Vergangene Woche durfte ich an einer internen dbt-Session bei The Information Lab teilnehmen. Die Session wurde von unseren Kolleg:innen aus UK – Ollie Clarke und Jonathan MacDonald – durchgeführt und war eine Mischung aus Theorie, Praxis und Aha-Momenten.
Was ist dbt eigentlich?
dbt steht für data build tool – ein Open-Source-Framework von dbt Labs, das speziell für Daten-Transformationen im Data Warehouse entwickelt wurde. Während früher viele ETL-Prozesse (Extract, Transform, Load) außerhalb der Datenbank abliefen, setzt dbt auf ELT: Daten werden zuerst geladen – und erst dann direkt im Warehouse transformiert.
Der große Vorteil: Man arbeitet größtenteils mit SQL – ergänzt um die Template-Sprache Jinja, die z. B. Variablen oder Bedingungen ermöglicht. Wer also schon mit SQL vertraut ist, findet sich in dbt schnell zurecht – das war auch für mich ein echter Pluspunkt in der dbt-Session.
Ein Tool, das gar nicht so fremd wirkt
Ich hatte ehrlich gesagt erwartet, dass ein Data-Engineering-Tool deutlich technischer oder schwerer zugänglich wäre.
Und ich muss sagen: dbt fühlte sich vertraut an – auch wenn es neben SQL mit der Template-Sprache Jinja arbeitet. Die Benutzeroberfläche ist übersichtlich, und viele Abläufe sind nachvollziehbar aufgebaut – besonders wenn man bereits mit Datenaufbereitungstools wie Alteryx oder Tableau Prep gearbeitet hat.
Was dbt besonders macht
Hier treffen Best Practices asu der Softwareentwicklung auf Analytics.
Versionierung mit Git
Tests und Validierungen
Automatisierte Deployments (CI/CD)
Dynamische Dokumentation
Was dbt spannend macht, ist der strukturierte und Aufbau:
Modelle werden in einzelnen .sql-Dateien definiert,
Tests und Dokumentation kommen separat in .yml-Dateien hinzu,
Abhängigkeiten zwischen Modellen sind sichtbar und steuerbar.
Hands-on Session: dbt selbst ausprobieren
Im Seminar haben wir dbt nicht nur theoretisch kennengelernt, sondern direkt selbst ausprobiert. Dabei wurde schnell klar:
- Viele dbt-Kommandos nehmen einem das Schreiben langer SQL-Abfragen ab
- Modelle bauen sich schrittweise aufeinander auf (Lineage!)
- dbt trennt Modell-Logik, Tests und Doku in eigene Dateien – etwa .sql und .yml.
Das haben wir im Seminar ausprobiert, und ich fand es echt hilfreich für die Übersicht.
Selbst Features wie Alerts und Subscriptions – die ich bisher eher von Tools wie dem Tableau Server kannte – lassen sich in dbt Cloud nutzen, um Teams über Datenänderungen oder Build-Ergebnisse automatisch zu informieren.
Fazit
dbt bietet eine strukturierte Möglichkeit, Datenmodelle und Verarbeitungsschritte (also die sogenannte Pipeline) aufzubauen – auch für Teams, die sich bisher primär mit Analytics und Reporting beschäftigt haben.
Insgesamt war die Session für mich ein spannender Einblick in die Welt der datengetriebenen Modellierung. Wer sich also mit SQL wohlfühlt und Lust auf strukturierte Datenarbeit hat, sollte sich dbt gerne anschauen.