在过去的十年中，数据工具有了 "寒武纪大爆炸"。每个数据工具都在不同的层面上解决了一个新的问题--但在我看来，"数据驱动的决策 "这个最终的问题与其说是由BI工具解决的，不如说是由人和流程解决的。
Creation > Ingestion > Warehouse > DE / Modeling > Consumption
其中消费包括 BI / 分析、实验和 ML。
每个工具都有某种形式的批评，因为通常情况下，团队最终没有按照创造者建立、设想、甚至验证的方式来使用它们。这有悖于良好的产品原则，但在我看来，这是事实数据工具是复杂的混合物，与消费者应用程序不同，让界面和过程 "令人愉快 "真的很难。如果 "用户 "层（又称DS、DE、DA成熟度）存在问题，或者用户无法获得足够的价值，那么这甚至可能是无法实现的。
关于什么会导致数据工具的成功的一些假设（即成功=团队感觉/相信/衡量他们是一个数据驱动或知情的组织）。
- 作为工具采用和入职的一部分，对行为变化的教育有强制功能（例如，looker建模语言，工作流程的DBT）。
- 对 "咨询 "的高投资--例如销售工程、承包商、入职培训，以推动行为改变。不具有可扩展性--但对某些数据产品有效。
- 筛选出那些已经是数据成熟的组织/公司（例如airbnb--它有一个有原则的数据组织），但在这种情况下，他们很可能用他们现有的工具做得很好。
- 有明确结果的利基市场，例如，用amplitude进行漏斗分析，用crashlytics进行碰撞分析，用Interana进行序列分析。
#＃1，＃2，＃3 - 都很难实现，这让我们把＃4作为推动数据工具成功的可能的可行选择。
总而言之，有两大类数据工具：
通用数据工具和行为变化数据工具。
- 通用数据工具被大量采用（因为它们通常在信息/平台层--尽管不一定），它们的成功在很大程度上取决于组织的数据成熟度。这些工具必须在它们所做的事情上非常出色，例如，fivetran或airbyte需要对支持的源和汇有很高的覆盖率，或者例如bigquery需要对PB级的数据有疯狂的速度。
- 行为改变工具的例子包括dbt（他们的口号是--"改变数据，改变团队"），或者任何能够实现特定分析需求的BI工具，例如amplitude funnel分析。