Avis et détails du produit dbt

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'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.

J'utilise dbt tous les jours pour transformer les données brutes de notre entrepôt en tables prêtes pour l'analyse, et mon flux de travail commence généralement dans VS Code, où j'écris des modèles SQL, puis je les pousse vers Git pour le contrôle de version et je les exécute via dbt Cloud. Dans l'ensemble, cela a également facilité la collaboration entre les membres de notre équipe car dbt rend le processus beaucoup plus simple. Avis collecté par et hébergé sur G2.com.

C'est difficile lorsqu'un seul changement perturbe complètement une exécution et que les messages d'erreur sont au mieux vagues. Je ressens également le besoin de défendre le travail de mon contributeur à dbt cloud. J'ai aussi rencontré la structure trop détendue et les configurations de commande et d'environnement spécifiques qui en résultent, chaotiques. Avis collecté par et hébergé sur G2.com.

Grâce à dbt, je n'ai plus besoin de dépendre de l'équipe d'ingénierie pour gérer et transformer les données SQL dans notre entrepôt. C'est la première étape pour moi dans l'organisation, le test et la documentation de l'ensemble de nos modèles de données. J'apprécie que toutes ces informations soient regroupées en un seul endroit dans le contrôle de version. Je peux suivre tous les changements effectués et les détails entourant chacun d'eux. Avis collecté par et hébergé sur G2.com.

Dépanner des dépendances complexes et des erreurs de construction peut être une tâche ardue. Il y a des occasions où un modèle échoue et il n'est pas clair quel changement en amont pourrait en être la cause. Bien que la documentation soit vraiment bonne, j'ai trouvé que creuser dans un fil de discussion sur Stack Overflow ou Slack est la réponse pour certains des problèmes les plus obscurs. Je trouve également que la visualisation de la lignée dans dbt Cloud est encombrante. Avis collecté par et hébergé sur G2.com.

Le plus grand avantage de dbt pour moi est qu'il apporte une structure au travail de données. Je l'utilise régulièrement avec BigQuery et les outils de contrôle de version. L'intégration est confortable et le travail d'équipe est facilité. Cela n'a pas ajouté de retard lors de la mise en œuvre et l'ensemble des fonctionnalités permet de réutiliser la logique plutôt que de la réécrire. Cela a minimisé le nombre d'erreurs et m'a fait gagner du temps sur la révision et les mises à jour. Avis collecté par et hébergé sur G2.com.

Le côté négatif de dbt est qu'il devient rigide lorsque les projets s'étendent. Des modifications mineures nécessitent parfois plus de réajustements que prévu, ce qui me ralentit. Les problèmes de débogage des échecs ne sont pas toujours évidents, en particulier pour les membres de l'équipe moins expérimentés, et cela a un impact sur la rapidité de livraison. Des données sources propres sont également utilisées dans la mise en œuvre et donc lorsque les entrées sont désordonnées, cela ne fait qu'ajouter plus de charge de travail au lieu de faciliter les choses. Avis collecté par et hébergé sur G2.com.

Ce que j'ai le plus apprécié, c'est l'élimination du code dupliqué qui était auparavant dispersé dans divers scripts. Ce changement a considérablement amélioré la fiabilité des données et me permet désormais d'implémenter la logique métier directement en SQL pur. J'apprécie également à quel point cela accélère le développement, et je trouve l'orchestration et le déploiement avec DBT exceptionnellement simples. Avis collecté par et hébergé sur G2.com.

J'ai trouvé l'aspect gestion de projet difficile lorsque je devais gérer des centaines de modèles, car l'interface peut parfois être assez compliquée. Avis collecté par et hébergé sur G2.com.

Ce que j'aime le plus chez dbt, c'est qu'il apporte les meilleures pratiques de l'ingénierie logicielle aux transformations de données basées sur SQL, rendant notre base de code SQL maintenable à grande échelle. Il a une structure de modèle claire comme les couches de staging, intermédiaire et de reporting. Il fournit des macros et des macros de référence qui rendent la logique réutilisable, et les dépendances sont vraiment faciles à comprendre. J'apprécie sa bonne collaboration avec Git et son intégration avec le contrôle de version. Dbt a un solide fondement documentaire, fournissant un site de documentation auto-généré, de sorte que tout le monde est au courant de ce qui se passe dans le projet. La configuration initiale de dbt est vraiment facile grâce à sa grande documentation, et il est disponible pour presque tous les principaux entrepôts de données. Avis collecté par et hébergé sur G2.com.

L'un des points douloureux est le débogage et le dépannage des erreurs. Les messages d'erreur peuvent vraiment être vagues, ce qui rend difficile de déterminer quelle partie du noyau a causé l'échec. De plus, les grands modèles sont pénibles à déboguer. La visibilité du plan de requête à l'intérieur de dbt serait vraiment utile. Une exécution pas à pas pour les modèles échoués serait également utile. Avis collecté par et hébergé sur G2.com.