当 DataLab 首次发布时，我们投入大量精力，力求为数据科学与数据分析工作提供尽可能出色的体验。这意味着要打造一个快速、轻量的编辑器，支持实时协作，并生成专业的只读报告。
与此同时，我们进行内部分析时依然依赖第三方工具。有关产品的指标，如使用 DataLab 的用户数量以及在平台上花费的时间，都是通过其他工具进行跟踪的。我们意识到，如果想把 DataLab 打造成一款能胜任专业工作的工具，我们就必须自己先用起来。
本文将深入介绍我们过去如何开展内部分析，以及如何过渡到 DataLab。我们还将分享此次转型带来的优势与收获。
我们在 DataLab 之前的分析方式
在使用 DataLab 之前，我们进行产品内部分析的主要工具是 Metabase。Metabase 是一款商业智能工具，连接到包含 DataLab 内容与活动信息的数据湖。借助 Metabase，我们可以快速运行 SQL 查询、生成报告，甚至创建动态仪表板。
Metabase 在团队内使用广泛。我们用它来监测用户对不同类型内容的参与度、用户在 Workspace 中的停留时间，以及每日、每周与每月与 DataLab 互动的用户数量。
当时，我们不太常用 DataLab 来做分析。只有在遇到 SQL 或 Metabase 的零代码可视化能力的限制时才会用到。遇到这类情况，我们会导出原始数据，手动添加到一个新的工作簿中，然后用 Python 继续分析。不过，这个过程很繁琐，更新数据也十分麻烦。
我们为何转向 DataLab
随着 DataLab 的发展，我们希望回答的关于用户及其在 DataLab 上活动的问题也日益复杂。尽管 Metabase 很便捷，但我们提出的许多问题需要借助 Python 和 R 提供的额外工具。
我们也很清楚，如果要打造最佳用户体验，就需要自己先用起来，这种做法被称为“dogfooding（自家产品自用）”。的确，还有什么方式能比我们自己使用更能理解 DataLab 的局限与痛点呢？
基于这两点，我们设定了一个目标：自 2022 年夏季开始，将大部分分析工作从 Metabase 迁移到 DataLab。
迁移过程
迁移始于我们在 DataLab 中推出 SQL 单元格。至此，我们可以查询与 Metabase 相同的数据，但查询结果会立即转换为 Python 或 R 的 DataFrame（取决于我们使用的工具）。我们可以在查询数据库与使用所选工具分析结果之间轻松切换。几周之内，我们就把大多数现有查询从 Metabase 迁移到了 DataLab。
截至撰写本文时，已有 141 位不同的 DataCamp 用户在 DataLab 中累计使用 30 分钟或更长时间。从图表可以看出，这一进展稳步提升！
我们正持续邀请更多 DataCamper 加入使用 DataLab！
切换到 DataLab 的优势
自从切换到 DataLab，我们在日常工作中发现了几项关键优势：
- 完全可自定义的可视化：尽管 Metabase 提供了许多可视化及其可自定义属性，但其可能性并非无限。在 DataLab 中，我们的 SQL 查询结果会返回为 DataFrame。这意味着我们可以使用 Plotly 等 Python 库创建带注释、自定义主题以及独特图表类型的可视化。
这是我们在 DataLab 中访问内部数据后创建的一种可视化示例。
- 高级分析：通过将 SQL 与 Python 或 R 结合，我们可以即时使用 SQL 难以实现的技术来分析数据。这使我们能够开展诸如用户分群，以及训练分类模型来预测用户在 DataLab 中的使用方式等工作。
- 描述性报告：仪表板对熟悉产品的用户来说非常好用。然而，对于新加入者或团队外的人员，仪表板可能难以解读。借助 DataLab，我们可以在报告中嵌入书面摘要，相关干系人可以事后阅读。
