Elastic 在数据实践中面临挑战，包括多个事实来源、不一致的 BI 平台策略以及不同的定义。

GreenFlex 是欧洲环境管理服务、能源效率和环境影响管理领域的领导者，在管理和治理其收集的大量数据方面面临着重大挑战。该公司从客户那里收集能源消耗数据，并使用机器学习来识别消耗异常并制定能源策略。然而，随着数据量呈指数级增长，GreenFlex 需要一种简化的方法来管理和治理这些数据。该公司需要轻松、安全地访问数据，以进行数据探索、商业智能和机器学习用例。此外，GreenFlex 还维护三个未连接的工作区用于开发、暂存和生产工作负载，导致处理每个工作区中的表的安全性和访问控制变得复杂。这种设计还导致了这些工作空间中数据可用性的问题。

Grip 是一家为在美国各地运输易腐货物的电子商务企业提供服务的公司，每月通过其平台处理数十万份订单。该公司面临的挑战是处理和解释各种数据点，以提出最有效的运输建议。这些数据来自多个来源，包括 Shopify、ShipStation、不同的仓库管理系统、天气数据 API、承运商定价和交货时间跟踪以及 Zendesk 和 Dynamics 等客户支持系统。该公司需要整合这些数据来建议最佳的承运商、理想的制冷剂和绝缘材料、包装和材料以及其他运输物流。此外，交付完成后，Grip 需要发布分析结果，以便客户可以看到已发出的订单、它们去了哪里、该国出现瓶颈的地区以及该国表现良好的地区。

好时公司是零售和消费品行业的知名品牌，在数据管理和分析方面面临着挑战。尽管该公司在 2022 年实现了 100 亿美元的收入里程碑，但仍面临着数据源断开的问题，这阻碍了对数据的单一、一致的视图。这是做出快速、数据驱动的决策和保持领先市场变化的重大障碍。该公司的目标是建立一个商业数据存储 (CDS)，作为整个组织商业数据的单一事实来源。然而，好时公司维护单独的数据平台来处理主要零售客户的数据，这进一步加剧了好时公司数据环境的复杂性。

霍尼韦尔是一家全球特定行业解决方案提供商，在减少能源使用、降低成本和提高效率方面面临着越来越大的压力。他们的能源和环境解决方案部门使用物联网传感器和其他技术来帮助企业管理能源需求、减少能源消耗和碳排放、优化室内空气质量并改善居住者的福祉。这需要霍尼韦尔从全球数百万座建筑物中收集大量数据。这些建筑物配备了数千个传感器，用于监测温度、压力、湿度和空气质量等因素。除此之外，还从外部来源收集数据，例如天气和污染数据以及有关建筑物本身的信息。在高峰时段，霍尼韦尔每秒为任何建筑物采集 200 到 1,000 个事件，相当于每天数十亿个数据点。霍尼韦尔现有的数据基础设施难以满足这一需求，导致数据团队难以查询和可视化不同的数据，从而为客户提供快速、高质量的信息和分析。

Incite 是一家为全球最大的汽车制造商提供快速 OEM 汽车数据 (ROAD) 平台的公司，在处理测试车队生成的大量非结构化数据方面面临着重大挑战。这些数据对于构建更安全的自动驾驶汽车至关重要。然而，频繁的性能问题使得 Incite 难以提供客户可以轻松使用的车队行为指标。此外，客户必须花费数小时手动搜索各个文件以获取所需的数据，这大大减慢了产品开发速度。摄取 TB 级数据并使其在最终用户仪表板中可见的过程需要两到三周的时间，这是开发过程中的主要瓶颈。

InMobi 是一家专门从事定向移动广告的公司，该公司正在努力应对管理复杂的遗留基础设施和多云数据仓库的挑战。该公司的数据处理需求已升至每小时 20+ TB，导致成本飙升，并形成阻碍协作和数据共享的数据孤岛。其多云数据仓库的专有性质也带来了重大挑战。 InMobi 的现有系统过于复杂，容易出现中断，而且扩展成本极高。该公司意识到，他们当前的系统正在降低他们的创新能力，并使他们的工程资源被维护任务所束缚。 InMobi 寻求一个可以解决多个问题的单一系统，将其脱节的系统整合到一个平台中，并使工程师能够专注于更高价值的任务，例如开发机器学习和大型语言模型。

