dbt Reseñas y Detalles del Producto

Lo que más me gusta de dbt es cómo aporta una estructura limpia y amigable para los desarrolladores al trabajo analítico. Hace que modelar y transformar datos se sienta organizado y predecible, gracias a su enfoque simple de SQL primero y a su disposición clara del proyecto. También aprecio mucho cómo dbt fomenta buenas prácticas de ingeniería como el control de versiones, las pruebas y la documentación. Así, todo el flujo de trabajo se vuelve más confiable y colaborativo. Reseña recopilada por y alojada en G2.com.

Lo que no me gusta de dbt es que algunas partes del flujo de trabajo pueden parecer un poco inflexibles, especialmente cuando intentas personalizar cómo se comportan las pruebas o los modelos en proyectos más complejos. También depende mucho de la línea de comandos y de los archivos de configuración, lo que puede volverse exigente a medida que el proyecto crece. Además, dbt no maneja la ingesta o las necesidades en tiempo real, por lo que los usuarios a menudo necesitan herramientas adicionales para completar el pipeline, lo que hace que la configuración se sienta menos fluida. Reseña recopilada por y alojada en G2.com.

La forma en que maneja grandes cantidades de datos, así como su integración en AWS (S3/Glue) es excelente. Esto me permite evitar construir canalizaciones personalizadas que habrían sido muy laboriosas y habrían causado dolores de cabeza adicionales, y debido a su diseño de base de datos columnar, todas mis solicitudes de consultas complejas se procesan de manera oportuna, lo que significa que no me quedo dormido esperando los resultados. Reseña recopilada por y alojada en G2.com.

Aspirar mesas… ¿en serio, tengo que aspirar y analizar manualmente las mesas para que esto funcione sin problemas? Parece 2005. Gestionar los clústeres y nodos también es un dolor de cabeza: no es verdaderamente sin servidor. Si no prestas mucha atención a los costos, se dispararán demasiado. Reseña recopilada por y alojada en G2.com.

Lancé terabytes a DBT y esperaba que la infraestructura fallara, pero DBT ejecutó la ejecución distribuida por sí solo sin intervención por mi parte. La capacidad de ejecutar aprendizaje automático directamente dentro de SQL es extraña pero mejor que exportar a vertex.ai y lidiar con la gestión de clústeres yo mismo. Tampoco tengo que preocuparme por la gestión de clústeres ya que puedo simplemente escribir la consulta y esperar los resultados, lo cual en mi opinión es algo muy sencillo de hacer. Reseña recopilada por y alojada en G2.com.

La facturación es una trampa, así como si ejecutas una consulta genérica sin un filtro, los costos aumentan de inmediato, lo cual puede ser muy molesto. Tuve que reescribir todos mis procedimientos almacenados porque la sintaxis no es exactamente como pl/sql. Y realmente no me gusta leer los registros cuando un modelo falla y/o ocurren errores. Reseña recopilada por y alojada en G2.com.

Una cosa que encuentro impresionante sobre dbt es que promueve la disciplina en la escritura de transformaciones. Transformó mi enfoque hacia la forma en que manejo mi trabajo, ya que ahora lo pienso dos veces antes de imponer cambios. Lo uso de manera regular, y ha mejorado el trabajo en equipo ya que la lógica tiene menos dificultad en la revisión y discusión. Esto ha ahorrado tiempo en arreglos rápidos y nos ha ayudado a desarrollar más confianza en los resultados que se pueden compartir. Reseña recopilada por y alojada en G2.com.

Lo que no me gusta de dbt es que hay un gran efecto de pequeños errores en los modelos. Algunos de ellos pueden colapsar bajo la presión de tener algunas piezas posteriores rotas cuando hay un pequeño cambio. Consume mucho tiempo e incluso puede involucrar a varias personas en el mismo problema cuando se trata de depurar esas cadenas. En mi caso, esto retrasa el progreso y resulta en cambios de contexto que pueden ser molestos cuando los plazos están cerca. Reseña recopilada por y alojada en G2.com.

Uso dbt todos los días para transformar datos en bruto en nuestro almacén en tablas limpias y listas para análisis, y mi flujo de trabajo generalmente comienza en VS Code, donde escribo modelos SQL, luego los subo a Git para control de versiones y los ejecuto a través de dbt Cloud. En general, también ha facilitado mucho la colaboración entre los miembros de nuestro equipo porque dbt hace que todo el proceso sea mucho más sencillo. Reseña recopilada por y alojada en G2.com.

Es desafiante cuando un cambio desbarata toda una ejecución y los mensajes de error son, en el mejor de los casos, vagos. También siento la necesidad de defender la obra de mi colaborador en dbt cloud. También he encontrado la estructura demasiado relajada y las configuraciones específicas de comandos y entornos resultantes caóticas. Reseña recopilada por y alojada en G2.com.

