挑战：在 Metabase 之前，Dribbble 曾使用过另一种商业智能工具，但该工具的最小单位是仪表盘，这使得搜索特定问题变得复杂。他们的团队成员一遍又一遍地向数据团队询问在哪里查找特定图表。
解决方案：Dribbble 数据科学总监在 dbt Coalesce 讲座中听说过 Metabase。他们最初实施了 Metabase 的开源版本，发现他们的团队更容易探索数据和提出问题。他们最终使 Metabase 成为公司唯一的商业智能工具。
结果：Metabase 使他们的非技术团队成员能够轻松地查询和探索数据，而无需向数据团队寻求帮助。
"Metabase 提高了数据的可访问性，并为团队中的每个人提供了更多的功能，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、成长和求职。Dribbble 成立于 2009 年 7 月，已发展成为一个全球社区，数千万人在这里获得灵感并与世界各地的设计师建立联系。截至 2020 年 1 月，已分享近 1000 万张设计师作品快照，使 Dribbble 成为最多产、最活跃的设计社区之一。
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，并过渡到 Metabase。以前他们所有的仪表盘都是基于 SQL 的。
Dribbble 数据科学总监 Charles Lariviere 说：“我们主要的痛点是寻找正确的信息，这在使用我们上一个工具时更加困难，因为它的最小单位是仪表盘。Metabase 的最小单位是图表，这对我们来说非常有吸引力。当我们的团队成员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盘还是任何其他仪表盘的一部分。”
Dribbble 最初部署了 Metabase 的开源版本，但后来迁移到了云版本。Charles 说，自行管理开源版本并不太难，但仍然有些麻烦，而且他们也想利用完整的企业版/专业版功能包。（此外，他们只是想支持 Metabase 作为一个开源项目。）
Dribbble 使用 Snowflake 进行所有数据仓储，并使用 dbt 在 Snowflake 中建模数据。在 Metabase 中，他们只提供经过 dbt 建模和测试的数据。他们使用 Snowplow 捕获人们如何与网站互动，并使用 Dagster 从各种来源提取、转换和加载 (ETL) 数据。
Dribbble 团队将 Metabase 用于公司内部的所有商业智能。他们将其用于财务报告、监控订阅指标、网络性能指标、用户增长等等。
所有旨在与所有人共享和消费的内容都由他们的数据团队准备。但每个人都可以访问数据，进行钻取，并保存自己的问题。
Dribbble 产品团队成员在 Metabase 上最活跃。产品经理会大量深入研究所有图表，以了解人们如何浏览产品，或者哪些人群对某些指标影响最大。
在大多数情况下，Dribbble 团队使用图形查询构建器在 Metabase 中提出问题。他们更喜欢这种方式，因为它更容易让任何人深入了解图表是如何创建的。
Charles Lariviere 说：“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（这对于很多人来说并非如此），否则你无法真正完全理解问题是如何构建的。”
Dribbble 团队还喜欢 Metabase 中数据的组织方式。他们按功能（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。
有了 Metabase，公司中的每个人都能更容易地找到问题的答案，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，他们团队提出的“在哪里找到此信息？”这类问题越来越少。
现在整个团队都有能力进行下钻，添加自己的过滤器、分组，并全面深入研究数据。
Metabase 给 Dribbble 带来的一个意想不到的好处是了解 Metabase 的 API 以及它可以实现的功能。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，以及在模型之间添加描述和外键关系。他们还计划自动化指标和分段的创建，以便在版本控制的 dbt 配置文件中对其进行管理。
Charles Lariviere 说：“我们正越来越多地研究如何将指标作为创建图表的基础。我们发现这非常强大——直接在表格中定义指标，然后让所有图表都基于这些指标。这是保持图表一致性的好方法：如果我们决定更新指标，该更改将反映在使用该指标的所有图表中。”