- 可分享且具社交属性的发布：能够分享已发布工作簿的链接极具价值。发布的分析会传达至我们的 CEO 和其他高管手中，他们会通过评论和提问的形式反馈意见。结合发布工作簿的描述性特征，管理层无需现场汇报即可在空闲时阅读分析工作。
- 零代码图表：大多数 DataCamper 都具备 SQL 技能，但并非每个人都同样熟悉 Python 或 R。图表单元格让技术门槛较低的用户也能用高质量可视化来表达洞见，而无需编写任何代码。
我们的零代码图表单元格，实际演示！
我们到目前为止的收获
截至 10 月中旬，DataCamper 在 DataLab 中累计投入了 4132 小时！我们现已将与季度目标及产品使用相关的所有核心报告迁移到 DataLab。以下是我们关键经验的总结，以及这些经验如何影响 DataLab 这款产品：
- 速度至关重要：等待工作簿加载、代码执行或查询返回结果超过预期时间会令人恼火。体验至少应与本地运行的 Jupyter Notebook 一样快，理想情况下更快。我们的团队在缩短笔记本与发布内容的加载时间方面已取得显著进展，也在努力确保代码执行速度可与本地笔记本相媲美。
- 不是所有人都想看代码：过去，我们的发布内容常包含大型单元格，里面是复杂的 SQL 查询和密集的 Python 代码。虽然这有助于同事审阅报告的技术细节，但往往掩盖了报告的真实洞见。您可以在 DataLab 中切换到 JupyterLab 编辑器来隐藏单元格与发布内容，但这在 DataCamp Notebook 编辑器中并未体现。鉴于此，我们推出了在工作簿中轻松隐藏代码和 SQL 单元格的功能。这样您就能确保生成美观的只读报告，方便与任何干系人分享。用户对此非常认可。
- 反复运行笔记本会令人挫败：在大量跟踪工作中，我们高度依赖关于用户数量、活跃度和功能采用的每日更新。与在新数据可用时会自动刷新的动态仪表板不同，工作簿每次都需要重新运行。基于我们的亲身体验，我们计划支持工作簿执行的定时调度，从而确保报告始终包含最新洞见。
除了上述收获外，自从切换到 DataLab，我们还对编辑器做了许多小改进。用户界面、仪表板以及图表单元格等功能都在持续优化，这些改进来自内部与外部用户的反馈推动。
展望未来
虽然“自家产品自用”的过程让我们发现了许多可改进之处，但我们也清楚这只是故事的一半。结合我们在内部获得的反馈，团队还在积极采访 DataLab 用户。这些访谈补充了我们的发现，帮助我们捕捉到内部测试可能遗漏的问题。
我们还在 9 月底的双周刊通讯中发起了用户调研。该调研让我们能够收集用户的量化信息。这些结果正帮助我们确定 DataLab 的高优先级举措，并理解用户如何使用我们的产品。当然，调研数据也是用 DataLab 来分析和可视化的！
用户报告使用 DataLab 的首要原因是能快速试用代码示例。您如何使用 DataLab？
在接下来的数月里，我们计划进一步迈向仅依赖 DataLab 的分析环境。随着工程团队为产品带来新功能与改进，这一转型也将变得越来越容易。
如果您有兴趣将 DataLab 用于内部数据分析与数据科学需求，您可以在此处了解更多。或者，更直接地，立即打开一个空白的Python或R 工作簿开始编码吧！
当 DataLab 首次发布时，我们投入大量精力，力求为数据科学与数据分析工作提供尽可能出色的体验。这意味着要打造一个快速、轻量的编辑器，支持实时协作，并生成专业的只读报告。
与此同时，我们进行内部分析时依然依赖第三方工具。有关产品的指标，如使用 DataLab 的用户数量以及在平台上花费的时间，都是通过其他工具进行跟踪的。我们意识到，如果想把 DataLab 打造成一款能胜任专业工作的工具，我们就必须自己先用起来。
本文将深入介绍我们过去如何开展内部分析，以及如何过渡到 DataLab。我们还将分享此次转型带来的优势与收获。
我们在 DataLab 之前的分析方式
