DDOG earnings call summary

Prepared Highlights

• 营收9.1亿美元（CEO），实际Q1营收10.1亿美元（CFO），同比增长32%，环比增长6%，为2022年以来最强Q1（CFO）
• 非AI客户收入同比增速加速至25%左右（CEO），上季度23%，去年同期19%（CFO）
• AI原生客户群中，22个客户年化支出超100万美元，5个超1000万美元（CFO）
• 客户总数约33,200个，其中年化ARR≥10万美元的客户约4,550个（CEO），贡献约90%的ARR（CEO）
• 总ARR超过40亿美元（CEO）；季度营收首次突破10亿美元（CEO）
• 毛利率80.2%（CFO），上季度81.4%，去年同期80.3%
• 运营利润2.23亿美元，运营利润率22%（CFO），上季度24%，去年同期22%
• 自由现金流2.89亿美元，自由现金流利润率29%（CFO）
• 剩余履约义务（RPO）34.8亿美元，同比增长51%（CFO），当前RPO同比增长45%左右（CFO）
• 新客户年化签约额创历史新高，同比翻倍，平均落地规模也翻倍（CFO）
• 产品采用：56%客户使用4+产品（去年同期51%），35%使用6+（去年同期28%），20%使用8+（去年同期13%）（CEO）
• 5个产品年化ARR超1亿美元，3个在5000万至1亿美元之间，其余18个产品早期有增长潜力（CEO）

官方指引

• Q2 2026：营收10.7亿–10.8亿美元（同比29%–31%）；非GAAP运营利润2.25亿–2.35亿美元（运营利润率21%–22%）；非GAAP每股收益0.57–0.59美元（基于约3.69亿稀释股数）（CFO）
• FY 2026：营收43亿–43.4亿美元（同比25%–27%）；非GAAP运营利润9.4亿–9.8亿美元（运营利润率22%–23%）；非GAAP每股收益2.36–2.44美元（基于约3.72亿稀释股数）；资本支出及软件资本化合计占营收4%–5%；非GAAP税率21%（CFO）

管理层引用

• “这是一个非常强劲的2026年开局。”（CEO）
• “营收增长在客户群中广泛加速，包括AI和非AI客户。”（CEO）
• “客户流失率保持低位，总留存率稳定在95%–97%。”（CEO）
• “新客户年化签约额创造了历史新纪录，且大幅超过去年同期。”（CFO）
• “我们处于有利位置，能帮助现有及潜在客户推进云迁移、数字化转型和AI采用。”（CFO）

Prepared Metrics

Q&A Batch (1-5 of 5)

Q1 — Mark Murphy

• Topic: AI code generation driving raw data volumes and silicon heterogeneity as a tailwind
• Key points:
  • Olivier sees more applications created, more complexity in production, with an inflection point in customer consumption.
  • AI products and non-AI companies both show real movement to production.
  • Training workloads are democratizing; Datadog now sees training as a market, landing hyperscalers with homegrown silicon.
• Mgmt stance: Bullish — sees growing opportunity from heterogeneous silicon and increasing training workloads beyond inference.

Q2 — Sanjit Singh

• Topic: Macro backdrop, geopolitical risks, and agent-based usage impact on pricing model
• Key points:
  • Q1 was strong across industries and geographies; no particular effect seen in consumer/e-commerce.
  • David notes SMB was very strong; guidance discounts trends, with special treatment for largest customer.
  • Olivier states business model is usage-based and indifferent to human vs. agent usage; agents and human web interface usage both increasing.
• Mgmt stance: Neutral-to-bullish — no macro impact seen yet; pricing model flexible regardless of agent adoption.

Q3 — Raimo Lenschow

• Topic: Open-source competition vs. platform consolidation; sales capacity investments driving growth
• Key points:
  • Customers typically have 4-25 different tools; Datadog unifies them, saves money, and reduces blind spots.
  • Hyperscalers (who build custom solutions) are landing on Datadog to replace internal tools.
  • David cites platform adoption growth, product category expansion, and consolidation from open source and point solutions as key revenue drivers.
• Mgmt stance: Bullish — platform consolidation trend strong; sales capacity investments paying off, with outperformance vs. competitors.