当 COVID-19 大流行扰乱医疗供应链时，全球医疗技术提供商 Integra Life Sciences 面临着重大挑战。该公司需要全面了解全球供需情况，以确保其产品可用于择期手术。然而，其老化的数据仓库限制了其供应链的敏捷性，导致访问使用模式、库存水平和质量问题等关键数据的延迟。遗留仓库系统 IBM DataStage 既耗时又不灵活，阻碍了公司快速响应不断变化的需求的能力。该公司需要一个能够及时洞察库存和需求的解决方案，使其能够更有效地交付产品。

Intelematics 是一家澳大利亚实时交通信息提供商，正在努力应对综合来自各种交通和移动来源的大量数据的挑战。该公司提供历史和实时流量趋势见解的能力依赖于将 120 亿行流量数据转换为可操作的见解。然而，之前使用的原生系统繁琐且费力，阻碍了不同团队之间的速度、效率和协作。该公司认识到需要放弃原有的本地基础设施，以满足不断增长的客户需求。面临的挑战是每 30 秒处理 120 亿个道路交通数据点，这些数据点来自商用和私家车上的数百万个传感器和物联网设备。本机系统阻碍了用于实时处理大量数据（例如交通模式、车辆移动和大量监控数据）的数据管道的速度和效率。

Iterable 是一家帮助品牌优化和人性化营销的公司，其数据基础设施面临着挑战。该公司需要为其客户构建个性化和自动化的客户体验，这需要利用多样化、复杂的数据集并促进机器学习模型的快速原型设计。然而，他们最初使用 AWS 原生工具（包括 EMR）构建的基础设施是资源密集型的，维护成本高昂，并且产生了大量的运营开销。这使得 Iterable 难以扩展支持客户需求和快速响应市场变化所需的数据摄取水平和机器学习模型的快速原型设计。此外，该公司的人工智能解决方案必须考虑到不同的数据变量、模型的漂移、新的监管变化以及对更多隐私保护不断增长的需求。

在过去的十年中，广播电视行业发生了重大变化，这很大程度上是由于流媒体服务的兴起。这些变化导致观众期望发生变化，人们现在希望能够随时随地在任何设备上观看各种高质量的节目。英国公共广播电视网络 ITV 面临着满足这些不断变化的期望的挑战，同时还要管理近 4000 万观众生成的大量内容数据。该公司之前依赖多个遗留数据平台，导致数据碎片化。其数据团队同样分散在营销、商业广告和产品体验领域，并拥有自己的技术堆栈。当该公司推出新的数字化战略时，很明显它需要对其平台进行现代化改造，并进行以数据为核心的大规模数字化转型。 ITV 寻求一个平台，使其能够整合其数据源并使用分析、机器学习、基于规则的算法和其他工具来了解观众的期望和行为并改善用户体验。

强生公司是一家全球消费品和药品供应商，在管理其供应链数据方面面临着重大挑战。该公司通过收购实现增长，形成了一个分散的数据系统，具有不同的优先级和独特的配置。数据主要是手动提取和分析的，限制了速度和可扩展性的机会。断开连接对客户服务产生了负面影响，并阻碍了战略决策。该公司还面临着在全球范围内优化库存管理和成本的挑战，这需要准确且丰富的数据。无法理解和控制支出和定价可能会导致对未来战略决策和举措的识别有限，从而可能错失实现 6MM 上涨空间的机会。

Kaltura 是一家提供直播、实时和点播视频 SaaS 解决方案的公司，面临着构建近乎实时的事件管道的挑战。数据团队的任务是根据用户设备发送的流事件创建新的数据产品。该管道需要捕获事件并将其直接写入数据湖，检测异常并通知利益相关者事件数量激增。数据工程团队最近从主要支持公司的云电视部门转变为为整个公司提供服务，他们的任务还包括用新的数据湖平台替换旧基础设施。

