Data build tool (dbt) est un outil en ligne de commande open source qui aide les analystes et les ingénieurs à transformer les données dans leur entrepôt plus efficacement. Il permet aux ingénieurs analytiques d'écrire des instructions SQL select qui sont compilées en tables et vues, en se concentrant sur l'étape de transformation dans les processus d'extraction, chargement et transformation (ELT). dbt n'extrait ni ne charge des données ; il est conçu pour être performant dans la transformation des données déjà présentes dans un entrepôt, permettant aux analystes de travailler davantage comme des ingénieurs logiciels.
L'outil est né chez RJMetrics en 2016 comme une solution pour ajouter des capacités de transformation de base à Stitch, qui a été acquise par Talend en 2018. Dès ses premières versions, dbt permettait aux analystes de contribuer à la transformation des données en suivant les meilleures pratiques du génie logiciel, telles que le contrôle de version, les tests et la documentation. dbt est open source depuis le début, et en 2018, l'équipe de dbt Labs, alors appelée Fishtown Analytics, a publié un produit commercial basé sur dbt Core.
Historique et développement
En 2016, RJMetrics, une société d'analyse basée à Philadelphie, a développé dbt pour répondre au besoin d'une couche de transformation dans son pipeline de données Stitch. Les premières versions se concentraient sur la capacité des analystes à écrire des transformations basées sur SQL qui pouvaient être versionnées et testées. Après l'acquisition de Stitch par Talend en 2018, l'équipe de dbt a fait scission pour devenir Fishtown Analytics, renommée plus tard dbt Labs. En 2018, ils ont lancé dbt Cloud, une plateforme commerciale qui fournit un IDE web, la planification et la surveillance au-dessus de dbt Core open source.
Le projet a gagné une traction significative dans la communauté de l'ingénierie analytique, conduisant à une série de levées de fonds. En avril 2020, dbt Labs a annoncé sa série A menée par Andreessen Horowitz. En novembre de la même année, il a annoncé une série B menée par Andreessen Horowitz et Sequoia. En juin 2021, la société a levé une série C menée par Altimeter, Sequoia et Andreessen Horowitz. En février 2022, dbt Labs a levé 222 millions de dollars dans le cadre d'une série D à une valorisation de 4,2 milliards de dollars.
En janvier 2025, dbt Labs a acquis SDF Labs, une startup basée à Seattle fondée en 2022 par Lukas Schulte, Wolfram Schulte, Elias DeFaria et Michael Levin. SDF Labs a développé une technologie de compilation SQL et d'analyse statique pour l'ingénierie analytique, qui a été intégrée aux outils de dbt pour améliorer les performances et la fiabilité.
Financement et évolution de l'entreprise
La trajectoire de financement de dbt Labs reflète la demande croissante pour les outils d'ingénierie analytique. La série A en 2020, menée par Andreessen Horowitz, a marqué le début d'un intérêt significatif du capital-risque. La série B plus tard la même année a ajouté Sequoia comme co-chef de file, et la série C en 2021 a inclus Altimeter, Sequoia et Andreessen Horowitz. La série D en février 2022, à une valorisation de 4,2 milliards de dollars, a fourni un capital substantiel pour le développement de produits et l'expansion du marché.
En octobre 2025, dbt Labs a annoncé un accord définitif pour fusionner avec Fivetran, une société d'intégration de données, dans le cadre d'un accord entièrement en actions. Selon les termes, le PDG de Fivetran, George Fraser, dirigerait la société combinée, tandis que le fondateur de dbt Labs, Tristan Handy, servirait en tant que président. La fusion était en attente d'approbation réglementaire en 2026, avec l'entité combinée projetée pour approcher 600 millions de dollars de revenus récurrents annuels. Cette fusion visait à créer une pile de données complète couvrant à la fois le mouvement et la transformation des données.
Fonctionnalités principales et flux de travail
Dbt fonctionne en permettant aux utilisateurs de définir des transformations de données comme des instructions SQL select, qui sont ensuite compilées en tables ou vues dans l'entrepôt. L'outil prend en charge le développement modulaire, où les transformations peuvent être décomposées en modèles réutilisables, et les dépendances entre les modèles sont gérées automatiquement. Cette approche permet aux ingénieurs analytiques de construire des pipelines complexes avec une lignée et une documentation claires.
Dbt utilise des fichiers YAML pour déclarer des propriétés telles que les configurations de modèles, les tests et la documentation. Une caractéristique notable est le type seed, utilisé pour les données statiques ou rarement modifiées, comme les codes de pays ou les tables de référence. Les seeds sont basés sur des fichiers CSV et sont généralement stockés dans un dossier seeds, ce qui permet de les versionner et de les charger dans l'entrepôt sous forme de tables.
L'outil s'intègre avec les principaux entrepôts de données, notamment Amazon Redshift, Google BigQuery, Azure Synapse, et d'autres, ce qui en fait un choix polyvalent pour les organisations disposant d'une infrastructure de données diversifiée. Dbt prend également en charge la génération de tests et de documentation, favorisant la qualité des données et la collaboration entre les équipes.
Impact sur l'ingénierie analytique
Dbt a joué un rôle central dans l'établissement du domaine de l'ingénierie analytique, comblant le fossé entre l'ingénierie des données et la veille économique. En appliquant des pratiques de génie logiciel telles que le contrôle de version, l'intégration continue et la revue de code aux transformations de données, dbt a aidé les organisations à s'éloigner des scripts SQL ad hoc pour se tourner vers des pipelines de données maintenables et évolutifs.
La nature open source de l'outil a favorisé une grande communauté de praticiens qui contribuent avec des plugins, des packages et des meilleures pratiques. Cet écosystème a élargi les capacités de dbt, y compris les intégrations avec des outils d'orchestration, des plateformes de qualité des données et des flux de travail d'apprentissage automatique. En 2026, dbt reste une solution de premier plan pour la transformation des données, avec des développements en cours dans des domaines tels que la compilation SQL et l'analyse statique suite à l'acquisition de SDF Labs.