Übe, ein dbt-Projekt von Grund auf aufzubauen. Wende deine Skills an, um unterschiedliche Datentypen in das dbt-Projekt zu laden und verschiedene Staging-Modelle einzurichten. Dieses Kapitel fokussiert die Teile E und L im ELT-Prozess.

Einführung in die dbt-Fallstudie

dbt-Installation prüfen

Das dbt-Projekt initialisieren

Das dbt-Projekt einrichten und Daten laden

version: 2

seeds:
  - name: looker__distribution_centers



# Name your project! Project names should contain only lowercase characters
# and underscores. A good package name should reflect your organization's
# name or the intended use of these models
name: 'looker_ecommerce'
version: '1.0.0'

# This setting configures which "profile" dbt uses for this project.
profile: 'looker_ecommerce'

# These configurations specify where dbt should look for different types of files.
# The `model-paths` config, for example, states that models in this project can be
# found in the "models/" directory. You probably won't need to change these!
model-paths: ["models"]
analysis-paths: ["analyses"]
test-paths: ["tests"]
seed-paths: ["seeds"]
macro-paths: ["macros"]
snapshot-paths: ["snapshots"]

clean-targets:         # directories to be removed by `dbt clean`
  - "target"
  - "dbt_packages"


looker_ecommerce:
  outputs:
    dev:
      type: duckdb
      path: /home/repl/dbt.duckdb
  target: dev


id,name,latitude,longitude
1,Memphis TN,35.1174,-89.9711
2,Chicago IL,41.8369,-87.6847
3,Houston TX,29.7604,-95.3698
4,Los Angeles CA,34.05,-118.25
5,New Orleans LA,29.95,-90.0667
6,Port Authority of New York/New Jersey NY/NJ,40.634,-73.7834
7,Philadelphia PA,39.95,-75.1667
8,Mobile AL,30.6944,-88.0431
9,Charleston SC,32.7833,-79.9333
10,Savannah GA,32.0167,-81.1167

Verteilzentrum als dbt-Seed-Datei laden

version: 2

models:
  - name: _____ # Fill in the model name
    description: _____ # Fill in an informative description of the model


SELECT *
FROM {{ ref('looker__distribution_centers') }}

version: 2

models:
  - name: stg_looker__distribution_centers # Fill in the model name
    description: Distribution center name and location # Fill in an informative description of the model


Erstelle ein Staging-Modell für Distribution Center

version: 2

models:
  - name: stg_looker__distribution_centers
    description: Distribution center name and location    

  - name: ____ # Fill in the staging model name 
    description: Users demographics and location information 

version: 2

sources:
  - name: looker_ecommerce
    tables:
      - name: ____ 	# Fill in the source name

SELECT *
FROM {{ source(____, ____) }} -- Fill in the source 

SELECT *
FROM {{ source('looker_ecommerce', 'users') }} -- Fill in the source 

version: 2

sources:
  - name: looker_ecommerce
    tables:
      - name: users 	# Fill in the source name

version: 2

models:
  - name: stg_looker__distribution_centers
    description: Distribution center name and location    

  - name: stg_looker__users # Fill in the staging model name 
    description: Users demographics and location information

Lade und erstelle ein User-Modell über dbt source

version: 2

models:
  - name: stg_looker__distribution_centers
    description: Distribution center name and location    

  - name: stg_looker__users
    description: Users demographics and location information
    
  - name: stg_looker__events
    description: User event data

  - name: stg_looker__inventory_items
    description: Inventory items information

  - name: stg_looker__order_items
    description: Order information on the item level

  - name: stg_looker__orders
    description: Order information such as status and timestamps
        
    # Fill in for the staging model for products
    

SELECT *
FROM {{ source('looker_ecommerce', 'users') }}

version: 2

sources:
  - name: looker_ecommerce
    tables:
      - name: users
      - name: events
      - name: inventory_items
      - name: order_items
      - name: orders
      # Fill in for the dbt source for products
      ____

SELECT *
FROM {{ source('looker_ecommerce', 'events') }}

SELECT *
FROM {{ source('looker_ecommerce', 'inventory_items') }}

SELECT *
FROM {{ source('looker_ecommerce', 'order_items') }}

SELECT *
FROM {{ source('looker_ecommerce', 'orders') }}

SELECT *
FROM {{ source('looker_ecommerce', 'products') }}

version: 2

sources:
  - name: looker_ecommerce
    tables:
      - name: users
      - name: events
      - name: inventory_items
      - name: order_items
      - name: orders
      # Fill in for the dbt source for products
      - name: products

version: 2

models:
  - name: stg_looker__distribution_centers
    description: Distribution center name and location    

  - name: stg_looker__users
    description: Users demographics and location information
    
  - name: stg_looker__events
    description: User event data

  - name: stg_looker__inventory_items
    description: Inventory items information

  - name: stg_looker__order_items
    description: Order information on the item level

  - name: stg_looker__orders
    description: Order information such as status and timestamps
    
  # Fill in for the staging model for products
  - name: stg_looker__products
    description: Product information such as SKU and category


Mehr Übung mit dbt-Quellen und Staging-Modellen

version: 2

models:
  - name: stg_looker__distribution_centers
    description: Distribution center name and location    

  - name: stg_looker__users
    description: Users demographics and location information
    
