Data build tool（dbt）は、アナリストやエンジニアがウェアハウス内のデータをより効果的に変換することを支援する、オープンソースのコマンドラインツールである。アナリティクスエンジニアがSQLのselect文を記述し、それをテーブルやビューにコンパイルすることを可能にし、抽出・ロード・変換（ELT）プロセスにおける変換ステップに焦点を当てている。dbtはデータの抽出やロードは行わない。ウェアハウス内に既にあるデータの変換において高性能になるよう設計されており、アナリストがソフトウェアエンジニアのように作業できるようにする。
このツールは、2016年にRJMetricsで、Stitchに基本的な変換機能を追加するソリューションとして生まれた。Stitchは2018年にTalendに買収された。初期のバージョンから、dbtはアナリストがバージョン管理、テスト、ドキュメント化といったソフトウェアエンジニアリングのベストプラクティスに従ってデータ変換に貢献することを可能にした。dbtは当初からオープンソースであり、2018年には、当時Fishtown Analyticsと呼ばれていたdbt Labsチームが、dbt Coreの上に商用製品をリリースした。
歴史と開発
2016年、フィラデルフィアに拠点を置くアナリティクス企業であるRJMetricsは、自社のStitchデータパイプラインに変換レイヤーが必要であるという課題に対処するため、dbtを開発した。初期バージョンは、アナリストがバージョン管理およびテスト可能なSQLベースの変換を記述できるようにすることに焦点を当てていた。2018年にStitchがTalendに買収された後、dbtチームはFishtown Analyticsとして独立し、後にdbt Labsと改名された。2018年には、オープンソースのdbt Coreの上に、WebベースのIDE、スケジューリング、モニタリングを提供する商用プラットフォームであるdbt Cloudを立ち上げた。
このプロジェクトはアナリティクスエンジニアリングコミュニティで大きな支持を得て、一連の資金調達ラウンドにつながった。2020年4月、dbt LabsはAndreessen Horowitzが主導するシリーズAを発表した。同年11月には、Andreessen HorowitzとSequoiaが主導するシリーズBを発表した。2021年6月、同社はAltimeter、Sequoia、Andreessen Horowitzが主導するシリーズCを調達した。2022年2月、dbt LabsはシリーズDで2億2200万ドルを調達し、評価額は42億ドルに達した。
2025年1月、dbt Labsは、2022年にLukas Schulte、Wolfram Schulte、Elias DeFaria、Michael Levinによって設立されたシアトルを拠点とするスタートアップであるSDF Labsを買収した。SDF Labsはアナリティクスエンジニアリング向けのSQLコンパイルおよび静的解析技術を開発しており、これはパフォーマンスと信頼性を向上させるためにdbtのツール群に統合された。
資金調達と企業の変遷
dbt Labsの資金調達の軌跡は、アナリティクスエンジニアリングツールへの需要の高まりを反映している。2020年のAndreessen Horowitz主導によるシリーズAは、ベンチャーキャピタルからの重要な関心の始まりを示した。同年後半のシリーズBではSequoiaが共同リードとして加わり、2021年のシリーズCにはAltimeter、Sequoia、Andreessen Horowitzが参加した。2022年2月のシリーズDは評価額42億ドルで、製品開発と市場拡大のための十分な資本を提供した。
2025年10月、dbt Labsはデータ統合企業であるFivetranとの全株式交換による合併に関する最終合意を発表した。条件に基づき、FivetranのCEOであるGeorge Fraserが合併後の会社を率い、dbt Labsの創業者であるTristan Handyが社長を務めることになった。この合併は2026年時点で規制当局の承認待ちであり、合併後の事業体は年間経常収益が約6億ドルに近づくと見込まれていた。この合併は、データ移動と変換の両方をカバーする包括的なデータスタックを構築することを目的としていた。
中核となる機能とワークフロー
dbtは、ユーザーがデータ変換をSQLのselect文として定義し、それをウェアハウス内のテーブルまたはビューにコンパイルすることを可能にすることで動作する。このツールはモジュール式開発をサポートしており、変換を再利用可能なモデルに分割でき、モデル間の依存関係は自動的に管理される。このアプローチにより、アナリティクスエンジニアは明確な系統とドキュメントを持つ複雑なパイプラインを構築できる。
dbtはYAMLファイルを使用して、モデル設定、テスト、ドキュメントなどのプロパティを宣言する。注目すべき機能として、国コードやルックアップテーブルなど、静的または頻繁に変更されないデータに使用されるseedタイプがある。シードはCSVベースで、通常seedsフォルダに保存され、バージョン管理してウェアハウスにテーブルとしてロードできる。
このツールは、Amazon Redshift、Google BigQuery、Azure Synapseなどの主要なデータウェアハウスと統合しており、多様なデータインフラストラクチャを持つ組織にとって汎用性の高い選択肢となっている。dbtはまた、テストとドキュメント生成をサポートし、データ品質とチーム間のコラボレーションを促進する。
アナリティクスエンジニアリングへの影響
dbtは、データエンジニアリングとビジネスインテリジェンスの間のギャップを埋める、アナリティクスエンジニアリングという分野の確立において極めて重要な役割を果たしてきた。バージョン管理、継続的インテグレーション、コードレビューといったソフトウェアエンジニアリングのプラクティスをデータ変換に適用することで、dbtは組織がアドホックなSQLスクリプトから、保守可能でスケーラブルなデータパイプラインへと移行するのを支援してきた。
このツールのオープンソースの性質は、プラグイン、パッケージ、ベストプラクティスに貢献する大規模な実務者コミュニティを育んできた。このエコシステムは、オーケストレーションツール、データ品質プラットフォーム、機械学習ワークフローとの統合を含む、dbtの機能を拡張してきた。2026年時点で、dbtはデータ変換における主要なソリューションであり続けており、SDF Labsの買収に続くSQLコンパイルや静的解析などの分野で継続的な開発が行われている。