Avaliações e Detalhes do Produto dbt

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.

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.

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.