Gracias a dbt, ya no tengo que depender del equipo de ingeniería para gestionar y transformar los datos SQL dentro de nuestro almacén. Es el primer paso para mí en la organización, prueba y documentación de la totalidad de nuestros modelos de datos. Aprecio que toda esta información esté en un solo lugar bajo control de versiones. Puedo rastrear todos los cambios realizados y los detalles que rodean a cada uno. Reseña recopilada por y alojada en G2.com.

Solucionar problemas de dependencias complejas y errores de compilación puede ser una tarea desalentadora. Hay ocasiones en las que un modelo falla y no está claro qué cambio anterior podría ser la causa. Aunque la documentación es realmente buena, he encontrado que investigar en un hilo de Stack Overflow o Slack es la respuesta para algunos de los problemas más oscuros. También encuentro que la visualización de la línea de tiempo en dbt Cloud es engorrosa. Reseña recopilada por y alojada en G2.com.

El mayor beneficio de dbt para mí es que proporciona estructura al trabajo con datos. Lo uso regularmente con BigQuery y herramientas de control de versiones. La integración es cómoda y se facilita el trabajo en equipo. No añadió ningún retraso durante la implementación y el conjunto de características permite reutilizar la lógica en lugar de reescribirla. Ha minimizado el número de errores y me ha ahorrado tiempo en la revisión y actualizaciones. Reseña recopilada por y alojada en G2.com.

El lado negativo de dbt es que se vuelve rígido cuando los proyectos se expanden. Las modificaciones menores en algunos casos requieren más reajustes de lo anticipado, y esto me hace ralentizar. Los problemas de depuración de fallos no siempre son evidentes, particularmente para los miembros del equipo más novatos, y esto tiene un impacto en la velocidad de entrega. También se utiliza datos fuente limpios en la implementación y, por lo tanto, cuando las entradas son desordenadas, solo añade más carga de trabajo en lugar de facilitarlo. Reseña recopilada por y alojada en G2.com.

Lo que más aprecié fue la eliminación del código duplicado que solía estar distribuido en varios scripts. Este cambio ha mejorado significativamente la fiabilidad de los datos y ahora me permite implementar la lógica de negocio directamente en SQL puro. También valoro cuánto acelera el desarrollo, y encuentro que la orquestación y el despliegue con DBT son excepcionalmente sencillos. Reseña recopilada por y alojada en G2.com.

Encontré el aspecto de la gestión de proyectos desafiante al tratar con cientos de modelos, ya que la interfaz puede ser bastante complicada a veces. Reseña recopilada por y alojada en G2.com.

Lo que más me gusta de dbt es que aporta las mejores prácticas de ingeniería de software a las transformaciones de datos basadas en SQL, haciendo que nuestra base de código SQL sea mantenible a gran escala. Tiene una estructura de modelo clara como capas de staging, intermedias y de informes. Proporciona macros y macros de referencia que hacen que la lógica sea reutilizable, y las dependencias son realmente fáciles de entender. Aprecio su buena colaboración con Git y la integración con el control de versiones. Dbt tiene un sólido respaldo de documentación, proporcionando un sitio de documentación autogenerado, para que todos estén al tanto de lo que sucede en el proyecto. La configuración inicial de dbt es realmente fácil gracias a su excelente documentación, y está disponible para casi todos los principales almacenes de datos. Reseña recopilada por y alojada en G2.com.

Uno de los puntos problemáticos es la depuración y resolución de errores. Los mensajes de error pueden ser realmente vagos, lo que dificulta identificar qué parte del núcleo causó la falla. Además, los modelos grandes son difíciles de depurar. La visibilidad del plan de consulta dentro de dbt sería realmente útil. La ejecución paso a paso para modelos fallidos también sería útil. Reseña recopilada por y alojada en G2.com.

Cada día uso dbt para convertir datos en bruto para que estén listos para el análisis y aprecio especialmente que todo involucre solo SQL y control de versiones, sin más scripts desordenados. Me gusta la sensación de escribir consultas simples y, al mismo tiempo, disfruto de la modularidad adicional y la documentación automática. Las pruebas y mis transformaciones ejecutándose simultáneamente me brindan verdadera confianza en los conjuntos de datos que proporciono. Reseña recopilada por y alojada en G2.com.

Cuando se trata de dbt, la curva de aprendizaje es todo un desafío y me llevó algún tiempo averiguar cómo configurar las macros y organizar los modelos de manera ordenada. La tarea de depuración también es bastante tediosa y, dado que algunos de los mensajes de error carecen de claridad, termino pasando mucho tiempo en los registros. Además, para proyectos grandes, el tiempo de ejecución puede ser bastante largo, lo que puede obstaculizar el flujo de desarrollo. Reseña recopilada por y alojada en G2.com.