Avaliações e Detalhes do Produto dbt

Joguei terabytes no DBT e esperava que a infraestrutura falhasse, mas o DBT executou a execução distribuída por conta própria, sem intervenção minha. A capacidade de executar aprendizado de máquina diretamente dentro do SQL é estranha, mas melhor do que exportar para o vertex.ai e lidar com o gerenciamento de clusters eu mesmo. Também não preciso me preocupar com o gerenciamento de clusters, pois posso simplesmente escrever a consulta e esperar pelos resultados, o que, na minha opinião, é uma coisa muito simples de se fazer. Análise coletada por e hospedada no G2.com.

A cobrança é uma armadilha, assim como se você executar uma consulta genérica sem um filtro, os custos aumentam imediatamente, o que pode ser muito irritante. Tive que reescrever todos os meus procedimentos armazenados porque a sintaxe não é exatamente como pl/sql. E eu realmente não gosto de ler os logs quando um modelo falha e/ou ocorrem erros. Análise coletada por e hospedada no G2.com.

Eu uso dbt todos os dias para transformar dados brutos em nosso armazém em tabelas limpas e prontas para análise, e meu fluxo de trabalho normalmente começa no VS Code, onde escrevo modelos SQL, depois os envio para o Git para controle de versão e os executo através do dbt Cloud. E, no geral, isso também tornou a colaboração entre os membros da nossa equipe muito mais fácil, porque o dbt torna todo o processo muito mais simples. Análise coletada por e hospedada no G2.com.

É desafiador quando uma única mudança desvia completamente uma execução e as mensagens de erro são, na melhor das hipóteses, vagas. Também sinto a necessidade de defender o trabalho do meu colaborador no dbt cloud. Também encontrei a estrutura excessivamente relaxada e as configurações caóticas de comandos e ambientes específicos resultantes. Análise coletada por e hospedada no G2.com.

Eu uso o dbt diariamente para lidar e transformar modelos de dados em nosso armazém. E ele também se tornou a espinha dorsal do nosso fluxo de trabalho de análises, com controle de versão, transparente e fácil de depurar. Eu aprecio particularmente como é fácil modularizar transformações SQL e documentar tudo em linha para que a equipe saiba por que cada modelo faz o que faz e de onde esses dados vieram. Análise coletada por e hospedada no G2.com.

Pode ser um pouco confuso configurar as configurações de ambiente, especialmente quando você está trabalhando em mais de um projeto ou armazém. À medida que seus modelos crescem e essa camada de estrutura se aprofunda, o tempo de construção pode começar a desacelerar e nem sempre é simples identificar o gargalo. Além disso, testar macros não convencionais parece um pouco desajeitado em comparação com escrever testes para modelos lineares. Análise coletada por e hospedada no G2.com.

Graças ao dbt, não preciso mais depender da equipe de engenharia para gerenciar e transformar os dados SQL dentro do nosso armazém. É o primeiro passo para mim na organização, teste e documentação de todos os nossos modelos de dados. Aprecio que todas essas informações estejam em um só lugar no controle de versão. Posso rastrear todas as alterações feitas e os detalhes em torno de cada uma. Análise coletada por e hospedada no G2.com.

Solucionar problemas de dependências complexas e erros de compilação pode ser uma tarefa assustadora. Há ocasiões em que um modelo falha e não está claro qual mudança a montante pode ser a causa. Embora a documentação seja muito boa, descobri que explorar um tópico no Stack Overflow ou no Slack é a resposta para alguns dos problemas mais obscuros. Também acho a visualização de linhagem no dbt Cloud complicada. Análise coletada por e hospedada no G2.com.

O maior benefício do dbt para mim é que ele fornece estrutura ao trabalho com dados. Eu o uso regularmente com o BigQuery e ferramentas de controle de versão. A integração é confortável e o trabalho em equipe é facilitado. Não adicionou nenhum atraso durante a implementação e o conjunto de recursos permite reutilizar a lógica em vez de reescrevê-la. Ele minimizou o número de erros e me economizou tempo na revisão e nas atualizações. Análise coletada por e hospedada no G2.com.

O lado negativo do dbt é que ele se torna rígido quando os projetos se expandem. Pequenas modificações, em alguns casos, exigem mais reajustes do que o previsto, e isso me faz desacelerar. Os problemas de depuração de falhas nem sempre são evidentes, especialmente para membros da equipe mais novatos, e isso tem um impacto na velocidade de entrega. Dados de origem limpos também são usados na implementação e, portanto, quando as entradas são desorganizadas, isso apenas adiciona mais carga de trabalho em vez de facilitar. Análise coletada por e hospedada no G2.com.

