挑战： 在使用 Metabase 之前，Dribbble 使用过另一款商业智能工具，但该工具的原子单位是仪表板，这使得搜索特定问题变得复杂。他们的团队成员一次又一次地询问数据团队应该在哪里查找特定的图表。
解决方案： Dribbble 的数据科学总监在一次 dbt Coalesce 会议上听说了 Metabase。他们最初实施了开源版本的 Metabase，并发现团队成员更容易探索数据和提出问题。最终，他们将 Metabase 定为公司唯一的商业智能工具。
成果： Metabase 使非技术团队成员能够轻松地查询和探索他们的数据，而无需数据团队的帮助。
"Metabase 提高了数据的可访问性，并让团队中的每个人都拥有更多的能力，而无需学习如何编写 SQL。"
Charles Lariviere
Dribbble 数据科学总监
Dribbble 是全球领先的创意社区，供创意人士分享、成长和获得工作机会。Dribbble 成立于 2009 年 7 月，已发展成为一个全球社区，数千万人从中获得灵感，并与世界各地的设计师建立联系。截至 2020 年 1 月，Dribbble 已分享了近 1000 万张“镜头”（设计师作品快照），成为最具活力和参与度的设计社区之一。
2021 年，Dribbble 的数据团队决定从头开始重建他们所有的分析堆栈。他们更换了数据仓库、ETL 工具，并转向了 Metabase。在此之前，他们的仪表板都是基于 SQL 的。
“我们的主要痛点是找到正确的信息，而我们上一个工具的痛点是，仪表板是其原子单位，这使得这个问题更加困难。Metabase 的原子单位是图表，这对我们非常有吸引力。当团队中的某个人正在寻找每日活跃用户时，他们不需要知道这个图表是流量仪表板的一部分还是任何其他仪表板。”—— Charles Lariviere，Dribbble 数据科学总监。
Dribbble 最初部署了 Metabase 的开源版本，但后来迁移到了云版本。Charles 说，自己管理开源版本并不难，但仍然有些麻烦，而且他们还希望利用完整的企业/专业功能包。（此外，他们只是想支持 Metabase 作为开源项目。）
Dribbble 在所有数据仓库中使用 Snowflake，并通过 dbt 对 Snowflake 中的数据进行建模。在 Metabase 中，他们只提供通过 dbt 建模和测试过的数据。他们使用 Snowplow 捕获人们与网站的互动方式，并使用 Dagster 从各种来源提取数据。
Dribbble 团队将 Metabase 用于公司内的所有商业智能。他们将其用于财务报告、监控订阅指标、网站性能指标、用户增长等。
所有需要与所有人共享和消费的内容都由其数据团队准备。但每个人都可以探索数据、下钻并保存自己的问题。
Dribbble 产品团队成员是 Metabase 最活跃的用户。产品经理会大量下钻查看所有图表，以了解人们如何浏览产品，或者哪些用户细分群体对某些指标影响最大。
在大多数情况下，Dribbble 团队使用图形化查询生成器在 Metabase 中提出问题。他们更喜欢这样做，因为它更容易让任何人下钻并理解图表是如何创建的。
“在基于 SQL 的问题中，你可以看到查询是如何编写的，但除非你熟悉该语言（很多人都不是这种情况），否则你无法真正完全理解问题是如何构建的。”—— Charles Lariviere。
Dribbble 团队还喜欢 Metabase 的数据组织方式。他们按职能（财务、营销、产品工程等）创建顶级集合，每个集合包含逻辑文件夹。
借助 Metabase，公司中的每个人都能更轻松地找到问题的答案，并直接知道在哪里查找信息。Dribbble 的数据科学主管表示，与他们之前的商业智能工具相比，他们收到的来自团队的“在哪里找到这个信息？”这类问题大大减少了。
现在，整个团队都可以下钻、添加自己的过滤器、分组，并进行常规的数据挖掘。
Dribbble 的一个意外收获是了解了 Metabase 的 API 以及他们能用它做什么。他们已经开始编写代码来自动化工作流程，例如更新所有列的数据类型，以及添加描述和模型之间的外键关系。他们还计划自动化指标和细分市场的创建，以便在版本控制的 dbt 配置文件中进行管理。
“我们越来越多地将指标作为创建图表的基础。我们发现这非常强大——直接在一个表中定义指标，然后让所有图表都基于这些指标。这是一种保持图表一致性的好方法：如果我们决定更新指标，该更改将反映在所有使用该指标的图表中。”—— Charles Lariviere。
