Avis et détails du produit dbt

dbt simplifie le processus de construction d'un pipeline de données solide en offrant de nombreuses fonctionnalités qui seraient difficiles à mettre en œuvre à partir de zéro. En particulier, la fonctionnalité SCD2 et incrémentielle aide à éliminer beaucoup de surcharge pour les développeurs et facilite la maintenance continue. Il y a aussi beaucoup d'autres fonctionnalités qui sont excellentes et contribuent à un flux de travail global plus fluide. Avis collecté par et hébergé sur G2.com.

Il n'y a rien que je n'aime pas à ce sujet, mais j'ai une suggestion : ajouter une fonctionnalité pour remplir les données (charges historiques) aiderait beaucoup. Actuellement, cela peut être fait à l'aide d'une macro, mais avoir une option intégrée similaire à l'incrémentiel rendrait cela beaucoup plus facile et aiderait beaucoup. Avis collecté par et hébergé sur G2.com.

C'est très simple à utiliser. Tout ce que nous devons vraiment savoir, c'est SQL, et il est facile de créer différents types de matérialisations avec. Le plus important, c'est qu'il dispose d'une fonctionnalité de traçabilité. Avis collecté par et hébergé sur G2.com.

L'interface utilisateur pourrait bénéficier d'une légère amélioration. Après avoir ouvert différents modèles, elle commence à paraître un peu désordonnée et encombrée. Cortex peut être ajouté par défaut pour ajouter des modèles utilisant l'IA. Avis collecté par et hébergé sur G2.com.

Je trouve dbt très simple à utiliser et à démarrer. Toute personne ayant des fichiers SQL et YAML peut l'utiliser. Il résout de nombreux problèmes liés aux transformations de données, à la qualité des données et à la traçabilité des données. J'aime dbt Cloud pour la planification des tâches, ce qui est crucial pour moi, et j'apprécie de pouvoir planifier des tâches dans divers environnements en fonction de mon cas d'utilisation et de recevoir des alertes également. J'apprécie aussi la nouvelle fonctionnalité d'IA, dbt-copilot, qui aide au développement, à mieux comprendre le code et à écrire des macros dbt, ce qui peut être difficile. La configuration initiale a été facile car elle nécessitait principalement une expertise en SQL, et les sessions de formation ont été utiles. Dans l'ensemble, j'adore cet outil. Avis collecté par et hébergé sur G2.com.

J'aime la plupart des cas d'utilisation avec dbt, mais parfois je dois écrire tout le code juste pour le compiler. Cela pourrait s'améliorer en termes de détection des erreurs tôt avant le temps de compilation. Par exemple, si je sélectionne à partir d'un modèle et qu'une colonne est en trop, dbt pourrait le signaler avant les actions de compilation et d'exécution. Avis collecté par et hébergé sur G2.com.

J'utilise DBT tous les jours dans mon projet depuis deux ans, et je peux dire que c'est l'une des meilleures plateformes pour créer des modèles de données grâce à des transformations de données basées sur SQL. La facilité d'intégration de DBT nous a aidés à économiser des efforts lors du déploiement du code. Nous avons intégré DBT avec Git afin que nous puissions travailler en parallèle sur plusieurs tâches à travers plusieurs modèles pour une seule exigence.

Sa facilité de mise en œuvre rend également plus simple la compréhension des avantages de DBT et a contribué à améliorer notre efficacité. L'interface en ligne de commande et l'environnement IDE nous facilitent la gestion des données et l'exécution des modèles de données. DBT dispose également de ses propres fonctionnalités de préparation de cas de test, qui nous aident à valider à la fois nos modifications de modèles de données et les données étant peuplées à travers les modèles DBT. Si nous rencontrons des problèmes liés au produit, il y a une équipe de support client toujours prête à nous guider à travers nos blocages. Avis collecté par et hébergé sur G2.com.

D'après mon expérience, j'ai travaillé avec DBT pendant 2 à 3 ans et j'ai remarqué que, pour utiliser DBT efficacement, il est nécessaire d'avoir des connaissances préalables en SQL et Python—surtout si vous souhaitez tirer parti de fonctionnalités supplémentaires comme les modèles Jinja. Cela peut être un inconvénient majeur pour les analystes de données et les développeurs qui n'ont pas déjà une solide compréhension de SQL et Python. Avis collecté par et hébergé sur G2.com.

Ce que j'aime le plus chez dbt, c'est la façon dont il apporte une structure propre et conviviale pour les développeurs au travail analytique. Il rend la modélisation et la transformation des données organisées et prévisibles, grâce à son approche simple axée sur SQL et à sa disposition claire du projet. J'apprécie également beaucoup la manière dont dbt encourage les bonnes pratiques d'ingénierie telles que le contrôle de version, les tests, la documentation. Ainsi, l'ensemble du flux de travail devient plus fiable et collaboratif. Avis collecté par et hébergé sur G2.com.

Ce que je n'aime pas chez dbt, c'est que certaines parties du flux de travail peuvent sembler un peu rigides, surtout lorsque vous essayez de personnaliser le comportement des tests ou des modèles dans des projets plus complexes. Il repose également fortement sur la ligne de commande et les fichiers de configuration, ce qui peut devenir exigeant à mesure que le projet grandit. De plus, dbt ne gère pas l'ingestion ou les besoins en temps réel, donc les utilisateurs ont souvent besoin d'outils supplémentaires pour compléter le pipeline, ce qui rend la configuration moins fluide. Avis collecté par et hébergé sur G2.com.