BizCover 是澳大利亚最大的在线商业保险提供商，在连接不同来源的数据方面面临着重大挑战。该公司的工程师团队必须使用自己的代码构建独特的连接器，每个连接器需要 40 到 80 小时的工程时间。这种方法最初在连接和同步数据库和 Google Analytics 中的数据时起作用。然而，随着数据源数量的增加，这项任务变得不堪重负。 BizCover 需要将数据从 20 多个数据源提取到其集中式 Snowflake 数据仓库中，每个数据源都需要自己的连接器。该公司的数据工程师正在管理这个主要是手动的流程，BizCover 需要更有效地传播他们从整个核心业务的数据中获得的见解。

Blend 是一家金融科技初创公司，其数据摄取流程面临着重大挑战。尽管采用了以 Redshift 为核心的现代数据堆栈方法，但事实证明，将数据移入和移出数据仓库是一项复杂且耗时的任务。从 Salesforce 中提取单个列或更改字段的过程可能需要数周时间，从而限制了对时间关键型数据的访问。该团队无法制作原型并快速迭代，必须直接发布到生产环境来测试他们的解决方案，这给运营团队带来了进一步的复杂性。随着公司的扩张，引入了 Asana、Marketo 和 Lever 等新工具来管理工作流程和流程，每个工具都需要在内部同步数据才能有效。由于数据工程团队的带宽有限，他们没有能力维护快速扩展的 SaaS 平台列表。这导致了一个决策点：致力于内部工具，还是寻找外部提供商。

CarOnSale 是一个面向汽车经销商的颠覆性泛欧洲平台，将数据视为其市场的关键差异化因素。作为一个在线平台，他们的目标是通过收集和分析汽车拍卖的数据来降低传统汽车交易的复杂性。这将为他们提供独特的市场情报。该公司认识到需要一个托管在云中的集中式架构来快速、大规模地收集和分析数据。他们探索了支持 ELT（提取、加载和转换）而不是传统 ETL 方法的不同选项。选择 Snowflake 作为基于云的数据仓库后，他们需要找到理想的数据集成解决方案。数据团队负责人 Aynaz Bagherynezhad 在之前的职位中曾使用 Fivetran，当 Snowflake 推荐它作为连接数据源的最佳方式时，这证实了她自己的经验。

Code2College 是一家旨在帮助少数族裔和低收入学生实现科技/STEM 职业的非营利组织，在管理和分析学生数据方面面临着挑战。该组织的数据，包括学生出勤率、成绩和教师的投入，保存在电子表格中或通过口碑收集。这种方法效率低下且耗时，特别是当需要有关学生表现的具体数据或学生群体的整体视图时。该组织使用 Salesforce 进行运营，使用 Canvas 作为学习管理工具。然而，从这些平台提取信息来回答单个问题需要一天的工作，考虑到数据团队规模较小，这是站不住脚的。该团队希望使用 Google 的 BigQuery 数据仓库工具集中数据，以简化检索并加快对学生需求的响应。然而，挑战在于如何将数据从 Salesforce 和 Canvas 等平台传输到 BigQuery。

康泰纳仕 (Condé Nast) 是一家全球媒体领导者，拥有 37 个品牌，覆盖数百万消费者，面临着管理和货币化其数字资产生成的数万亿数据点的挑战。该公司缺乏管理和维护数据集成源的中央机制，导致下游消费者无法轻松获取数据。在全球范围内集成更多资源的需求持续增长，而使用自定义脚本将数据拉入数据湖的成本却令人望而却步。每个营销技术平台都有自己的 API、数据结构和其他需要自己的自定义脚本的属性。动态创建连接器并持续管理它们是不可扩展的，这给公司带来了重大挑战。

