Loading content
dbt ermöglicht Analytik-Teams, Daten innerhalb von Data Warehouses zu transformieren, indem es SQL in einen strukturierten Workflow integriert. Es fördert Zusammenarbeit und Automatisierung, um qualitativ hochwertige Daten abzuleiten.
Nutze diesen Steckbrief, um den Baustein kurz zu verstehen, ihn im Modell einzuordnen und verwandte Bausteine zu öffnen.
Bedienbare Anwendungssoftware: unterstützt Menschen bei einer Aufgabe.
Konkretes Rädchen im System, das in größeren Zusammenhängen wirkt.
dbt ist ein Entwicklungswerkzeug für analytische Datentransformationen im Data Warehouse oder Lakehouse. Teams schreiben SQL-Modelle, Tests und Dokumentation als versioniertes Softwareprojekt.
dbt entstand 2016 aus der Analytics-Arbeit rund um RJMetrics und das spätere Fishtown Analytics, heute dbt Labs. Die ersten Codezeilen schrieb Chris Merrick; Tristan Handy, Drew Banin und das damalige Team entwickelten daraus ein Werkzeug für verlässlichere, gemeinsam gepflegte SQL-Transformationen.
Stell dir dbt als Build-System für Daten vor, die bereits im Warehouse liegen. Für jede gewünschte Tabelle oder View schreibt das Team eine SQL-SELECT-Abfrage als Model. Mit `ref()` verweist ein Model auf andere Models; daraus erkennt dbt die Abhängigkeiten und die richtige Ausführungsreihenfolge. Beim Lauf erzeugt dbt die Tabellen oder Views direkt im Warehouse. Anschließend prüfen Tests wichtige Datenannahmen, während Dokumentation und Lineage zeigen, wie die Ergebnisse entstanden sind.
Modulare SQL-SELECT-Abfragen beschreiben, welche analytischen Tabellen oder Views im Warehouse entstehen sollen.
Referenzen verbinden Modelle; dbt leitet daraus Ausführungsreihenfolge und Auswirkungen von Änderungen ab.
Eine Konfiguration bestimmt, ob ein Model beispielsweise als View, Tabelle oder inkrementell im Warehouse gebaut wird.
Deklarative Prüfungen kontrollieren Datenannahmen; Dokumentation macht Modelle, Beziehungen und Verantwortlichkeiten nachvollziehbar.
dbt eignet sich, wenn Teams analytische Transformationen transparent, wiederholbar und gemeinsam weiterentwickeln wollen. Es übernimmt keine Rohdatenaufnahme: Die Quelldaten müssen bereits im Warehouse oder Lakehouse verfügbar sein. Laufzeitkosten, inkrementelle Logik, Datenmodellierung und klare Data Ownership bleiben bewusste Gestaltungsaufgaben.
Wo dieser Baustein im Themenmodell verortet ist.
Erkunde, wie dieser Wissensbaustein mit Konzepten, Methoden, Technologien und Tools verbunden ist.
Diese Quellen belegen den Begriff und seine fachliche Bedeutung.
Alle direkten Verbindungen des aktuellen Wissensbausteins in einer kompakten, textuellen Darstellung.
Diese Einordnung zeigt, in welchem Kontext der Baustein typischerweise relevant wird, wie anspruchsvoll er ist und welche Wirkung er im Modell hat.
Die Ebene innerhalb der Organisation (Unternehmen, Domäne, Team), auf der der AssetBlock angewendet wird.