StubHub、Figma、Reddit：企业BI新范式（Hex）

博客

StubHub、Figma、Reddit：企业 BI 的新模式

企业数据团队如何重新思考商业智能，从预构建仪表板到 AI 原生的自助服务。

Hex 团队

数据团队

2026 年 10 月 8 日

多年来，企业中的商业智能（BI）工具一直遵循着一个熟悉的模式。数据团队构建仪表板，业务用户在其中点击浏览，而任何更复杂的事情都交回数据团队处理。

这导致了大量仪表板、极少的自助服务，以及数据团队积压着大量请求。对许多人来说，这就是 BI 的运作方式。

正如 Reddit 分析工程负责人 Paul Raff 所说：“[这就像]这是你查看顶层数据的仪表板。这是你想深入查看时去的另一个仪表板。然后你不得不千方百计地把它们连接起来，而这种方式从来都没真正行得通。”

但如今有了 AI，人们对 BI 的期望已经改变。

业务用户希望用自然语言提问、探索后续问题，并构建他们所需的东西，而无需排队等待或学习某个界面。在大多数企业中，无论数据团队是否认可，这些 AI 工作流都已经出现了。

对 Stubhub 数据负责人 Meghana Reddy 来说，这促使她需要“赋予业务用户回答自己问题的能力，以及随心所欲深入探索他们自己感兴趣领域的自由。”

在 StubHub（NYSE: STUB）以及像 Reddit（NYSE: RDDT）、Figma（NYSE: FIG）和 Ramp 这样的其他大型公司，这意味着彻底重新思考他们的 BI 方法。

AI 如何改变自助服务的含义

在当今世界，业务用户正把电子表格丢进 ChatGPT 和 Claude，并以 vibe-coding 方式制作仪表板。而且随着 前沿模型的能力逐月提升，智能体越来越能够承担此前横亘在问题与有用答案之间的大量技术工作。

对企业而言，挑战在于如何解锁这些日益 AI 原生的工作流，同时不放弃使其能够大规模可行所需的信任和共享治理。

在 StubHub，使用 Hex 中的 Threads 进行对话式自助服务，一直是在全公司范围内以可控方式扩展数据访问的核心。

Threads 正好切中了我们对智能体 AI 用于自助分析的预期增值。它让我们能够加速核心分析路线图事项，而且我们已经在全公司范围内看到了立竿见影的成功。

Connor S. — StubHub 分析工程总监

Stubhub 的非技术用户无需提交工单或拖放操作，他们只需用自然语言提问，并就发现继续追问。

而如今的自助服务不必止步于获得一个答案。在 Figma，其数据组织之外的团队使用 Hex 处理超过 200 万个数据点，并生成 报告，这些报告曾经需要数天，如今只需 20 分钟。

有了 Hex 的 Agent，我再也不用构建另一个图表了？真是梦想成真。

Molly Jane N. — Figma 高级研究员

有了 AI 与 BI，你不需要知道哪个仪表板包含答案，也不需要知道某人预先配置了哪条钻取路径。你可以提问、追问、更改假设，并持续下去。

这赋予业务用户真正的自由，让他们能够回答自己的问题、进一步跟进分析，并在无需等待数据团队的情况下构建有用的东西。

但更难的部分是确保所有这些速度和灵活性不以信任为代价。如果答案不一致，且没有人能看到分析是如何产生的，那么 AI 自助服务很快就会变成一场治理混乱。

企业如何解决 AI 中的信任问题

当每个人都有能力对数据提问并为自己构建内容时，你如何确保答案实际上值得信赖？

在 Reddit，这种张力是一个必须解决的要求。据 Paul Raff 所说，“我们围绕治理有一个很大的问题和很大的痛点，以及我们如何拥有一个系统，既能让我们进行个人分析，又能将其扩展到 Reddit 内部的其他部分。”

而且 Paul 并非个例。有了 AI，问题更多、输出更多、与数据打交道的人也更多。而智能体的能力取决于 它们对您业务的上下文：即告诉它们如何正确解读您数据的指标、定义、术语和规则。