  - name: stg_looker__events
    description: User event data

  - name: stg_looker__inventory_items
    description: Inventory items information

  - name: stg_looker__order_items
    description: Order information on the item level

  - name: stg_looker__orders
    description: Order information such as status and timestamps
    
  - name: stg_looker__products
    description: Product information such as SKU and category


SELECT *
FROM {{ source('looker__distribution_centers') }}

version: 2

sources:
  - name: looker_ecommerce
    tables:
      - name: users
      - name: events
      - name: inventory_items
      - name: order_items
      - name: orders
      - name: stg_looker__products

version: 2

sources:
  - name: looker_ecommerce
    tables:
      - name: users
      - name: events
      - name: inventory_items
      - name: order_items
      - name: orders
      - name: products

Häufige Fehler debuggen

dbt einrichten

Tauche tief in das Datenmodellieren mit dbt ein. Baue die Datenpipeline von ersten Staging-Modellen bis zu finalen Data-Mart-Modellen auf, um zentrale Geschäftsfragen zu beantworten. Unterwegs sammelst du Erfahrung darin, Datentests zu erstellen, die dich gegen Qualitätseinbrüche absichern.

dbt-Beschreibungen und -Tests erstellen

dbt-Spaltenbeschreibungen hinzufügen

Füge dbt-Spaltentests hinzu

dbt Data Marts und Snapshot-Modelle erstellen

Auffrischung: dbt-Modellhierarchie

Erstelle ein Mart-Modell für Customers

Erstelle ein Mart-Modell für Produkte

Weitere Fehler debuggen

dbt-Snapshot-Modelle erstellen

dbt-Modelle erstellen

Lerne, deine dbt-Projekte mit Jinja zu verbessern – durch schlankeren Code, weniger Redundanz und bessere Wartbarkeit. Du übst Variablen, Schleifen und Makros, um effizientere Transformations-Workflows zu erstellen.

Einführung in Jinja mit dbt

Aufwärmen mit dbt compile

Aufwärmen mit dbt compile 2

Mit dbt compile debuggen

Variablen mit dbt Jinja setzen

Variablen mit dbt Jinja 2 setzen

Komplexe Verwendung von Jinja mit dbt

Jinja-For-Schleifen für wiederholtes SQL 1

Jinja-Schleifen für wiederholtes SQL verwenden 2

Makros mit Jinja

Whitespaces mit Jinja kürzen

Rückblick: dbt-Fallstudie

dbt mit Jinja verbessern

Entfessele die Power der Datentransformation mit unserem praxisnahen dbt (Data Build Tool) Fallstudienkurs. Entwickelt für dbt-Einsteiger, konzentriert sich dieser Kurs auf praktische, realitätsnahe Übungen, die dir mehrfach die Gelegenheit geben, wichtige dbt-Befehle anzuwenden, Daten zu transformieren und dein Verständnis zu vertiefen. Durch Hands-on-Praxis gewinnst du Sicherheit in jedem Schritt – vom Aufsetzen deiner dbt-Umgebung bis hin zu fortgeschrittenen Modellen, die wichtige Geschäftsprobleme lösen. In interaktiven Übungen sammelst du die Erfahrung, die du brauchst, um echte ETL-Pipeline-Projekte souverän anzugehen.

Verwandle Rohdaten mit dbt (Data Build Tool) in saubere, zuverlässige Modelle – ein modernes, SQL-basiertes Transformations-Framework, das von Datenteams auf der ganzen Welt genutzt wird. Dieser praxisorientierte Kurs zu Fallstudien richtet sich an Anfänger, die durch angeleitete, praktische Übungen reale Fähigkeiten erwerben möchten. Du richtest deine eigene dbt-Umgebung ein, modellierst Daten in großem Maßstab und schreibst wiederverwendbaren Code mit den integrierten Funktionen von dbt.<br><br><h2>Richte dein Projekt ein und schau dir die Daten an</h2>Leg los, indem du ein dbt-Projekt aufbaust und mit einem echten E-Commerce-Datensatz arbeitest. Du strukturierst Rohdaten, richtest Profile ein und behebst Syntaxprobleme, während du Einblicke in den geschäftlichen Kontext hinter jedem Transformationsschritt bekommst.<br><br><h2>Modelle erstellen und validieren</h2>Lerne, wie du skalierbare Staging-Modelle erstellst und Datenqualitätsprüfungen durchführst, um sicherzustellen, dass deine Datensätze korrekt und für die Analyse bereit sind. Du legst eine solide Basis, um wichtige geschäftliche Fragen zu beantworten.<br><br><h2>Mit Jinja automatisieren</h2>Beende den Kurs, indem du lernst, wie du mit Jinja wiederverwendbaren und wartungsfreundlichen Code schreibst. Du wirst Variablen, Kontrollfluss und Schleifen nutzen, um das DRY-Prinzip (Don't Repeat Yourself) zu befolgen und deinen dbt-Workflow zu optimieren.

Data Manipulation in SQL

Intermediate dbt

Lernen Sie, Rohdaten mit dbt in saubere, zuverlässige Modelle durch praktische Übungen umzuwandeln.

Fallstudie: E‑Commerce-Datenmodelle mit dbt erstellen

Lerne in praktischen Übungen, wie du mit dbt Rohdaten in saubere, zuverlässige Modelle verwandelst. 

Häufige Fehler debuggen

Interaktive praktische Übung