O que mais apreciei foi a eliminação de código duplicado que costumava estar espalhado por vários scripts. Essa mudança melhorou significativamente a confiabilidade dos dados e agora me permite implementar lógica de negócios diretamente em SQL puro. Também valorizo o quanto isso acelera o desenvolvimento, e acho a orquestração e implantação com DBT excepcionalmente simples. Análise coletada por e hospedada no G2.com.

Achei o aspecto de gerenciamento de projetos desafiador ao lidar com centenas de modelos, pois a interface pode ser bastante complicada às vezes. Análise coletada por e hospedada no G2.com.

O que eu mais gosto no dbt é que ele traz as melhores práticas de engenharia de software para transformações de dados baseadas em SQL, tornando nossa base de código SQL sustentável em escala. Ele possui uma estrutura de modelo clara, como camadas de staging, intermediárias e de relatórios. Oferece macros e macros de referência que tornam a lógica reutilizável, e as dependências são realmente fáceis de entender. Aprecio sua boa colaboração com o Git e integração com controle de versão. O dbt tem um forte histórico de documentação, fornecendo um site de documentação auto-gerado, para que todos estejam cientes do que está acontecendo no projeto. A configuração inicial do dbt é realmente fácil graças à sua excelente documentação, e está disponível para quase todos os principais data warehouses. Análise coletada por e hospedada no G2.com.

Um dos pontos problemáticos é a depuração e solução de problemas de erro. As mensagens de erro podem ser realmente vagas, tornando difícil identificar qual parte do núcleo causou a falha. Além disso, modelos grandes são difíceis de depurar. A visibilidade do plano de consulta dentro do dbt seria realmente útil. A execução passo a passo para modelos com falha também seria útil. Análise coletada por e hospedada no G2.com.

Todos os dias eu uso o dbt para converter dados brutos para que estejam prontos para análise e aprecio especialmente que tudo envolva apenas SQL e controle de versão—sem mais scripts bagunçados. Eu gosto da sensação de escrever consultas simples e, ao mesmo tempo, aprecio a modularidade extra e a documentação automática. Os testes e minhas transformações rodando simultaneamente me dão confiança real nos conjuntos de dados que forneço. Análise coletada por e hospedada no G2.com.

Quando se trata de dbt, a curva de aprendizado é bastante desafiadora e me levou algum tempo para descobrir como configurar as macros e organizar os modelos de maneira ordenada. A tarefa de depuração também é bastante cansativa e, como algumas das mensagens de erro carecem de clareza, acabo gastando muito tempo nos logs. Além disso, para projetos grandes, o tempo de execução pode ser bastante longo, o que pode atrapalhar o fluxo de desenvolvimento. Análise coletada por e hospedada no G2.com.

O dbt funciona bem no Redshift, já que isso foi mencionado repetidamente nas notas; no entanto, o dbt simplesmente compila o SQL e o próprio armazém de dados lida com o trabalho pesado. Usar Git e Controle de Versão para Modelos de Dados é bom porque evita que o modelo de dados exploda. O dbt também se integra com nossa infraestrutura AWS sem causar lágrimas. A velocidade é suficiente, pois simplesmente passa o trabalho para o banco de dados; embora, ter a lógica de transformação em um único local seja útil. Análise coletada por e hospedada no G2.com.

O custo está se tornando cada vez mais caro e considerando que o dbt é essencialmente um compilador de SQL sofisticado. O dbt também tem um desempenho ruim ao lidar com dados não estruturados (embora isso possa ser devido ao Redshift); não tenho certeza, tudo parece se misturar. Além disso, a curva de aprendizado é muito íngreme se você não estiver familiarizado com Jinja e configurar arquivos YAML corretamente. Análise coletada por e hospedada no G2.com.

O fato interessante sobre o dbt é que ele simplifica o processo de gerenciamento de pipelines de dados. Foi implementado com sucesso e eu dependo dele diariamente, por isso minha frequência de uso é alta. A quantidade de funcionalidades, como teste de modelos, documentação e controle de versão, é especialmente apreciada por mim. Ele minimizou erros em nossos processos de conversão e simplificou muito o processo de trabalho em equipe, ajudando a equipe a manter pipelines que são uniformes e estruturados em todos os projetos. Análise coletada por e hospedada no G2.com.

A coisa que eu não gosto no dbt é que pode ser difícil solucionar erros de modelo. As funcionalidades são boas, mas as mensagens de erro nem sempre ajudam a revelar o problema. A alta frequência de uso implica que esses momentos têm a capacidade de atrapalhar os fluxos de trabalho, já que eu o uso frequentemente. Há um suporte ao cliente responsivo, mas as correções para casos extremos nem sempre estão imediatamente disponíveis, então a equipe ocasionalmente precisa verificar os resultados antes de prosseguir. Análise coletada por e hospedada no G2.com.