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。

Hunt, Gather 是一家总部位于奥斯汀的创意机构，其报告工具有限，阻碍了他们与客户共享深度绩效数据的能力。该机构迫切需要一种整体方法来报告其数字营销工作。他们需要一套工具来收集和分析数据，并最终生成关键见解，所有这些都在一个位置完成。开发团队此前曾自行构建过一些管道，但这些管道既耗时又昂贵。内部构建管道可能需要长达六个月的时间，而且该团队还在 ELT 平台上花费了大量资金，但事实证明这些平台效率低下。

IJsvogel Retail 是一家拥有近 130 年历史的荷兰宠物和园艺产品连锁店，该公司正在努力应对管理和利用其庞大且分散的数据的挑战。该公司拥有 180 多家商店、1,600 多名员工和 800 多名批发客户，生成了大量数据。然而，这些数据并未被有效利用来为业务决策提供信息。相反，旧的数据和日志文件经常被丢弃而不是编译和分析。该公司规模较小的 IT 部门发现很难在整个公司内推广新应用程序的采用。缺乏统一、可靠和稳定的数据源阻碍了公司做出明智的业务决策的能力。

Imperfect Foods 是一家致力于消除食物浪费的在线杂货商，在管理和利用其庞大的客户数据方面面临着重大挑战。由于拥有数十万客户和越来越多的数据源，该公司很难根据这些信息有效采取行动。由于缺乏客户数据的集中视图，因此很难了解哪些特征导致了高价值客户或哪些因素影响了客户的订购。 Imperfect Foods 需要一种方法来整合整个数据堆栈中的所有客户数据，以利用其进行营销激活，从而增加注册量和产品使用量。该公司的工程资源也有限，这使得情况变得更加复杂。

Involve.ai 是一个客户智能平台，由于无法有效地从多个数据源提取数据，因此在为客户提供客户整体视图方面面临着挑战。数据集成的过程非常耗时且耗费资源，而且数据模式不可靠且难以修改。该公司的客户需要针对其销售和交付流程量身定制的不同方法和特定应用程序，而以前的数据集成解决方案无法扩展以满足这些要求。由于无法访问源系统中的数据，Involve.ai 无法产生全面的见解，从而导致数据分析采用更加被动的方法。这些挑战包括无法产生全面而准确的见解、计划数据复制的自动化不灵活、无法在导入 Snowflake 之前执行数据转换以及上市时间较慢，从而限制了公司的增长率。

全球范围内的 Covid-19 大流行迫使世界各地的餐馆迅速转向送货和外卖服务。 ItsaCheckmate 帮助这些餐厅将来自各种订购应用程序的订单直接整合到其现有的销售点 (POS) 系统中，从而无需手动将订单传输到 POS 并在多个平台上管理菜单。随着业务的蓬勃发展，ItsaCheckmate 决定需要使用数据来维持客户的优质体验，并使支持人员能够处理订单的增加。数据是可用的，但公司以任何有意义的方式组织和管理这些数据的成本过高。 ItsaCheckmate 平台与 Uber Eats、Grubhub 和 DoorDash 等在线订购应用程序以及大型连锁店或小型夫妻餐厅可能使用的所有 POS 系统进行了数十种集成。当订单无法正确处理时，ItsaCheckmate 可以实时解决每个单独的错误，但分析师需要进行彻底、快速的事后分析，以解决导致这些错误出现的根本问题。对这些孤立数据的系统分析是一个手动过程，需要分析师将订单错误列表提取到 Excel 电子表格中，这个过程可能需要一天的时间。

捷蓝航空是一家大型航空公司，每天运营 900 多个航班，飞往 110 多个城市，该航空公司正在努力应对管理和分析其运营产生的大量数据的挑战。每个人、每个飞机和每个旅程都会生成数据点，这些数据点可以提供有关客户情绪、收入预测、燃油消耗、飞机维护和运营准备情况的见解。然而，来自 130 个不同系统的数据量巨大且难以组织。该航空公司需要一种能够集中这些数据的解决方案，以便可以轻松地进行分析和决策。面临的挑战是将所有这些数据快速准确地整合到一个平台中进行分析。

Kilo Health 是数字健康和保健领域的全球领导者，在快速扩张过程中面临着重大挑战。该公司在 2013 年成立时只有 7 名员工，现已发展到拥有 700 多名员工，管理着 30 多种产品，在全球拥有超过 500 万客户。这种快速增长导致数据点呈指数级增长，公司需要对其进行有效管理，以成为完全数据驱动的组织。我们面临的挑战是找到一个能够支持这种快速增长并为利益相关者提供明智且公正的见解的解决方案。