Coupa 是一家商业支出管理 (BSM) 公司，提供一个云平台，可数字化和整合各个部门的支出信息，从而创建有关支出行为的可行见解。然而，Coupa 面临着其平台和客户使用情况数据的挑战。数据是孤立的，阻碍了更好的洞察和决策。收集这些数据并将其提供给相关人员的过程非常复杂、成本高昂且占用大量资源。 Coupa 投资了一个数据团队来管理其数据，目标是将数据从各种来源提取到一个地方，以创建可操作的见解。然而，分析策略尚不成熟，并且主要由临时程序组成。如果用户体验设计师想知道客户如何与特定功能交互，他们必须要求工程团队从头开始构建脚本，这个过程可能需要数周时间。

Chris Klaczynski 是 Databricks 的营销分析经理，其任务是支持推动管道生成、扩大数据库和提高投资回报率等主要营销目标。然而，随着 Databricks 的迅速扩张，对集中化和记录数据的需求变得越来越明显。数据孤岛出现在企业周围，包括克里斯的营销团队，数据存储在自己的数据仓库中。为克里斯新建的仪表板提供可靠、及时的数据对于营销运营保持平稳运行至关重要。然而，如果没有专门的工程资源，并且面对迅速扩大的营销团队，根据需求进行扩展几乎是不可能的。 Databricks 的传统数据仓库面临着许多挑战，包括 Salesforce 和 Marketo 管道的问题、将数据本地附加到现有表的问题，以及总是破坏管道的架构更改，导致中断和陈旧、不可信的数据。

Daydream 是一家早期初创公司，为现代企业的利益相关者提供财务见解。该公司的业务建模和规划工具通过将通常孤立的流程和数据源整合在一起，实现了对财务信息的访问民主化。然而，Daydream 的工程主管 Shubham Sinha 面临着一个关键的决定。该初创公司的成功取决于其将大量数据从客户基于云的业务系统（每个系统都有自己的登录凭据和访问挑战）转移到 Daydream 平台进行分析的能力。这两种选择是要么要求客户提供其业务系统的登录凭据（这会带来潜在的安全风险），然后使用定制的数据管道来加载数据，要么依靠 Fivetran 来代理凭证共享交换并使用其预置数据来加载数据。 - 构建数据管道。维护也带来了挑战，因为每个云平台都有自己的 API、流程和数据结构，其中许多需要通过脚本进行自定义集成。

丹佛野马队是一支成功的职业橄榄球队，在维护数据管道方面面临着重大挑战。该团队的票务策略和分析高级总监 Clark Wray 和他的精益团队在自制数据集成上花费了过多的时间。每当原始数据源或 API 发生变化时，就会破坏它们建立的数据连接，通常会导致信息流中断数小时。如果这些问题没有得到及时解决，企业将面临使用不准确数据进行运营的风险。此外，该团队不断添加新的数据源来沟通和接触下一代粉丝。对于他们来说，连接和集中 Dynamics 365 中的电子邮件数据、Eloqua 中的营销自动化数据以及 Qualtrics 中的粉丝反馈至关重要。

DOUGLAS 是欧洲领先的高端美容平台，在成为“数字第一”企业的过程中面临着重大挑战。该公司现有的基础设施和流程，尤其是商业智能 (BI) 和数据分析方面的基础设施和流程，并未达到标准。收集数据的系统分散，过度依赖电子表格和手动输入，无法扩展。缺乏集中式、自动化的数据收集和分析系统阻碍了公司的发展及其从数据中获得有价值的见解的能力。

波兰快递市场的领导者 DPD Polska 面临着现有数据管理系统的挑战。该公司使用一系列本地 PostgreSQL 和 Microsoft SQL Server 数据库来跟踪其卡车、包裹和人员。然而，一系列自定义 SQL 数据库阻碍了 DPD 及时生成报告、满足灾难恢复时间目标、测试新数据和分析产品、扩大收入并增加客户群。例如，DPD 的数据库之一具有三种不同的使用上下文。该公司需要一种不会影响其源系统的基于日志的复制解决方案。主要痛点是复制时间滞后、手动数据分发出错的风险，以及需要更大的灵活性、更高的可靠性和更高的操作可扩展性。

