数据可观察性的作用不言而喻（延展阅读：可观察性是AI成功要素之一），作为数字化转型的重要环节，许多企业都会面临数据观察性的难题。

英国的AutoTrader成立于1975年，是一家从事汽车、卡车和其他车辆分类广告的老牌厂商。几十年来，无论是买卖新车或二手车，都是AutoTrader的业务市场。多年来，这家总部位于曼彻斯特的公司一直保持着其最大汽车市场的地位，但其商业模式发生了重大变化。例如，不再有印刷出版物，所有的产品清单现在都发布在网上。对这家上市公司来说是件好事，该公司去年的收入为3.689亿英镑，是富时指数(FTSE Index)成份股。

在将分析数据转移到云的过程中，AutoTrader采用了许多新工具和技术，包括BigQuery、Looker和DBT，这些帮助用户实现了数据访问的顺畅便捷。在此过程中，该公司将一个数据可观察性解决方案放入数据流，以确保其数据不会产生偏差（延展阅读：不良数据管线可能造成巨大损失）。

——BigQuery是Google的云数据仓库解决方案，它是Google 云平台的一部分。它旨在处理“大数据”报告，分析和数据科学。

数据迁移是现代化过程的一部分。AutoTrader正意图将数据完全迁移到云计算，逐渐退役以往的内部系统。公司选择将仓库移动到谷歌云的BigQuery，并采用Looker作为主要的BI和可视化工具，员工使用它访问。它还引入了DBT数据构建工具，这是一种用于自动化数据转换的流行工具，作为提取、转换和加载(ETL)过程的一部分。

彻底迁移数据分析资产的目的之一是让AutoTrader的内部和外部用户能够实现更多的自助服务。在五年前开始转换之前，获得数据的新视图或报告将需要大量的工作。提出需求，从摄取数据，建模，转换数据，构建报告。这一过程漫长且无法完全保证准确性。因为拥有庞大而复杂的模型，试图围绕数据可观察性去修改编码规则真的很困难。

例如一个客户数据表原本设计为每个客户只有一行，但突然开始每个客户有两行，这就表明出了问题。每个客户所依附的某个类别突然发生变化，这可能是出现问题的另一个迹象。知道这个表应该每24小时更新一次，知道它应该总是有10000行。可以手动写出这样的规则，当有10到20个模型，那也没什么。如果有几百个，那就难多了。

AutoTrader在2020年底采用了蒙特卡洛（Monte Carlo）公司的解决方案，并依赖它来关注数据流分析。每周会显示大约10项问题：其中一些是真正的错误，一些是假警报，一些很有趣，但……也不一定是数据本身的错误。

MonteCarlo的数据可观察性解决方案引入了DevOps（开发运营）和SRE(站点可靠性工程)的传统概念，并将其应用到数据领域。

蒙特卡洛解决方案是基于五大可观察性支柱，包括:数据的新鲜度（即数据的及时性）;数据的完整性；分布一致性；模式，与字段和表的结构相关；以及数据轨迹（沿袭及更改）。如果软件检测到任何字段的任何变化，它将生成一个警报。

随着越来越多的用户通过DBT进行数据转换，通过Looker进行自助服务仪表板和报告，蒙特卡洛就像一种安全网，防止错误渗透到数据管线中。这对AutoTrader UK来说是一个真正的好处。DBT工具用于定期运行的数据转换作业自动化，以从源系统提取数据并将其加载到BigQuery中。

AutoTraderUK和许多公司一样，正试图将数据作为决策的前沿和中心。对于公司的财务团队来说尤其如此，他们是数据仓库和BI工具的大用户。

现在每个人都想要基于数据的东西。它必须有一些基于真实世界数据的支持。AutoTrader依靠新技术来帮助它建立一个更加分散的数据资产。

该公司还拥有一个数据分析团队，一旦数据进入BigQuery，他们就会用LookML来塑造数据。一旦编写了LookML，从理论上讲，不太了解数据的人也可以开始使用数据自助服务，可以查询数据，提出问题，了解数据背后的复杂性。他们可以自行提供自己需要的东西，而不必去找分析师。

虽然更多的自动化和更多的抽象应用扩大了潜在用户群体，减轻了数据团队的负担，但让数据偏离轨道或陷入裂缝之中的机会也大大提高。这就是为什么要引入数据可观察性解决方案的原因。