在使用 DataLab 之前，我们进行产品内部分析的主要工具是 Metabase。Metabase 是一款商业智能工具，连接到包含 DataLab 内容与活动信息的数据湖。借助 Metabase，我们可以快速运行 SQL 查询、生成报告，甚至创建动态仪表板。
Metabase 在团队内使用广泛。我们用它来监测用户对不同类型内容的参与度、用户在 Workspace 中的停留时间，以及每日、每周与每月与 DataLab 互动的用户数量。
当时，我们不太常用 DataLab 来做分析。只有在遇到 SQL 或 Metabase 的零代码可视化能力的限制时才会用到。遇到这类情况，我们会导出原始数据，手动添加到一个新的工作簿中，然后用 Python 继续分析。不过，这个过程很繁琐，更新数据也十分麻烦。
我们为何转向 DataLab
随着 DataLab 的发展，我们希望回答的关于用户及其在 DataLab 上活动的问题也日益复杂。尽管 Metabase 很便捷，但我们提出的许多问题需要借助 Python 和 R 提供的额外工具。
我们也很清楚，如果要打造最佳用户体验，就需要自己先用起来，这种做法被称为“dogfooding（自家产品自用）”。的确，还有什么方式能比我们自己使用更能理解 DataLab 的局限与痛点呢？
基于这两点，我们设定了一个目标：自 2022 年夏季开始，将大部分分析工作从 Metabase 迁移到 DataLab。
迁移过程
迁移始于我们在 DataLab 中推出 SQL 单元格。至此，我们可以查询与 Metabase 相同的数据，但查询结果会立即转换为 Python 或 R 的 DataFrame（取决于我们使用的工具）。我们可以在查询数据库与使用所选工具分析结果之间轻松切换。几周之内，我们就把大多数现有查询从 Metabase 迁移到了 DataLab。
截至撰写本文时，已有 141 位不同的 DataCamp 用户在 DataLab 中累计使用 30 分钟或更长时间。从图表可以看出，这一进展稳步提升！
我们正持续邀请更多 DataCamper 加入使用 DataLab！
切换到 DataLab 的优势
自从切换到 DataLab，我们在日常工作中发现了几项关键优势：
这是我们在 DataLab 中访问内部数据后创建的一种可视化示例。
我们的零代码图表单元格，实际演示！
我们到目前为止的收获
截至 10 月中旬，DataCamper 在 DataLab 中累计投入了 4132 小时！我们现已将与季度目标及产品使用相关的所有核心报告迁移到 DataLab。以下是我们关键经验的总结，以及这些经验如何影响 DataLab 这款产品：
除了上述收获外，自从切换到 DataLab，我们还对编辑器做了许多小改进。用户界面、仪表板以及图表单元格等功能都在持续优化，这些改进来自内部与外部用户的反馈推动。
展望未来
虽然“自家产品自用”的过程让我们发现了许多可改进之处，但我们也清楚这只是故事的一半。结合我们在内部获得的反馈，团队还在积极采访 DataLab 用户。这些访谈补充了我们的发现，帮助我们捕捉到内部测试可能遗漏的问题。
我们还在 9 月底的双周刊通讯中发起了用户调研。该调研让我们能够收集用户的量化信息。这些结果正帮助我们确定 DataLab 的高优先级举措，并理解用户如何使用我们的产品。当然，调研数据也是用 DataLab 来分析和可视化的！
用户报告使用 DataLab 的首要原因是能快速试用代码示例。您如何使用 DataLab？
在接下来的数月里，我们计划进一步迈向仅依赖 DataLab 的分析环境。随着工程团队为产品带来新功能与改进，这一转型也将变得越来越容易。
如果您有兴趣将 DataLab 用于内部数据分析与数据科学需求，您可以在此处了解更多。或者，更直接地，立即打开一个空白的Python或R 工作簿开始编码吧！