Avaliações e Detalhes do Produto 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. Análise coletada por e hospedada no 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. Análise coletada por e hospedada no 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. Análise coletada por e hospedada no 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. Análise coletada por e hospedada no G2.com.

O que mais gosto no dbt é como ele traz uma estrutura limpa e amigável para desenvolvedores ao trabalho de análise. Ele faz com que a modelagem e transformação de dados pareçam organizadas e previsíveis, graças à sua abordagem simples, que prioriza SQL, e ao layout claro do projeto. Também aprecio muito como o dbt incentiva boas práticas de engenharia, como controle de versão, testes e documentação. Assim, todo o fluxo de trabalho se torna mais confiável e colaborativo. Análise coletada por e hospedada no G2.com.

O que não gosto no dbt é que algumas partes do fluxo de trabalho podem parecer um pouco inflexíveis, especialmente quando você está tentando personalizar como os testes ou modelos se comportam em projetos mais complexos. Ele também depende muito da linha de comando e de arquivos de configuração, o que pode se tornar exigente à medida que o projeto cresce. Além disso, o dbt não lida com ingestão ou necessidades em tempo real, então os usuários frequentemente precisam de ferramentas adicionais para completar o pipeline, o que faz com que a configuração pareça menos integrada. Análise coletada por e hospedada no G2.com.

A forma como ele lida com grandes quantidades de dados, assim como sua integração com AWS (S3/Glue), é excelente. Isso me permite evitar a construção de pipelines personalizados, o que teria sido muito demorado e causaria dores de cabeça adicionais, e devido ao seu design de banco de dados colunar, todas as minhas solicitações de consultas complexas são processadas de maneira oportuna, o que significa que eu não adormeço enquanto espero pelos resultados. Análise coletada por e hospedada no G2.com.

Aspirar as tabelas... sério, eu tenho que aspirar e analisar manualmente as tabelas para manter isso funcionando sem problemas? Parece 2005. Gerenciar os clusters e nós também é um incômodo – não é verdadeiramente sem servidor. Se você não prestar muita atenção aos custos, eles vão subir demais. Análise coletada por e hospedada no G2.com.

Eu valorizo principalmente como o dbt transforma a transformação de dados em um fluxo de trabalho de engenharia de software. Ao materializar o código em tabelas e visualizações automaticamente, ele permite que nossa equipe se concentre na lógica de transformação em vez do boilerplate DDL. A sintaxe de seleção de modelo é incrivelmente eficiente para executar segmentos específicos do nosso DAG sem desperdiçar recursos do data warehouse.

Macros e a integração com Jinja também foram revolucionários para modularizar nossa lógica e reduzir a repetição de código. Acho que os testes unitários baseados em YAML são uma maneira robusta de garantir a integridade dos dados antes que eles cheguem à nossa camada de BI. Entre os dois, eu prefiro o dbt Cloud ao Core porque o IDE fornece visibilidade imediata nos resultados das consultas e nas mudanças de esquema, o que acelera nosso ciclo de desenvolvimento.

Eu o uso todos os dias de trabalho. O suporte ao cliente foi rápido e responsivo quando tive problemas durante a configuração inicial do dbt com a autenticação do Snowflake. A implementação também foi direta ao conectá-lo ao Snowflake, e uma vez que a conexão foi estabelecida, não tive problemas contínuos, exceto a necessidade de reautenticar todos os dias. Análise coletada por e hospedada no G2.com.

O ponto de fricção mais significativo é o ciclo de vida de autenticação com o Snowflake. Os tokens de sessão expiram frequentemente (geralmente a cada poucas horas), forçando um processo de re-autenticação manual que interrompe o fluxo de desenvolvimento.

Além disso, há uma lacuna de recursos perceptível entre as versões. O dbt Core carece da visualização instantânea de resultados nativa que torna o dbt Cloud tão produtivo. Trazer uma "visualização ao vivo" semelhante ou um painel de resultados integrado para a experiência do CLI do Core tornaria uma opção muito mais viável para o desenvolvimento local. Análise coletada por e hospedada no G2.com.

I like the amount of variety that dbt offers because of the Jinja code and the inbuilt functions. The incremental models are very well built-in, offering lots of capabilities at a layer beyond what's in the data warehouse, like Redshift. The initial setup of dbt is very straightforward, which I find really helpful. Análise coletada por e hospedada no G2.com.

I guess the development cycle of dbt is slower as a result. Writing YAML file descriptions and the actual code for every single model can lead to a slower development cycle. Análise coletada por e hospedada no G2.com.

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.

Uma coisa que acho impressionante sobre o dbt é que ele promove disciplina na escrita de transformações. Ele transformou minha abordagem em relação à forma como lido com meu trabalho, pois agora penso duas vezes antes de impor mudanças. Eu o uso regularmente, e ele melhorou o trabalho em equipe, já que a lógica tem menos dificuldade em revisão e discussão. Isso economizou tempo em correções rápidas e nos ajudou a desenvolver mais confiança nos resultados que podem ser compartilhados. Análise coletada por e hospedada no G2.com.

O que eu não gosto no dbt é que pequenos erros nos modelos têm um grande impacto. Alguns deles podem falhar sob a pressão de ter algumas partes a jusante quebradas quando há uma pequena mudança. Isso consome tempo e pode até envolver várias pessoas no mesmo problema quando se trata de depurar essas cadeias. No meu caso, isso atrasa o progresso e resulta em troca de contexto, o que pode ser irritante quando os prazos estão próximos. 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.

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.