80亿美元直播GMV，80%员工90天自助用数：这家平台怎么做到的

在任意一秒钟里，一个巨大的数据平台内部究竟在发生什么？对很多公司来说，数据基础设施就像一个黑盒子：数以百万计的数据点被送进去，复杂查询在里面运行，然后报表被吐出来。但一旦系统变慢、成本飙升，或者某个关键 dashboard 突然空白，想找到根因就像在黑暗里摸索。

实时购物平台 Whatnot 在 Snowflake Summit 2026 上与 Snowflake 同台分享了他们的实践。他们展示了一套现代企业新蓝图：一边是高速增长故事，一边是自动化 AI 分析师和极度清晰的平台监控。这个合作案例说明，现代数据工具可以在巨大的实时压力下，依然让客户体验保持顺滑、可靠且完全可见。

数十亿事件与零容错空间

这家公司已经成长为全球增长速度最快的 marketplace 之一。仅在成立最初几年，其增长轨迹就已经超过历史上的电商巨头 eBay 和 Amazon。如今，它已经成为北美、英国、澳大利亚和欧洲领先的 live-shopping 平台。

下面这些指标，足以说明它的运营规模以及数据基础设施所承载的巨大负载：

• 2025 年全球 live GMV 达到 80 亿美元；
• 2025 年在各个市场新增账户超过 2000 万；
• 2025 年首次购买用户同比增长 285%；
• 每周举办超过 55 万小时的 livestreams，活跃观众在 app 内的日均停留时长超过 95 分钟；
• 在 2026 年承载了美国历史上最大的一场 live shopping stream：58.3 万并发观众，同时有 55.5 万用户在同一时刻参加同一场 giveaway。

在幕后，拍卖出价、聊天消息和交易每天都会产生数十亿条数据点。这些数据最终都汇聚到 Snowflake 中，用来驱动即时用户体验。

工程经理 Alice Leach 解释说：“在这里，数据不仅仅是用于历史报表，它直接驱动着 live app 的实时体验。如果一个客户在直播中买下一件商品，我们的 machine learning 算法必须在几分钟之内，而不是几天之后，就推荐相关商品。如果数据出现延迟，它会直接影响买家和卖家。”

从集中式到去中心化的代价

最开始，这家公司依靠一个集中式数据团队和 dbt 来管理所有这些信息。但随着公司爆炸式增长，这种模式逐渐变成了瓶颈。为了解决这一点，他们转向了 modular data stack。借助 infrastructure as code (IaC)，每个业务单元，例如 fraud prevention 或 vendor analytics，都可以按需自行拉起专属的 Snowflake warehouses，并管理自己的 pipelines。

去中心化清除了组织上的堵点，但它也带来了新的难题：在让各团队拥有完全自由去运行自身数据 pipelines 的同时，如何仍然保持整个公司的可见性、成本控制和性能质量？

从提交数据请求到对话式分析

去中心化基础设施改善了工程侧效率，但也暴露出另一个“人”的瓶颈：data scientists。随着业务负责人越来越频繁地需要快速做日常决策，数据科学家被困在 endless loop 里，不断在 Slack 上回应 ad hoc 数据问题。为了做到 “uncomfortably fast”，他们逐渐意识到，必须把数据使用门槛降到“只要会打字就能访问”的程度。

这家公司把 analytics 的规模化过程分成了三个阶段：

1. 2024：僵硬的 Slackbot。他们构建了一个 AI Slack bot（@databot），自动生成 SQL。它能处理一些简单请求，但需要大量维护，也离不开持续的人类校验；
2. 2025：去中心化工具阶段。公司把 Snowflake semantic views 接入 Sigma 和 Glean 等多用途应用。通过将 Snowflake 与先进 LLM 结合，在内部测试中 text-to-SQL 准确率已经超过 90%，但整个生态仍缺少一个一致的 “front door”；
3. 2026：agentic analytics 时代。他们推出了 Hex Threads，这是一个由 Snowflake Cortex Agents 驱动的定制化数据助手。用户不再需要知道具体数据库表在哪里，也不需要自己排查 SQL 报错，AI 会安全地扫描整个数据网络，作为对话式分析入口。

让 80% 员工在 90 天内自助用数

这套 agentic 体系上线后，效果开始从“能用”走向“规模化”。在 90 天周期内，公司内部约 80% 的员工已经能够通过自然语言自助完成数据查询和分析，不再依赖数据团队逐单响应。

这意味着，过去需要排队等待数据科学家排期处理的问题，现在业务人员可以直接向 AI 助手提问，并在几秒到几分钟内获得可用的分析结果。数据团队则从重复性的取数工作中抽身，把精力转向更高价值的建模和策略工作。

更重要的是，这种自助能力并没有以牺牲治理为代价。Snowflake Cortex Agents 在底层负责权限控制、数据血缘追踪和查询审计，确保每个员工只能访问自己有权查看的数据范围。成本监控和性能告警也被嵌入到同一套体系里，避免了去中心化之后常见的“账单失控”问题。

从黑盒子到透明面板，这家公司的实践提供了一个可复用的路径：先用去中心化解决组织效率问题，再用 agentic AI 解决去中心化带来的可见性和使用门槛问题。最终，数据基础设施不再只是后台支撑系统，而成为业务一线可以直接调用的实时决策引擎。