挑战：在 Metabase 之前，Dribbble 使用了另一个商业智能工具，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向数据团队询问如何找到特定的图表。
解决方案： Dribbble 的数据科学总监在一次 dbt Coalesce 讲座中了解了 Metabase。他们最初实施了 Metabase 的开源版本，并发现他们的团队更容易探索数据和提出问题。最终，他们使 Metabase 成为公司唯一的商业智能工具。
结果： Metabase 使非技术团队成员能够轻松地提问和探索数据，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能力，而无需学习如何编写 SQL。"
查尔斯·拉里维耶
Dribbble 数据科学总监
Dribbble 是世界上领先的创意社区，创意人士在此分享、成长和求职。成立于 2009 年 7 月，Dribbble 已发展成为一个全球社区，有数千万人在此受到启发并与世界各地的设计师建立联系。截至 2020 年 1 月，已有近 1000 万张作品快照被分享，使 Dribbble 成为最活跃和最具参与性的设计社区之一。
2021 年，Dribbble 的数据团队决定从零开始重建所有分析堆栈。他们改变了数据仓库、ETL 工具，并转向 Metabase。之前他们所有的仪表板都是基于 SQL 的。
“我们最大的痛点是找到正确的信息，使用我们之前的工具时，由于它的基本单元是仪表盘，这变得更加困难。Metabase的基本单元是图表，这对我们来说非常吸引人。当我们的团队成员在寻找每日活跃用户时，他们不需要知道这个图表是否是流量仪表板或其他仪表板的一部分。” —— 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表示，他们自己管理开源软件并不难，但这仍然有些麻烦，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作为一个开源项目。）
Dribbble使用Snowflake进行所有数据仓库的存储，并使用dbt在Snowflake中建模数据。在Metabase中，他们只提供通过dbt建模和测试的数据。他们使用Snowplow来捕获人们如何与网站互动，以及Dagster从各种来源ETL数据。
Dribbble团队在公司内部使用Metabase进行所有业务智能。他们使用它进行财务报告、监控订阅指标、网站性能指标、用户增长等等。
所有打算由所有人共享和消费的内容都由他们的数据团队准备。但每个人都有权探索数据，深入挖掘，并保存他们自己的问题。
Dribbble的产品团队成员在Metabase上最为活跃。产品经理会对所有图表进行深入挖掘，以了解人们如何导航产品，或者哪个用户群体对某些指标的影响最大。
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都深入挖掘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，但除非你熟悉这种语言，而这并不是很多人的情况——你实际上无法真正完全理解问题的构建。” —— Charles Lariviere。
Dribbble团队还喜欢在Metabase中组织数据的方式。他们通过功能（财务、营销、产品工程等）创建顶级集合，每个集合都由逻辑文件夹组成。
有了Metabase，公司里的每个人都更容易找到问题的答案，并直接知道在哪里查找信息。Dribbble数据科学主管表示，与之前的企业智能工具相比，他们团队提出“在哪里找到这些信息？”这样的问题越来越少。
现在，整个团队都有能力深入挖掘，添加自己的筛选器、分组，并一般性地深入数据。
对于Dribbble来说，一个意想不到的好处是了解Metabase的API以及他们可以如何利用它。他们已经开始编写代码来自动化他们的工作流程，例如更新所有列的数据类型，以及在他们模型之间添加描述和外部键关系。他们还计划自动化指标和段落的创建，以便他们可以在版本控制的dbt配置文件中管理它们。
“我们越来越多地关注如何使用指标作为创建图表的基础。我们发现这非常强大——直接在表中定义指标，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，那么这种变化将在使用它的所有图表中反映出来。” —— Charles Lariviere。
