Data Vault 2.0 mit dbt. Dieser Artikel konzentriert sich auf die Vorteile der Nutzung von Data Vault 2.0<\/a> mit dbt und die Bedeutung der Auswahl der richtigen Implementierungswerkzeuge. Daten sind ein wichtiges Gut im Entscheidungsprozess. Wie wir bereits in einem anderen Beitrag besprochen haben, ist Data Vault 2.0 die richtige Wahl, wenn das Ziel eines Enterprise Data Warehouse<\/a> darin besteht, vollst\u00e4ndig historisierte und integrierte Daten zu haben. Dar\u00fcber hinaus eignet es sich auch besser f\u00fcr F\u00e4lle, in denen Daten aus vielen Quellsystemen kombiniert werden m\u00fcssen. Den vorherigen Blogbeitrag finden Sie hier<\/a>. <\/p>\n W\u00e4hrend sich Data Vault 2.0 auf das \u201eWas\u201c konzentriert, gibt es viele Optionen f\u00fcr das \u201eWie\u201c der technischen \u00dcbersetzung eines Data Vault-Modells in physische Tabellen und Views im Enterprise Data Warehouse sowie f\u00fcr die Orchestrierung und das Laden\/Verarbeiten der Prozeduren. Und genau hier bietet Data Vault 2.0 mit dbt eine effektive L\u00f6sung.[\/vc_column_text][divider line_type=“No Line“ custom_height=“30″][vc_column_text css=““ text_direction=“default“] In this article:<\/p> Dieses data build tool transformiert Ihre Daten direkt in Ihrem Data Warehouse. Zur Information: dbt ist das \u201eT\u201c in ELT<\/a>. Daher setzt dbt voraus, dass die Daten bereits in eine Datenbank geladen sind, die von der aktuellen Datenbank abgefragt werden kann. dbt ist besonders kompatibel und n\u00fctzlich in Cloud-DWH-L\u00f6sungen wie Snowflake, Azure<\/a> Synapse Analytics, BigQuery und Redshift und f\u00fchrt Transformationen und Modellierungen direkt auf der Datenbank durch, um die Leistung dieser hochskalierbaren Plattformen zu nutzen. <\/p>\n Modelle und SQL-Anweisungen k\u00f6nnen in dbt selbst einfach erstellt, getestet und verwaltet werden. Eine leistungsstarke Kombination aus der Skriptsprache Jinja2 und dem Klassiker SQL erm\u00f6glicht es Benutzern, Modelle zu erstellen. Die einfache Benutzeroberfl\u00e4che erm\u00f6glicht es Datenanalysten ohne technisches Engineering-Know-how, entsprechende Transformationen zu initiieren. Die Arbeitsabl\u00e4ufe des Datenteams werden dadurch effizienter und kosteng\u00fcnstiger. Hinter diesem Tool steht eine Open-Source-Community, die das Werkzeug st\u00e4ndig und leidenschaftlich weiterentwickelt. Als solches ist dbt sowohl als kostenlose, reduzierte Core-Version<\/a> als auch als umfassende und flexible Cloud-Version<\/a> verf\u00fcgbar.[\/vc_column_text][divider line_type=“No Line“ custom_height=“50″][vc_column_text css=““ text_direction=“default“]\n dbt erfindet das Rad nicht neu, aber wenn es um den Aufbau eines neuen EDW geht \u2013 insbesondere in der Cloud \u2013, bietet es ein sehr hilfreiches Basis-Framework, in dem viele wichtige Funktionen f\u00fcr Continuous Integration und Deployment bereits definiert sind. dbt bringt die Standards der Softwareentwicklung in die Welt der Datentransformation. Dies erm\u00f6glicht es Entwicklern, sich auf die Kernaufgaben der Datenmodellierung und der Gesch\u00e4ftslogik zu konzentrieren. Insbesondere, und das nicht nur f\u00fcr kleinere Projekte, bietet dieses Tool eine leichtgewichtige und \u00e4u\u00dferst kosteng\u00fcnstige Alternative zu anderen Data-Warehouse-Automatisierungsl\u00f6sungen<\/a>.<\/p>\n[\/vc_column_text][\/vc_column][\/vc_row]\n","protected":false},"excerpt":{"rendered":" [vc_row type=“in_container“ full_screen_row_position=“middle“ column_margin=“default“ column_direction=“default“ column_direction_tablet=“default“ column_direction_phone=“default“ scene_position=“center“ text_color=“dark“ text_align=“left“ row_border_radius=“none“ row_border_radius_applies=“bg“ overflow=“visible“ overlay_strength=“0.3″ gradient_direction=“left_to_right“ shape_divider_position=“bottom“ bg_image_animation=“none“][vc_column column_padding=“no-extra-padding“ column_padding_tablet=“inherit“ column_padding_phone=“inherit“ column_padding_position=“all“ column_element_direction_desktop=“default“ column_element_spacing=“default“ desktop_text_alignment=“default“ tablet_text_alignment=“default“ phone_text_alignment=“default“ background_color_opacity=“1″ background_hover_color_opacity=“1″ column_backdrop_filter=“none“ column_shadow=“none“…<\/p>\n","protected":false},"author":92,"featured_media":58527,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3944],"tags":[],"class_list":["post-58525","post","type-post","status-publish","format-standard","has-post-thumbnail","category-datenwerkzeuge"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\u00dcber dbt<\/h2>\n
Wie dbt funktioniert<\/h2>\n
Wie funktioniert Data Vault 2.0 mit dbt?<\/h2>\n[\/vc_column_text][vc_column_text css=““ text_direction=“default“]Teil der Data Vault 2.0-Methodik<\/a> ist das Modell, das sich darauf konzentriert, wie das Kern-Data-Warehouse mit einer skalierbaren L\u00f6sung entworfen wird. Die Data Vault-Kernstrukturen sind Hubs, Links und Satelliten. Dennoch bietet die Verwendung von Data Vault 2.0 mit dbt die M\u00f6glichkeit, Data Vault-Modelle<\/a> zu generieren, und erlaubt Ihnen zudem, Ihre Datentransformationen mithilfe von SQL und wiederverwendbaren Makros auf Basis von Jinja2 zu schreiben, um Ihre Datenpipelines sauber und effizient auszuf\u00fchren.[\/vc_column_text][divider line_type=“No Line“][image_with_animation image_url=“30475″ image_size=“full“ animation_type=“entrance“ animation=“None“ animation_movement_type=“transform_y“ hover_animation=“none“ alignment=““ border_radius=“none“ box_shadow=“none“ image_loading=“lazy-load“ max_width=“100%“ max_width_mobile=“default“][divider line_type=“No Line“][vc_column_text css=““ text_direction=“default“]\n
Fazit<\/h2>\n