dbt Reseñas y Detalles del Producto

Lancé terabytes a DBT y esperaba que la infraestructura fallara, pero DBT ejecutó la ejecución distribuida por sí solo sin intervención por mi parte. La capacidad de ejecutar aprendizaje automático directamente dentro de SQL es extraña pero mejor que exportar a vertex.ai y lidiar con la gestión de clústeres yo mismo. Tampoco tengo que preocuparme por la gestión de clústeres ya que puedo simplemente escribir la consulta y esperar los resultados, lo cual en mi opinión es algo muy sencillo de hacer. Reseña recopilada por y alojada en G2.com.

La facturación es una trampa, así como si ejecutas una consulta genérica sin un filtro, los costos aumentan de inmediato, lo cual puede ser muy molesto. Tuve que reescribir todos mis procedimientos almacenados porque la sintaxis no es exactamente como pl/sql. Y realmente no me gusta leer los registros cuando un modelo falla y/o ocurren errores. Reseña recopilada por y alojada en G2.com.

Uso dbt todos los días para transformar datos en bruto en nuestro almacén en tablas limpias y listas para análisis, y mi flujo de trabajo generalmente comienza en VS Code, donde escribo modelos SQL, luego los subo a Git para control de versiones y los ejecuto a través de dbt Cloud. En general, también ha facilitado mucho la colaboración entre los miembros de nuestro equipo porque dbt hace que todo el proceso sea mucho más sencillo. Reseña recopilada por y alojada en G2.com.

Es desafiante cuando un cambio desbarata toda una ejecución y los mensajes de error son, en el mejor de los casos, vagos. También siento la necesidad de defender la obra de mi colaborador en dbt cloud. También he encontrado la estructura demasiado relajada y las configuraciones específicas de comandos y entornos resultantes caóticas. Reseña recopilada por y alojada en G2.com.

Uso dbt diariamente para manejar y transformar modelos de datos en nuestro almacén. Y también se ha convertido en la columna vertebral de nuestro flujo de trabajo analítico, controlado por versiones, transparente y fácil de depurar. Aprecio particularmente lo fácil que es modularizar las transformaciones SQL y documentar todo en línea para que el equipo sepa por qué cada modelo hace lo que hace y de dónde provienen estos datos. Reseña recopilada por y alojada en G2.com.

Puede ser un poco confuso configurar las configuraciones del entorno, especialmente cuando estás trabajando en más de un proyecto o almacén. A medida que tus modelos crecen y esa capa de marco se profundiza, el tiempo de construcción puede comenzar a ralentizarse y no siempre es sencillo identificar el cuello de botella. Además, probar macros no convencionales se siente un poco torpe en comparación con escribir pruebas para modelos lineales. Reseña recopilada por y alojada en G2.com.

Gracias a dbt, ya no tengo que depender del equipo de ingeniería para gestionar y transformar los datos SQL dentro de nuestro almacén. Es el primer paso para mí en la organización, prueba y documentación de la totalidad de nuestros modelos de datos. Aprecio que toda esta información esté en un solo lugar bajo control de versiones. Puedo rastrear todos los cambios realizados y los detalles que rodean a cada uno. Reseña recopilada por y alojada en G2.com.

Solucionar problemas de dependencias complejas y errores de compilación puede ser una tarea desalentadora. Hay ocasiones en las que un modelo falla y no está claro qué cambio anterior podría ser la causa. Aunque la documentación es realmente buena, he encontrado que investigar en un hilo de Stack Overflow o Slack es la respuesta para algunos de los problemas más oscuros. También encuentro que la visualización de la línea de tiempo en dbt Cloud es engorrosa. Reseña recopilada por y alojada en G2.com.

El mayor beneficio de dbt para mí es que proporciona estructura al trabajo con datos. Lo uso regularmente con BigQuery y herramientas de control de versiones. La integración es cómoda y se facilita el trabajo en equipo. No añadió ningún retraso durante la implementación y el conjunto de características permite reutilizar la lógica en lugar de reescribirla. Ha minimizado el número de errores y me ha ahorrado tiempo en la revisión y actualizaciones. Reseña recopilada por y alojada en G2.com.

El lado negativo de dbt es que se vuelve rígido cuando los proyectos se expanden. Las modificaciones menores en algunos casos requieren más reajustes de lo anticipado, y esto me hace ralentizar. Los problemas de depuración de fallos no siempre son evidentes, particularmente para los miembros del equipo más novatos, y esto tiene un impacto en la velocidad de entrega. También se utiliza datos fuente limpios en la implementación y, por lo tanto, cuando las entradas son desordenadas, solo añade más carga de trabajo en lugar de facilitarlo. Reseña recopilada por y alojada en G2.com.