企业通过将上下文和可观测性作为数据团队工作流的核心部分来应对这一点。例如，Ramp 团队 将领域文档和元数据保存在 dbt 中，将该上下文同步到 Hex，并使用 Context Studio 来查看智能体如何使用它、哪里有缺口，以及如何改进。

正如 Ramp 的资深数据科学家 Ricky Meyers 所说，Context Studio 让他们能够“看到人们在哪里工作、在哪里失败、哪里有警告、哪里进展顺利，因此我们[数据团队]真正知道该在哪里投入更多时间，以构建更稳健、更全面的文档。”

信任不是你在推出 AI 自助服务之前配置一次就完事的东西。指标会变化，新领域会出现，人们会提出计划外的问题。对 Ramp 团队来说，他们的工作流让他们能够保持 dbt 和 Hex 同步，然后利用真实的智能体行为来发现上下文需要在哪些方面改进。

好消息是，在治理方面做对，并不意味着你必须在灵活性与控制之间二选一。你可以两者兼顾。

数据团队可以专注于更高价值的工作

尽管自助服务让数据团队摆脱了仪表板队列，但它实际上并未限制他们在组织内的影响力。相反，许多数据团队发现，随着 AI 驱动的 BI 兴起，他们的影响力大大扩展了。

以 StubHub 为例。通过减少一次性请求的来回沟通，数据团队得以将更多时间花在战略性、预测性和规范性工作上。他们可以专注于构建重要举措，例如一个数据应用用于理解门票销售最大驱动因素，或者一个“瑞士军刀”式销售应用，让各团队能够自行探索业务的几乎任何切面。

Reddit 也是如此：数据团队不必为一个分析旅程维护五个或十个独立仪表板，而是可以构建交互式应用，为业务用户提供更多空间，让他们自行探索高级分析。

而且，构建这些更丰富的体验越来越不意味着数据团队必须在 BI 工具内完成所有底层分析。分析师和数据科学家正在使用 Claude Code、Cursor、Codex 和终端来探索数据、编写代码，并大幅加快分析进程。

挑战在于确保这些工作不会停留在编码环境中形成孤岛，也不会以静态截图和 HTML 文件的形式四处传递。StubHub 团队使用Hex CLI将代码优先环境中的工作带入 Hex，并转化为共享仪表板、应用和交互式体验，供公司其他成员查找、信任并在此基础上继续构建。

“我们已经看到整个组织对 Hex AI 有强烈需求，”StubHub 分析工程负责人 Nova Wang 表示。“CLI 是顺理成章的下一步——它让我们技术能力最强的用户将 Hex 构建到 AI 最能发挥作用的自动化工作流中。”

改变 BI 思维模式

在 AI 方面走得最远的数据团队正在做出心态转变：他们花更少时间试图预测业务可能提出的每一个问题，而花更多时间构建上下文、护栏和系统，让人们能够借助代理自行探索。

对许多企业数据团队来说，拥抱代理式分析的最大障碍是他们已有的包袱：数百个仪表板、多年积累的逻辑，以及一个人人都不愿承担的迫在眉睫的迁移项目。

但如果每个问题不再需要预先设想并预先构建，迁移问题就开始显得不同了。目标从试图重建一切，转变为传承代理真正需要的上下文和逻辑。

Paul Raff 说得很简单：“我想确保 Reddit 的每个人都能回答他们想回答的问题。所以我想摆脱那种认为我们知道我们想要什么问题、想要回答什么问题的习惯。”

改变这种“习惯”，正是 Reddit、StubHub、Figma 和 Ramp 等公司借助 Hex 所迈向的方向。

了解 Hex 如何做 BI →

这是我们在 Hex 反复思考的问题。我们正在创建一个平台，让构建和共享交互式数据产品变得容易，从而帮助团队产生更大影响。如果这让你感兴趣，请点击下方开始使用，或查看加入我们团队的机会。

✨ 免费开始使用

👩‍💻 开放职位

更多关于数据团队的内容