dbt (data build tool) — Analytics Engineering
Dwudniowe szkolenie z dbt osadzone w pełnej roli analytics engineera — testy danych, dokumentacja, CI/CD i semantic layer — a nie tylko sama transformacja danych. dbt stał się standardem modern data stack; szkolenie przygotowuje do praktyki roli, nie do listy funkcji narzędzia.
dbt jako zmiana roli, nie tylko narzędzia
Analytics engineering to nie nowa nazwa dla starych zadań analityka danych — to połączenie dyscypliny inżynieryjnej (kod w Git, testy, code review, CI/CD) z wiedzą domenową analityka. Szkolenie pokazuje dbt jako narzędzie, które umożliwia tę zmianę roli, nie jako izolowany produkt do nauki funkcja po funkcji.
Testy i dokumentacja jako standard, nie dodatek
Modele danych bez testów i dokumentacji szybko tracą zaufanie zespołu. Warsztat traktuje testy danych (wbudowane i niestandardowe) oraz dokumentację jako integralną część każdego modelu dbt, budując nawyk, który przenosi się na cały pipeline danych organizacji — nie tylko na pojedynczy projekt szkoleniowy.
Semantic layer jako koniec wojny o definicje metryk
Ostatni moduł pokazuje, jak dbt Semantic Layer i MetricFlow rozwiązują odwieczny problem rozbieżnych definicji metryk biznesowych między zespołami, a dbt Mesh pozwala skalować tę spójność na wiele domenowych zespołów danych w dużej organizacji.
Korzyści
- Zbudowanie modeli danych w dbt zgodnie z praktykami analytics engineering
- Zaprojektowanie testów danych i dokumentacji jako integralnej części pipeline'u
- Wdrożenie CI/CD dla projektów dbt — automatyczne testowanie i wdrażanie zmian
- Zaprojektowanie semantic layer (dbt Semantic Layer, MetricFlow) dla spójnych metryk biznesowych
Dla kogo jest to szkolenie?
Wymagania wstępne
- Znajomość SQL na poziomie średniozaawansowanym
- Podstawowa znajomość Git i pracy z repozytoriami kodu
Program szkolenia
Analytics Engineering jako rola, nie zbiór skryptów SQL
- Ewolucja roli: od analityka danych, przez data engineera, do analytics engineera
- Modelowanie danych w dbt: staging, intermediate, marts — struktura projektu
- Materializacje: table, view, incremental, ephemeral — kiedy który wybór
- Jinja i makra jako mechanizm reużywalności logiki transformacji
Testy danych i dokumentacja jako standard pracy zespołu
- Testy wbudowane (unique, not_null, relationships) i testy niestandardowe
- Dokumentacja modeli jako część kodu, nie osobny artefakt
- Data contracts — formalizowanie oczekiwań co do struktury danych między zespołami
- Monitorowanie jakości danych i alertowanie o naruszeniach testów
CI/CD dla projektów dbt
- Automatyczne uruchamianie testów przy każdym pull requeście
- Slim CI — testowanie tylko zmienionych modeli dla szybszej informacji zwrotnej
- Wdrażanie zmian do produkcji: dbt Cloud vs dbt Core w pipeline'ie CI/CD
- Integracja z Snowflake, BigQuery, Redshift i Databricks
Semantic layer i skalowanie na wiele zespołów
- dbt Semantic Layer i MetricFlow — jedna definicja metryki dla całej organizacji
- dbt Mesh — dzielenie dużego projektu dbt między zespoły domenowe
- Governance danych w rozproszonym zespole analytics engineering
- Ścieżka rozwoju zawodowego analytics engineera
Formy realizacji
Online
- Wygoda uczestnictwa z dowolnego miejsca
- Interaktywne sesje na żywo z trenerem
- Materiały dostępne przez 30 dni
- Brak kosztów dojazdu
Stacjonarnie
- Bezpośredni kontakt z trenerem i grupą
- Intensywne warsztaty praktyczne
- Networking z innymi uczestnikami
- Pełne skupienie na nauce
Najczęściej zadawane pytania
Czym różni się to szkolenie od dbt — transformacja danych w praktyce i Wprowadzenie do dbt Cloud w naszym katalogu?
Oba istniejące szkolenia koncentrują się na funkcjach narzędzia: modelowanie, testy, dokumentacja, CI/CD (transformacja w praktyce) lub wprowadzenie do środowiska dbt Cloud. To szkolenie podchodzi do dbt z perspektywy roli analytics engineera — pokazuje, jak dbt zmienia sposób pracy zespołu danych jako całości, z naciskiem na semantic layer i dbt Mesh do skalowania na wiele zespołów, czego pozostałe dwa szkolenia nie obejmują.
Czym różni się analytics engineer od klasycznego analityka danych?
Analytics engineer łączy umiejętności inżynieryjne (wersjonowanie kodu, testy, CI/CD) z domenową wiedzą analityka danych — zamiast pisać jednorazowe zapytania SQL, buduje wersjonowane, testowane i udokumentowane modele danych, które stają się wspólnym źródłem prawdy dla całej organizacji.
Czym jest semantic layer i dlaczego jest ważny?
Semantic layer (dbt Semantic Layer, oparty na MetricFlow) definiuje metryki biznesowe raz, w jednym miejscu, i udostępnia je spójnie do różnych narzędzi BI — eliminuje sytuację, w której dwa zespoły liczą „przychód” w inny sposób. Szkolenie pokazuje, jak zaprojektować semantic layer dla organizacji z wieloma zespołami analitycznymi.
Czy dbt Core wystarczy, czy potrzebuję dbt Cloud?
Zależy od skali zespołu i wymagań co do interfejsu graficznego, harmonogramowania i CI wbudowanego w narzędzie. Szkolenie pokazuje oba podejścia — dbt Core jako narzędzie open source uruchamiane w dowolnym pipeline CI/CD oraz dbt Cloud jako zarządzane środowisko z dodatkowymi funkcjami — z kryteriami wyboru dla różnych kontekstów organizacyjnych.
Poproś o ofertę
Możliwości dofinansowania
Sprawdź możliwości dofinansowania dla Twojej firmy
Baza Usług Rozwojowych
Instrument dla mikro, małych i średnich firm — sprawdź, czy dotyczy Twojej organizacji
Sprawdź dostępnośćKrajowy Fundusz Szkoleniowy
Instrument dla pracodawców — pomagamy sprawdzić, czy da się go zastosować
Dowiedz się więcejZaufali nam
Szkolimy zespoły największych polskich firm
Zainteresowany tym szkoleniem?
Skontaktuj się z nami - przygotujemy ofertę dopasowaną do potrzeb Twojego zespołu.