Lo que más aprecié fue la eliminación del código duplicado que solía estar distribuido en varios scripts. Este cambio ha mejorado significativamente la fiabilidad de los datos y ahora me permite implementar la lógica de negocio directamente en SQL puro. También valoro cuánto acelera el desarrollo, y encuentro que la orquestación y el despliegue con DBT son excepcionalmente sencillos. Reseña recopilada por y alojada en G2.com.

Encontré el aspecto de la gestión de proyectos desafiante al tratar con cientos de modelos, ya que la interfaz puede ser bastante complicada a veces. Reseña recopilada por y alojada en G2.com.

Lo que más me gusta de dbt es que aporta las mejores prácticas de ingeniería de software a las transformaciones de datos basadas en SQL, haciendo que nuestra base de código SQL sea mantenible a gran escala. Tiene una estructura de modelo clara como capas de staging, intermedias y de informes. Proporciona macros y macros de referencia que hacen que la lógica sea reutilizable, y las dependencias son realmente fáciles de entender. Aprecio su buena colaboración con Git y la integración con el control de versiones. Dbt tiene un sólido respaldo de documentación, proporcionando un sitio de documentación autogenerado, para que todos estén al tanto de lo que sucede en el proyecto. La configuración inicial de dbt es realmente fácil gracias a su excelente documentación, y está disponible para casi todos los principales almacenes de datos. Reseña recopilada por y alojada en G2.com.

Uno de los puntos problemáticos es la depuración y resolución de errores. Los mensajes de error pueden ser realmente vagos, lo que dificulta identificar qué parte del núcleo causó la falla. Además, los modelos grandes son difíciles de depurar. La visibilidad del plan de consulta dentro de dbt sería realmente útil. La ejecución paso a paso para modelos fallidos también sería útil. Reseña recopilada por y alojada en G2.com.

Cada día uso dbt para convertir datos en bruto para que estén listos para el análisis y aprecio especialmente que todo involucre solo SQL y control de versiones, sin más scripts desordenados. Me gusta la sensación de escribir consultas simples y, al mismo tiempo, disfruto de la modularidad adicional y la documentación automática. Las pruebas y mis transformaciones ejecutándose simultáneamente me brindan verdadera confianza en los conjuntos de datos que proporciono. Reseña recopilada por y alojada en G2.com.

Cuando se trata de dbt, la curva de aprendizaje es todo un desafío y me llevó algún tiempo averiguar cómo configurar las macros y organizar los modelos de manera ordenada. La tarea de depuración también es bastante tediosa y, dado que algunos de los mensajes de error carecen de claridad, termino pasando mucho tiempo en los registros. Además, para proyectos grandes, el tiempo de ejecución puede ser bastante largo, lo que puede obstaculizar el flujo de desarrollo. Reseña recopilada por y alojada en G2.com.

dbt funciona bien en Redshift, ya que eso es lo que se mencionó una y otra vez en las notas; sin embargo, dbt simplemente compila el SQL y el propio almacén de datos maneja el trabajo pesado. Usar Git y el control de versiones para los modelos de datos es bueno porque evita que el modelo de datos se descontrole. dbt también se integra con nuestra infraestructura de AWS sin causar problemas. La velocidad es suficiente, ya que simplemente pasa el trabajo a la base de datos; aunque, tener la lógica de transformación en un solo lugar es útil. Reseña recopilada por y alojada en G2.com.

El costo se está volviendo cada vez más caro y considerando que dbt es esencialmente un compilador de SQL sofisticado. dbt también tiene un rendimiento deficiente al manejar datos no estructurados (aunque esto puede deberse a Redshift); no estoy seguro, todo parece mezclarse. Además, la curva de aprendizaje es muy pronunciada si no estás familiarizado con Jinja y configurar archivos YAML correctamente. Reseña recopilada por y alojada en G2.com.

El hecho interesante sobre dbt es que simplifica el proceso de gestión de pipelines de datos. Se implementó con éxito y dependo de él a diario, por lo que mi frecuencia de uso es alta. La cantidad de características como pruebas de modelos, documentación y control de versiones es especialmente apreciada por mí. Ha minimizado los errores en nuestros procesos de conversión y ha simplificado mucho el proceso de trabajo en equipo, y ha ayudado al equipo a mantener pipelines que son uniformes y estructurados en todos los proyectos. Reseña recopilada por y alojada en G2.com.

Lo que no me gusta de dbt es que puede ser difícil solucionar errores de modelo. Las características son buenas, pero los mensajes de error no siempre son útiles para revelar el problema. La alta frecuencia de uso implica que tales momentos tienen la capacidad de descarrilar los flujos de trabajo ya que lo uso con frecuencia. Hay un servicio de atención al cliente receptivo, pero las soluciones para casos extremos no siempre están disponibles de inmediato, por lo que el equipo ocasionalmente tiene que verificar los resultados antes de continuar. Reseña recopilada por y alojada en G2.com.