Recensioni e Dettagli del Prodotto dbt

dbt simplifies the process of building a solid data pipeline by offering a lot of features that would be difficult to implement from scratch. In particular, the SCD2 and incremental functionality helps remove a lot of overhead for developers and makes ongoing maintenance easier. There are also many other features that are great and contribute to a smoother overall workflow. Recensione raccolta e ospitata su G2.com.

There’s nothing I dislike about it, but I do have one suggestion:adding a feature for backfilling data (historical loads) will help a lot. Right now this can be done using a macro, but having an inbuilt option similar to incremental would make it much easier and help a lot. Recensione raccolta e ospitata su G2.com.

I have been using DBT every day in my project for the last two years, and I can say it is one of the best platforms for creating data models through SQL-based data transformations. DBT’s ease of integration has helped us save effort during code deployment. We integrated DBT with Git so we can work in parallel on multiple tasks across multiple models for a single requirement.

Its ease of implementation also makes it simpler to understand DBT’s benefits and has helped improve our efficiency. The command-line interface and the IDE environment make it easier for us to manage data and execute data models. DBT also has its own test case preparation features, which help us validate both our data model changes and the data being populated through DBT models. If we run into any product-related issues, there is a customer support team that is always ready to guide us through our blockers. Recensione raccolta e ospitata su G2.com.

In my experience, I worked with DBT for 2–3 years and noticed that, to use DBT effectively, you need prior knowledge of SQL and Python—especially if you want to take advantage of additional features like Jinja templates. This can be a major drawback for data analysts and developers who don’t already have a solid understanding of SQL and Python. Recensione raccolta e ospitata su G2.com.

Quello che mi piace di più di dbt è come porta una struttura pulita e adatta agli sviluppatori al lavoro analitico. Rende la modellazione e la trasformazione dei dati organizzata e prevedibile, grazie al suo approccio semplice basato su SQL e alla chiara struttura del progetto. Apprezzo anche molto come dbt incoraggi buone pratiche ingegneristiche come il controllo delle versioni, il testing e la documentazione. Così l'intero flusso di lavoro diventa più affidabile e collaborativo. Recensione raccolta e ospitata su G2.com.

Quello che non mi piace di dbt è che alcune parti del flusso di lavoro possono sembrare un po' rigide, specialmente quando si cerca di personalizzare il comportamento dei test o dei modelli in progetti più complessi. Si basa anche molto sulla riga di comando e sui file di configurazione, che possono diventare impegnativi man mano che il progetto cresce. Inoltre, dbt non gestisce l'ingestione o le esigenze in tempo reale, quindi spesso gli utenti hanno bisogno di strumenti aggiuntivi per completare la pipeline, il che rende l'impostazione meno fluida. Recensione raccolta e ospitata su G2.com.

Il modo in cui gestisce grandi quantità di dati, così come la sua integrazione in AWS (S3/Glue), è eccellente. Questo mi permette di evitare di costruire pipeline personalizzate che sarebbero state molto dispendiose in termini di tempo e avrebbero causato ulteriori mal di testa e, grazie al suo design di database colonnare, tutte le mie richieste di query complesse vengono elaborate in modo tempestivo, il che significa che non mi addormento mentre aspetto i risultati. Recensione raccolta e ospitata su G2.com.

Aspirare i tavoli... sul serio, devo aspirare e analizzare manualmente i tavoli per mantenere tutto in funzione senza intoppi? Sembra il 2005. Gestire i cluster e i nodi è anche un problema - non è veramente senza server. Se non presti molta attenzione ai costi, aumenteranno troppo. Recensione raccolta e ospitata su G2.com.

Valuto principalmente come dbt sposta la trasformazione dei dati in un flusso di lavoro di ingegneria del software. Materializzando automaticamente il codice in tabelle e viste, permette al nostro team di concentrarsi sulla logica di trasformazione piuttosto che sul boilerplate DDL. La sintassi di selezione dei modelli è incredibilmente efficiente per eseguire segmenti specifici del nostro DAG senza sprecare risorse del magazzino.

Le macro e l'integrazione con Jinja sono state rivoluzionarie per modularizzare la nostra logica e ridurre la ripetizione del codice. Trovo che i test unitari basati su YAML siano un modo robusto per garantire l'integrità dei dati prima che raggiungano il nostro livello BI. Tra i due, preferisco dbt Cloud rispetto a Core perché l'IDE fornisce visibilità immediata sui risultati delle query e sui cambiamenti dello schema, il che accelera il nostro ciclo di sviluppo.

Lo uso ogni giorno lavorativo. Il supporto clienti è stato rapido e reattivo quando ho avuto problemi durante la configurazione iniziale di dbt con l'autenticazione Snowflake. L'implementazione è stata anche semplice quando lo si è collegato a Snowflake, e una volta stabilita la connessione, non ho avuto problemi continui a parte la necessità di riautenticarmi ogni giorno. Recensione raccolta e ospitata su G2.com.

Il punto di attrito più significativo è il ciclo di vita dell'autenticazione con Snowflake. I token di sessione scadono frequentemente (spesso ogni poche ore), costringendo a un processo di ri-autenticazione manuale che interrompe il flusso di sviluppo.

