挑战： 在使用 Metabase 之前，Dribbble 一直使用另一种商业智能工具，但该工具中的最小单元是仪表板，这使得搜索特定问题变得复杂。他们的队友会反复询问数据团队，在哪里可以找到特定的图表。
解决方案： Dribbble 的数据科学总监在 dbt Coalesce 演讲中听说了 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。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质疑和探索他们的数据，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 是全球领先的创意人士社区，供他们分享、成长和获得聘用。Dribbble 成立于 2009 年 7 月，现已发展成为一个全球社区，数千万人在此获得灵感并与世界各地的设计师建立联系。截至 2020 年 1 月，已分享了近 1000 万张快照（设计师作品的快照），这使 Dribbble 成为最多产和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其所有分析堆栈。他们更换了数据仓库、ETL 工具，并过渡到 Metabase。以前，他们的所有仪表板都是基于 SQL 的。
“我们的主要痛点是找到正确的信息，这在我们的上一个工具中更加困难，该工具以仪表板作为其最小单元。Metabase 的最小单元是一个图表，这对我们非常有吸引力。当我们团队中的某个人正在寻找每日活跃用户时 - 他们不需要知道此图表是否是流量仪表板或任何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，然后迁移到了云版本。Charles 说，自己管理开源版本并不太难，但这仍然有点麻烦，而且他们还想利用完整的企业版/Pro 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 进行所有数据仓库存储，并使用 dbt 对 Snowflake 中的数据进行建模。在 Metabase 中，他们仅提供通过 dbt 建模和测试的数据。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 ETL 数据。
Dribbble 团队在公司内部的所有商业智能方面都使用 Metabase。他们将其用于财务报告、监控订阅指标、网站性能指标、用户增长等等。
所有旨在由每个人共享和消费的内容都由其数据团队准备。但每个人都可以访问以探索数据、向下钻取并保存他们自己的问题。
Dribbble 产品团队成员是 Metabase 上最活跃的用户。产品经理会深入研究所有图表，以了解人们如何浏览产品，或者哪个细分人群对某些指标的影响最大。
在大多数情况下，Dribbble 团队使用图形化查询构建器在 Metabase 中提出问题。他们更喜欢这样做，因为这对于任何人来说都更容易向下钻取并了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（这对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。”- Charles Lariviere。
Dribbble 团队也很喜欢在 Metabase 中组织数据的方式。他们按职能部门（财务、市场营销、产品工程等）创建顶级集合，每个集合都由逻辑文件夹组成。
借助 Metabase，公司中的每个人都可以更轻松地找到他们问题的答案，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“在哪里可以找到此信息？”之类的问题减少了。
现在，整个团队都能够向下钻取、添加自己的过滤器、分组，并全面深入挖掘数据。
Dribbble 的意外收获之一是了解了 Metabase 的 API 以及他们可以使用它做多少事情。他们已开始编写代码以实现工作流程自动化，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细分的创建，以便他们可以在版本控制的 dbt 配置文件中对其进行管理。
“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，则该更改会反映在使用它的所有图表中。”- Charles Lariviere。
