主要观点：

• 曾获取数据洞察需运行 cron 作业、导出 CSV 并放入仪表盘，后出现“现代数据栈”，包含多种工具，但实际使用中存在问题，如花费大量时间连接工具、维护困难、难以追踪问题等。
• 现代数据栈虽感觉现代但工作流破碎，可组合性常意味着脆弱，各工具增加导致集成点、失败模式等增多，数据团队上下文切换频繁，很多团队被其分散精力而未真正交付数据价值。
• 现代数据栈在初期感觉良好，但后期会变得混乱，如一个小变化可能引发连锁反应，工具过多导致清晰度不足、所有权混乱、测试和监控仍为事后考虑、运营开销大等。
• 实际在生产中有效的是遵循简单性、选择成熟工具、将数据像软件一样处理、在关键处自动化、明确所有权、使数据系统易于理解等原则，减少工具数量和复杂度，提高可靠性。
• AI 可帮助数据团队节省时间，如快速调试、自动文档化模型、向利益相关者解释 SQL、检测异常等，但不应替代数据团队，应作为辅助工具帮助导航数据栈。
• 成功的数据团队关键在于栈简单、团队强、流程清晰，好的招聘比好的工具更能解决问题。

关键信息：

• 现代数据栈包含云仓库、管道工具等多种工具。
• 实际使用中存在布线时间长、易崩溃、难以追踪问题等问题。
• 有效原则包括简单性、选择成熟工具等。
• AI 可在多个方面帮助数据团队。
• 成功团队关键在于团队和流程。

重要细节：

• 如 RevOps 团队在 Salesforce 中添加新字段导致一系列问题的例子。
• 具体的 dbt 模型和测试代码示例。
• 提到的各种工具的特点和作用，如 dbt-core、Postgres 等。
• 不同团队在使用现代数据栈过程中遇到的具体问题和挑战。