Kuda 是一家于 2019 年在尼日利亚推出的数字银行，六个月内客户数量增加了四倍。作为一家移动优先的数字公司，Kuda 认识到数据驱动的必要性，并认为现代数据堆栈对于实现其目标至关重要。最初，一个五人数据团队手动构建数据管道，并依靠 SQL Server Reporting Services (SSRS) 从事务数据库中提取见解。他们的数据被分成 12 个不同的 Azure SQL 数据库，无法成功连接内部源中的数据。该团队希望不再在 OLTP 数据库上运行 OLAP 查询，事实证明这是一项具有挑战性的任务。他们需要一个更具可扩展性的解决方案，使他们不必构建和管理数据管道。

Learnerbly 是一个学习和发展市场，在管理和利用其数据方面面临着重大挑战。该公司没有专门的数据组织，导致数据分散在不同部门。由于缺乏一致的事实来源，因此很难比较和证实不同来源的记录。连接跨数据源的记录也是不切实际的，这削弱了他们在整个生命周期中有效服务客户的能力。此外，工程师经常从产品开发转向数据操作。该公司需要更好地访问和控制其数据，以扩展和吸引企业客户，这些客户拥有更多的员工人数，并且对采用新平台的投资回报率的可见性有更严格的要求。

Lendi 是一家澳大利亚抵押贷款经纪人，其住房贷款结算金额超过 120 亿澳元，其数据管理面临着重大挑战。该公司的专有技术允许借款人搜索来自 40 多家贷方的 2,000 多种贷款产品，使其成为市场上的竞争者。然而，行业的竞争力以及在正确的时间在正确的数字平台上向正确的人提供正确的体验的需要需要对借款人的需求和偏好进行可靠、准确的洞察。问题在于，建立每个客户的准确档案需要利用 Facebook、Google 和 Bing 等第三方参与平台上的行为数据。 Lendi 可以随时获取这些数据，但每个平台的见解都是孤立的，并且不容易集成。即使可以将数据引入同一个存储库，数据结构也常常不一致，从而需要在使用数据之前清理数据。

Lufthansa Systems 是汉莎航空公司的一个部门，是航空业领先的 IT 服务提供商，为全球约 300 家航空公司提供服务。其产品之一是 Lido/FPLS（飞行规划服务），可在成本、燃油和时间方面优化航线，每年为客户带来数百万美元的额外利润。挑战在于，创建这些优化的飞行计划需要大量数据，包括最新的天气报告、空中交通数据以及航空公司特定的数据，例如航班时刻表、有效载荷、运行条件和合同汽油价格。 Lufthansa Systems 需要一种解决方案，使其中央数据存储库能够从这些数据源接收持续更新，并将优化的飞行计划和其他数据分发到每个客户的站点。

Malt 是一个在线自由职业者市场，其数据摄取过程面临着挑战，该过程减慢了分析速度。现有的定制摄取框架缺乏性能和可靠性，而且该公司花费了太多时间来调试数据管道。该公司的数据主管 Olivier Girardot 的任务是让小型分析团队能够利用更少的资源获取见解并为企业提供最大价值。该公司需要一种一致的、自动化的方法，可由两名工程师运行。主要目标之一是分析数字广告数据，以最大限度地提高广告支出。另一个挑战是监管合规性。 Malt 需要一种解决方案，在自由职业者的数据转移到数据仓库时保护其个人信息，确保其保存在欧盟范围内。

Memrise 是一款全球超过 5000 万人使用的语言学习应用程序，在识别客户参与度方面面临着重大挑战。尽管拥有强大的基于云的平台并致力于数据分析，但小型数据团队仍因编码、手动构建数据管道和修复损坏的 API 而不堪重负。随着客户群的增长，对更加集中的分析方法的需求变得越来越重要。该团队需要一种解决方案，让他们能够减少花在技术问题上的时间，而将更多时间花在分析数据上，以改善用户体验并推动业务增长。

Mighty Digital 是一家总部位于乌克兰的增长、分析和战略咨询公司，面临着帮助一家交通初创公司优化其广告预算效率、用户激活率和活动参与度的挑战。由于使用 Airflow 和 Python 转换构建的 ETL 管道效率低下，该初创公司对各种广告活动的成本效益没有清晰的了解。数据架构容易出错、丢失数据点，整体效率低下，导致广告结果不准确。现有的解决方案非常复杂，涉及将多个软件拼接在一起以创建一个无法提供任何见解的复杂架构。这导致缺乏数据洞察力、可靠性和可用性、营销活动和广告支出效率低下、无法将数据转化为客户保留优化，以及由于错误而降低对数据的信任。

MyCamper 是一家被喻为露营车领域的 Airbnb 的瑞士初创企业，在管理和分析其网络平台上收集的数据方面面临着重大挑战。该公司认识到这些数据的重要性，但最初的分析尝试既费力又耗时，需要从 Excel 电子表格中手动提取数据。事实证明，使用 Google Analytics 更容易，但范围有限。作为一家早期初创企业，MyCamper 有更紧迫的优先事项，并且缺乏手动构建数据管道的内部技能。这导致了需要填补的数据分析空白。该公司还努力以可检索分析的方式对数据进行历史记录。他们无法跟踪特定的数据集，无法将历史数据与当前数据进行比较，甚至无法拥有可比较的基线。