必須建基於更快排障、更少停機及更高工程生產力，而不是單純儲存數據。

3. 企業轉折與未來催化劑

Datadog 於 2010 年由 Olivier Pomel 與 Alexis Lê-Quôc 創立，最初要解決的核心問題，是開發團隊與 IT 營運團隊各自使用不同工具，面對事故時缺乏共同事實來源。公司早期由雲端基建監控切入，2017 年推出 APM，2018 年加入日誌管理，並首次把可觀測性的三大支柱——指標、追蹤與日誌——放進同一平台。

真正的戰略轉捩點正是 2018 年，而非 2019 年上市本身。完成三大遙測數據統一後，Datadog 由單點基建監控產品，轉化為可以持續增加模組的平台。其後公司依次進入用戶體驗、網絡、安全、資料庫、雲端成本、開發者體驗、服務管理、產品分析及 AI 可觀測性，商業模式亦由「賣一項工具」升級為「爭奪企業整個技術營運預算」。

未來一至兩年，最值得留意的催化劑主要有四個：

• AI 工作負載帶動遙測量結構性上升：模型調用、GPU、向量資料庫及多步驟 Agent 會產生大量新型數據。2026 年首季已有逾 6,500 名客戶向 Datadog 傳送一項或以上 AI 整合數據，這批客戶約佔公司 ARR 的八成。需要特別澄清：這不代表八成 ARR 由 AI 產品直接產生，而是代表公司最大的一批客戶已開始部署 AI，為後續交叉銷售提供高質素土壤。
• 由觀察走向自主執行：Bits Detection、Bits Investigation、Bits Code、Bits Release、Bits Testing 及 Bits Security Analyst，正把 Datadog 由資訊展示層推向執行層。若平台能可靠地自動發現、調查、修復及驗證問題，Datadog 可爭取的價值將由監控預算擴大至工程人力、生產力及安全營運預算。
• 大量早期產品進入規模化階段：截至 2026 年首季，Datadog 的 26 項產品中只有五項 ARR 超過一億美元，另有三項介乎五千萬至一億美元，其餘 18 項仍處較早階段。這代表公司的第二增長曲線並非只押注單一 AI 產品，而是有一整批可向既有客戶交叉銷售的選項。
• 受監管市場及第一方 AI 研發：FedRAMP High 認證打開美國聯邦政府高敏感工作負載，亦能強化金融、醫療等受監管客戶的信任。2026 年 6 月收購 Adaptive ML，則顯示 Datadog 希望利用真實生產遙測數據，研發具領域知識、可以持續學習的專用 Agent，而非完全依賴外部通用模型。

估值層面的關鍵，不只是 AI 故事能否推高短期收入，而是 Datadog 能否證明 AI 會令非 AI 客戶的產品採用與用量同步加速。2026 年首季非 AI 客戶收入增長已加快至約兩成半，而整體總留存率維持在九成半至九成高位；若這兩項趨勢延續，市場會更容易相信 Datadog 是 AI 基建受益者，而非只靠少數高消耗 AI 初創公司拉動。

相反，投資者亦要監察三個反證訊號：大型客戶主動削減日誌及遙測成本、產品採用率停止上升，以及新 AI 功能只能提升使用體驗、卻未能形成獨立付費意欲。Datadog 的護城河建於持續創新，若研發速度落後，其高估值溢價亦會較一般成熟軟件股更快收縮。

4. 常見問題 FAQ

Datadog（DDOG）商業模式是甚麼？公司主要靠甚麼賺錢？

Datadog 主要透過雲端 SaaS 訂閱及實際使用量收費。客戶會為基建監控、APM、日誌、安全、用戶體驗、開發者工具及 AI 可觀測性等產品付費；當主機、容器、日誌或應用程式工作負載增加，客戶消費通常亦會隨之上升。

Datadog 與 Dynatrace、Cisco Splunk、Elastic 及 Grafana 有甚麼分別？

Datadog 的強項是雲端原生部署體驗、產品廣度，以及把不同遙測數據放進統一平台。Dynatrace 在自動拓撲及大型企業環境具競爭力；Cisco Splunk 擁有深厚日誌及安全基礎；Elastic 與 Grafana 生態則在開放性、部署控制及成本彈性方面較具吸引力。不同企業的數據規模、合規要求及自建能力不同，並不存在所有情況下的單一贏家。

AI 可觀測性會否成為 DDOG 下一個主要增長引擎？

潛力相當大，但真正機會並不限於出售 LLM 儀表板。較具商業價值的方向，是同時監控 GPU、模型、數據管道及 AI Agent，再利用生產環境遙測自動調查和修復問題。Datadog 已具備客戶入口及數據基礎，但仍要證明這些 AI 功能可以形成持續收入，而非只作為現有產品的免費增值功能。

---

免責聲明：本文僅供商業邏輯探討與企業研究，不構成任何形式的投資建議。