Q4 — Gabriela Borges

• Topic: Inflection in training workloads; observability attach rate on training vs. inference
• Key points:
  • Training has shifted from artisanal research to production workload; it is now scaling and must be reliable, increasing Datadog’s opportunity.
  • 6,500 customers use Datadog’s integrations; 20% of customers represent 80% of ARR, showing strong attach.
  • David notes training is early-stage but will contribute; current evidence of attach is largely from inference.
• Mgmt stance: Cautiously bullish — training opportunity inflecting, but still early; larger attach seen in inference.

Q5 — Karl Keirstead

• Topic: Confidence in Q2 sequential dollar growth; ramp of large research lab customers
• Key points:
  • Q1 ARR add was broad-based and not concentrated; even excluding the largest Q4 customer, Q1 ARR add was a record.
  • David states recurring revenue model means previous quarter’s ARR growth is bedrock for next quarter.
  • A few Q1 landed customers have not yet contributed revenue but are expected to be big future contributors.
• Mgmt stance: Bullish — strong confidence from broad-based ARR growth and future ramping customers.

Q&A Batch (6-9 of 9)

Q6 — Fatima Boolani

• Topic: 资本强度与数据驻留投资
• Key points:
  • 公司大部分工作负载运行在云上，因此资本支出体现在运营支出中，资本支出水平较低。
  • 公司在研发和自建模型方面正在加大投资，但当前资本支出数据未受影响。如果情况改变，管理层会告知。
  • 数据驻留和主权方面需求增加，公司正投资于：(1) 在更多地理区域部署（如宣布在英国建设数据中心）；(2) 获得更多政府销售认证；(3) 自有云产品（bring your own cloud）以在客户基础设施上运行。
• Mgmt stance: 中性偏谨慎；强调当前资本支出结构未变，但已为应对需求变化进行实质性投资。

Q7 — Unknown Analyst

• Topic: 代理（Agent）安全性与FedRAMP认证
• Key points:
  • 安全性方面：公司自身在构建自动化代理，涉及权限、护栏、人机交互接口与可信可视性，这是重点投资领域。安全产品强调集成，而非单点解决方案。
  • FedRAMP方面：公司在获取认证的同时，多年来持续投资于市场推广功能（销售代表和渠道合作伙伴），目前已有投资，但还需进一步投入。
• Mgmt stance: 看涨；对代理安全性和FedRAMP机会均持积极态度，认为前期投资已到位。

Q8 — Patrick Edwin Colville

• Topic: 指引保守度与超大规模客户（Hyperscaler）使用情况
• Key points:
  • 指引方法论：对除最大客户外的所有业务，指引沿用一贯的折扣方法。对本季度的特定最大客户，管理层采用了比客户群其他部分更高的保守程度（折扣更多）。
  • 方法论未改变：这是与之前季度相同的指引方法论，并未更改。
  • 超大规模客户使用情况：这些客户广泛使用Datadog多个产品进行可观测性。新产品GPU监控引起了他们的兴趣，尤其是在训练工作负载方面。这被视为未来市场的“领头羊”信号。
• Mgmt stance: 中性偏谨慎；对指引方法论的解释清晰，强调无变化，同时对超大规模客户的新信号（GPU监控）表示看好。

Q9 — Peter Weed

• Topic: AI工作负载为何吸引超大规模客户使用Datadog
• Key points:
  • 核心原因：AI工作负载具有高风险、高复杂度且非核心的特点，客户无法承担延误，且自行构建难度极高。
  • 与过往不同：超大规模客户过去因有无限人手和自主时间线而常选择自建。但在AI领域，紧迫性迫使其重新评估什么是核心业务。
• Mgmt stance: 看涨；强调AI领域的紧迫性与高复杂度是促使这类客户选择Datadog的核心驱动力。