DoorDash bringt Händler-Analytics mit dbt und ThoughtSpot binnen Wochen zu Tausenden Nutzern

Governance und Tempo nach mehreren Übernahmen

In dem Gespräch interviewte Sonny Rivera von ThoughtSpot Harsha Reddy, einen leitenden Entwicklungsmanager bei DoorDash, der innerhalb der Datenplattform-Organisation des Unternehmens die Data End-User Platforms verantwortet. Reddy beschrieb die zentrale Datenstrategie von DoorDash als Balanceakt zwischen zwei Zielen, die oft gegeneinander arbeiten: zentrale Governance und Nutzer-Geschwindigkeit.

Die Übernahmen von Deliveroo (Großbritannien) und Wolt (Finnland und große Teile der EU) haben diese Balance erschwert. Jedes Unternehmen brachte eigene semantische Ebenen mit, häufig in Looker gebaut, die dann auf den hauseigenen semantischen Werkzeugen von DoorDash aufsetzten. Laut der Quelle bestand die eigentliche Aufgabe darin, sie in einer gesteuerten Ebene zusammenzuführen, ohne die Teams auszubremsen.

Semantische Ebene und Datennutzung getrennt

DoorDash trennt die semantische Ebene von den Werkzeugen, mit denen Menschen Daten nutzen. Die Daten liegen in einem Data Lake, bereitgestellt als Iceberg-Tabellen, sowie in Snowflake. dbt definiert darüber die semantische Ebene und die Metrikebene für beide. ThoughtSpot ist eine von mehreren Nutzungsebenen und greift direkt auf die Metrikdefinitionen von dbt zu, braucht also keinen parallelen eigenen Satz.

Reddy stellte dem ein Allround-Tool wie Looker gegenüber, bei dem "es nur ein Tool gibt, in dem alles codiert ist, und das außerhalb für niemanden sonst wirklich nützlich ist".

Das Setup bedient zwei unterschiedliche Anwendungsfälle:

• Interne Finanz- und Umsatzberichte: Laut Reddy ist "die Fehlertoleranz null". Die gesteuerte semantische Ebene ersetzt in Kombination mit den integrierten Compliance- und Audit-Berichten von ThoughtSpot Arbeit, die DoorDash früher von Hand erledigte, um DSGVO, HIPAA und weitere regulatorische Vorgaben zu erfüllen.
• Analytics für Händler: DoorDash bettet ThoughtSpot vollständig als White Label, ohne sichtbares ThoughtSpot-Branding, direkt in Händler-Tools ein. Eine rollenbasierte Zugriffskontrolle stellt sicher, dass ein Händler nie die Daten eines anderen sieht.

Reddy wollte keine genaue Nutzerzahl nennen, sagte aber, das Team habe bei einem neuen Anwendungsfall "Tausende Nutzer innerhalb weniger Wochen" erreicht.

Ratschläge zu semantischer Modellierung und KI-Agenten

Gefragt, was er anderen Teams raten würde, sagte Reddy, semantische Modellierung sei schwierig, lohne sich aber in einer Welt, in der das Erzeugen einer Antwort billig ist und der Wert im Vertrauen darauf liegt. Er empfahl, die semantische Ebene wie Code zu behandeln, also versioniert und mit Reviews. Außerdem müsse der gesteuerte Weg mindestens so einfach sein wie das Schreiben einer Ad-hoc-Abfrage, sonst umgingen die Leute ihn.

Bei KI ist DoorDash von einer Reihe domänenspezifischer Agenten hinter einem Router zu einem einzigen globalen Agenten gewechselt. Dieser Agent stützt sich auf dieselbe in dbt definierte semantische Ebene, die auch die BI-Tools des Unternehmens speist. Laut der Quelle deckt das Modell inzwischen etwa 70 bis 80 Prozent der Datendomänen von DoorDash ab.

Was das für Datenteams bedeutet

Der Bericht ist eine vom Unternehmen selbst gelieferte Fallstudie, die dbt Labs veröffentlicht hat, und sie kommt über die Angabe zum Nutzerwachstum hinaus ohne detaillierte Kennzahlen aus. Dennoch zeigt sie ein Muster für Organisationen, die mehrere semantische Ebenen geerbt haben: Metriken einmal definieren, wie Code steuern und mehrere Werkzeuge, darunter BI-Oberflächen und KI-Agenten, auf dieselben Definitionen zugreifen lassen. Für Teams, die ähnliche Projekte erwägen, lautet Reddys zentrale Aussage, dass das Vertrauen in die Antwort die knappe Ressource ist, nicht der Aufwand, sie zu erzeugen.