Inoltre, c'è una notevole differenza di funzionalità tra le versioni. dbt Core manca dell'anteprima dei risultati nativa e istantanea che rende dbt Cloud così produttivo. Portare un'anteprima "live" simile o un pannello di risultati integrato nell'esperienza CLI di Core lo renderebbe un'opzione molto più praticabile per lo sviluppo locale. Recensione raccolta e ospitata su G2.com.

Ho lanciato terabyte su DBT e mi aspettavo che l'infrastruttura fallisse, ma DBT ha eseguito l'esecuzione distribuita da solo senza il mio intervento. La capacità di eseguire l'apprendimento automatico direttamente all'interno di SQL è strana ma migliore rispetto all'esportazione su vertex.ai e alla gestione dei cluster da parte mia. Inoltre, non devo preoccuparmi della gestione dei cluster poiché posso semplicemente scrivere la query e aspettare i risultati, che a mio avviso è una cosa molto semplice da fare. Recensione raccolta e ospitata su G2.com.

La fatturazione è una trappola, così come se esegui una query generica senza un filtro i costi aumentano immediatamente, il che può essere molto fastidioso. Ho dovuto riscrivere tutte le mie procedure memorizzate perché la sintassi non è proprio come pl/sql. E non mi piace affatto leggere i log quando un modello fallisce e/o si verificano errori. Recensione raccolta e ospitata su G2.com.

Una cosa che trovo impressionante di dbt è che promuove la disciplina nella scrittura delle trasformazioni. Ha trasformato il mio approccio al modo in cui gestisco il mio lavoro, poiché ora ci penso due volte prima di imporre cambiamenti. Lo uso regolarmente e ha migliorato il lavoro di squadra poiché la logica ha meno difficoltà nella revisione e nella discussione. Questo ha risparmiato tempo sui rapidi aggiustamenti e ci ha aiutato a sviluppare maggiore fiducia nei risultati che possono essere condivisi. Recensione raccolta e ospitata su G2.com.

Quello che non mi piace di dbt è che c'è un grande effetto di piccoli errori nei modelli. Alcuni di essi possono crollare sotto la pressione di avere alcuni pezzi a valle rotti quando c'è un leggero cambiamento. È dispendioso in termini di tempo e può persino coinvolgere diverse persone nello stesso problema quando si tratta di fare il debug di quelle catene. Nel mio caso, questo rallenta il progresso e porta a un cambio di contesto che può essere fastidioso quando le scadenze sono vicine. Recensione raccolta e ospitata su G2.com.

Uso dbt ogni giorno per trasformare i dati grezzi nel nostro magazzino in tabelle pulite e pronte per l'analisi e il mio flusso di lavoro inizia tipicamente in VS Code, dove scrivo modelli SQL, poi li invio a Git per il controllo delle versioni e li eseguo tramite dbt Cloud. E in generale ha anche reso la collaborazione tra i membri del nostro team molto più facile perché dbt rende l'intero processo molto più semplice. Recensione raccolta e ospitata su G2.com.

È difficile quando un solo cambiamento manda fuori pista un'intera esecuzione e i messaggi di errore sono, nel migliore dei casi, vaghi. Sento anche il bisogno di difendere il lavoro del mio collaboratore su dbt cloud. Ho anche incontrato la struttura eccessivamente rilassata e le conseguenti configurazioni caotiche specifiche per comando e ambiente. Recensione raccolta e ospitata su G2.com.

Grazie a dbt, non devo più dipendere dal team di ingegneria per gestire e trasformare i dati SQL all'interno del nostro magazzino. È il primo passo per me nell'organizzare, testare e documentare l'interezza dei nostri modelli di dati. Apprezzo che tutte queste informazioni siano in un unico posto nel controllo di versione. Posso tracciare tutte le modifiche apportate e i dettagli che le circondano. Recensione raccolta e ospitata su G2.com.

Risoluzione dei problemi di dipendenze complesse e errori di build può essere un compito arduo. Ci sono occasioni in cui un modello fallisce ed è poco chiaro quale cambiamento a monte possa essere la causa. Sebbene la documentazione sia davvero buona, ho scoperto che scavare in un thread di Stack Overflow o Slack è la risposta per alcuni dei problemi più oscuri. Trovo anche che la visualizzazione della discendenza in dbt Cloud sia ingombrante. Recensione raccolta e ospitata su G2.com.

Il più grande vantaggio di dbt per me è che fornisce struttura al lavoro sui dati. Lo uso regolarmente con BigQuery e strumenti di controllo delle versioni. L'integrazione è comoda e il lavoro di squadra è facilitato. Non ha aggiunto alcun ritardo durante l'implementazione e il set di funzionalità consente di riutilizzare la logica piuttosto che riscriverla. Ha ridotto il numero di errori e mi ha fatto risparmiare tempo nella revisione e negli aggiornamenti. Recensione raccolta e ospitata su G2.com.

Il lato negativo di dbt è che diventa rigido quando i progetti si espandono. Modifiche minori in alcuni casi richiedono più aggiustamenti del previsto, e questo mi rallenta. I problemi di debug dei fallimenti non sono sempre evidenti, in particolare per i membri del team meno esperti, e questo ha un impatto sulla velocità di consegna. Anche i dati di origine puliti vengono utilizzati nell'implementazione e quindi, quando gli input sono disordinati, aggiungono solo più lavoro piuttosto che semplificare. Recensione raccolta e ospitata su G2.com.