La façon dont il gère de grandes quantités de données, ainsi que son intégration dans AWS (S3/Glue), est excellente. Cela me permet d'éviter de construire des pipelines personnalisés qui auraient été très chronophages et auraient causé des maux de tête supplémentaires. Grâce à sa conception de base de données en colonnes, toutes mes requêtes complexes sont traitées en temps opportun, ce qui signifie que je ne m'endors pas en attendant les résultats. Avis collecté par et hébergé sur G2.com.

Passer l'aspirateur sur les tables… sérieusement, je dois aspirer et analyser manuellement les tables pour que ce truc fonctionne bien ? On dirait 2005. Gérer les clusters et les nœuds est également un casse-tête – ce n'est pas vraiment sans serveur. Si vous ne faites pas attention aux coûts, ils augmenteront beaucoup trop. Avis collecté par et hébergé sur G2.com.

Je valorise principalement la manière dont dbt intègre la transformation des données dans un flux de travail d'ingénierie logicielle. En matérialisant automatiquement le code en tables et vues, il permet à notre équipe de se concentrer sur la logique de transformation plutôt que sur le code DDL répétitif. La syntaxe de sélection de modèle est incroyablement efficace pour exécuter des segments spécifiques de notre DAG sans gaspiller les ressources de l'entrepôt.

Les macros et l'intégration de Jinja ont également révolutionné la modularisation de notre logique et la réduction de la répétition du code. Je trouve que les tests unitaires basés sur YAML sont un moyen robuste d'assurer l'intégrité des données avant qu'elles n'atteignent notre couche BI. Entre les deux, je préfère dbt Cloud à Core car l'IDE offre une visibilité immédiate sur les résultats des requêtes et les changements de schéma, ce qui accélère notre cycle de développement.

Je l'utilise tous les jours de travail. Le support client a été rapide et réactif lorsque j'ai rencontré des problèmes lors de la configuration initiale de dbt avec l'authentification Snowflake. La mise en œuvre a également été simple lors de la connexion à Snowflake, et une fois la connexion établie, je n'ai pas eu de problèmes continus à part le besoin de réauthentifier chaque jour. Avis collecté par et hébergé sur G2.com.

Le point de friction le plus significatif est le cycle de vie de l'authentification avec Snowflake. Les jetons de session expirent fréquemment (souvent toutes les quelques heures), forçant un processus de ré-authentification manuel qui perturbe le flux de développement.

De plus, il y a un écart notable de fonctionnalités entre les versions. dbt Core manque de l'aperçu instantané des résultats natifs qui rend dbt Cloud si productif. Apporter un "aperçu en direct" similaire ou un panneau de résultats intégré à l'expérience CLI Core en ferait une option beaucoup plus viable pour le développement local. Avis collecté par et hébergé sur G2.com.

J'aime la variété que dbt offre grâce au code Jinja et aux fonctions intégrées. Les modèles incrémentaux sont très bien intégrés, offrant de nombreuses capacités à un niveau au-delà de ce qui est dans l'entrepôt de données, comme Redshift. La configuration initiale de dbt est très simple, ce que je trouve vraiment utile. Avis collecté par et hébergé sur G2.com.

Je suppose que le cycle de développement de dbt est plus lent en conséquence. Écrire des descriptions de fichiers YAML et le code réel pour chaque modèle peut entraîner un cycle de développement plus lent. Avis collecté par et hébergé sur G2.com.

J'ai lancé des téraoctets sur DBT et je m'attendais à ce que l'infrastructure échoue, mais DBT a exécuté l'exécution distribuée de manière autonome sans intervention de ma part. La capacité à exécuter l'apprentissage automatique directement dans SQL est étrange mais préférable à l'exportation vers vertex.ai et à la gestion des clusters par moi-même. Je n'ai pas non plus à m'inquiéter de la gestion des clusters car je peux simplement écrire la requête et attendre les résultats, ce qui, à mon avis, est une chose très simple à faire. Avis collecté par et hébergé sur G2.com.

La facturation est un piège, et si vous exécutez une requête générique sans filtre, les coûts augmentent immédiatement, ce qui peut être très agaçant. J'ai dû réécrire toutes mes procédures stockées parce que la syntaxe n'est pas tout à fait comme pl/sql. Et je n'aime vraiment pas lire les journaux lorsque un modèle échoue et/ou des erreurs se produisent. Avis collecté par et hébergé sur G2.com.

Une chose que je trouve impressionnante à propos de dbt est qu'il favorise la discipline dans l'écriture des transformations. Cela a transformé mon approche de la manière dont je gère mon travail, car je réfléchis maintenant à deux fois avant d'imposer des changements. Je l'utilise régulièrement, et cela a amélioré le travail d'équipe puisque la logique est moins difficile à revoir et à discuter. Cela a permis de gagner du temps sur les corrections rapides et nous a aidés à développer plus de confiance dans les résultats qui peuvent être partagés. Avis collecté par et hébergé sur G2.com.

Ce que je n'aime pas à propos de dbt, c'est qu'il y a un énorme impact des petites erreurs dans les modèles. Certaines d'entre elles peuvent s'effondrer sous la pression d'avoir quelques éléments en aval cassés lorsqu'il y a un léger changement. Cela prend du temps et peut même amener plusieurs personnes à rencontrer le même problème lorsqu'il s'agit de déboguer ces chaînes. Dans mon cas, cela retarde le progrès et entraîne un changement de contexte qui peut être agaçant lorsque les délais sont proches. Avis collecté par et hébergé sur G2.com.