Engel & Völkers 是一家著名的优质住宅地产和商业地产经纪商，在整合各种数据源方面面临着重大挑战。该公司的数据工程团队被来自不同部门的数据集成请求淹没。创建定制解决方案来响应这些请求的过程是资源密集型的，导致任务的优先级和无法满足不断增长的请求数量。该公司迫切需要一种工具，可以减少集成新数据源所需的工作量并实现更快的数据集成，从而促进组织内更广泛地采用自助服务分析。

Frontify 是一个帮助公司发展品牌的平台，在为其数据构建单一事实来源方面面临着重大挑战。该公司需要了解人们如何与其平台互动，以优化用户体验和资源分配。然而，他们的数据分析团队规模较小，数据基础设施不稳定。他们依靠自定义 Python 脚本将数据从业务应用程序提取到 MySQL 数据库中，这通常会导致数据缓慢且不完整。他们的 BI 工具用户不友好且速度慢，导致员工不愿意使用它。数据团队承担着更新报告和仪表板的任务。为了解决这些问题并真正实现数据驱动，Frontify 需要一个可扩展且强大的数据堆栈，可供所有人访问。

群邑是一家总部位于奥斯陆的全球媒体机构，在为客户收集和分析数据方面面临着挑战。该机构为 200 多家客户提供服务，并为集团内的其他机构提供共享服务，该机构正在使用 Supermetrics 将营销数据直接提取到 Google 表格中。然而，这种方法被证明效率低下且存在问题。管道偶尔会由于难以检测的问题而失败，并且电子表格存在格式问题以及手动错误。在 GroupM 的数据仓库 Google BigQuery 中准备数据进行分析是一项劳动密集型工作，而且客户要求更快地获得更多见解。一位客户拥有涵盖零售和酒店的广泛业务组合，正在寻找能够处理历史数据分析和日常报告的仪表板。群邑决心寻找更稳健的解决方案。

Hashtag You 是一家直接面向消费者的电子商务领域的品牌创建者，在利用和构建组织内的数据方面面临着重大挑战。作为一家数据驱动的公司，在营销、产品和客户分析以及运营分析中使用分析对其业务模式至关重要。最初，Hashtag You 通过 Google Sheets 和自行创建的数据管道实施了多个零碎的解决方案。然而，该公司很快意识到需要一种集中且可扩展的数据摄取方法。挑战不仅在于建立强大的数据管道，还在于快速轻松地连接新的数据源。该公司需要一个允许非数据专家建立这些联系的解决方案。此外，该公司必须管理各种平台上的广告，结合营销和网上商店数据，与其他数据管道链接，并分析活动绩效。

HOMER 是一家早期学习公司，其数据管理面临着重大挑战。尽管该公司的根基是数据驱动的，但当 Joe Nowicki 于 2021 年 2 月加入担任数据和洞察副总裁时，数据和分析架构被认为处于基础阶段。该公司的数据团队花费了大量时间构建 ETL 管道，这是一个费力且耗时的过程。扁平化和维护 Stripe 数据每月要花费团队数十个小时，阻碍他们为更广泛的组织增加价值。遗留数据实践导致了一种不信任感，领导者无法依赖仪表板视图和不明确的商业智能。获取及时的数据至关重要，但却缺乏。对整个数据基础设施进行了多次设想和修订，最终选择了 Databricks 的 Delta Lake，为未来的机器学习应用程序设置 HOMER。

Houseware 是一家员工不足 20 名的软件开发公司，在为其客户提供构建内部数据产品的平台和工具包方面面临着重大挑战。该公司的目标是超越一般分析和数据可视化工具的范围，提供 ARR、NRR、客户流失、转化率和其他 KPI 等指标。然而，他们因缺乏数据洞察力、可靠性和可用性而苦苦挣扎。他们的营销活动效率低下，无法将数据转化为客户保留优化。由于错误，对数据的信任度正在下降。用户必须学习数据分析工具和数据库方法，例如表连接，并从头开始开发自定义指标。数据仪表板和分析经常出现故障，需要很长时间才能产生结果，或者需要太多的自定义编程。糟糕的 API 和数据管道限制了开发人员为满足客户需求而构建的分析类型。这些工具产生的见解没有任何可行的建议，并且构建数据连接器需要大量的编程时间和精力。