Compétences dbt-transformation-patterns
📦

dbt-transformation-patterns

Sûr

Construisez des pipelines de transformation de données dbt prêts pour la production

Également disponible depuis: wshobson

Les équipes d'analyse luttent avec des modèles de données incohérents et une documentation médiocre. Cette compétence fournit des modèles éprouvés pour organiser des projets dbt avec des tests appropriés, une documentation et un traitement incrémental.

Prend en charge: Claude Codex Code(CC)
🥉 74 Bronze
1

Télécharger le ZIP du skill

2

Importer dans Claude

Allez dans Paramètres → Capacités → Skills → Importer un skill

3

Activez et commencez à utiliser

Tester

Utilisation de "dbt-transformation-patterns". Créer un modèle de staging pour la source de paiements Stripe

Résultat attendu:

  • YAML de définition de source avec le schéma de table des paiements et les tests
  • stg_stripe__payments.sql avec transformation basée sur les CTE
  • Renommage des colonnes suivant les conventions de nommage (id en payment_id, amount in cents en dollars)
  • Configuration incrémentale avec unique_key et filtre updated_at

Utilisation de "dbt-transformation-patterns". Construire une dimension client avec des métriques de paiement

Résultat attendu:

  • dim_customers.sql joignant les modèles intermédiaires de client et de paiement
  • Génération de clé substitut en utilisant dbt_utils
  • Logique de segmentation de niveau de client basée sur la valeur à vie
  • Documentation YAML avec descriptions de colonnes et tests

Audit de sécurité

Sûr
v1 • 2/24/2026

This skill is safe for publication. Static analysis detected 70 patterns that are all false positives - the flagged content consists of SQL/YAML code examples in markdown documentation, not executable code. The skill provides reference patterns for dbt (data build tool) analytics engineering workflows.

2
Fichiers analysés
585
Lignes analysées
0
résultats
1
Total des audits
Aucun problème de sécurité trouvé
Audité par: claude

Score de qualité

38
Architecture
100
Maintenabilité
87
Contenu
50
Communauté
100
Sécurité
91
Conformité aux spécifications

Ce que vous pouvez construire

Ingénieur analytique construisant des pipelines de transformation

Configurez un nouveau projet dbt avec une organisation de modèles appropriée, des tests et une documentation dès le premier jour.

Équipe de données améliorant la qualité des modèles

Ajoutez des tests complets, une documentation et une surveillance de la fraîcheur aux modèles dbt existants.

Équipe d'ingénierie optimisant les chargements incrémentaux

Implémentez des stratégies incrémentales efficaces pour les grandes tables de faits afin de réduire les coûts de calcul.

Essayez ces prompts

Créer un modèle de staging 
Créez un modèle de staging dbt pour la table [source_name] [table_name]. Incluez la définition de la source avec les descriptions de colonnes, un modèle SQL de staging avec des conventions de renommage appropriées, et des tests de base pour la clé primaire et les contraintes not-null.
Construire une table de faits incrémentale 
Créez un modèle de table de faits incrémental dbt nommé fct_[name] qui suit [business_process]. Configurez-le pour une matérialisation incrémentale avec [strategy], définissez la unique_key, et incluez la logique de filtre incrémental en utilisant is_incremental().
Ajouter des tests et de la documentation 
Examinez ce SQL de modèle dbt et générez le fichier de documentation YAML correspondant. Incluez la description du modèle, les descriptions de colonnes, et les tests appropriés (unique, not_null, relationships, accepted_values) basés sur les colonnes présentes.
Concevoir une couche de modèle complète 
Concevez une structure de modèle dbt pour un flux de travail analytique [domain]. Définissez les modèles de staging nécessaires pour [sources], les modèles intermédiaires pour la logique métier, et les modèles de mart (dimensions et faits) pour la sortie finale. Incluez les conventions de nommage et les stratégies de matérialisation pour chaque couche.

Bonnes pratiques

  • Utilisez la couche de staging pour toutes les données source - nettoyez une fois, réutilisez partout
  • Testez de manière agressive avec des tests not_null, unique et relationship sur toutes les clés
  • Documentez chaque modèle et chaque colonne avec le contexte métier pour les utilisateurs en aval

Éviter

  • Sauter la couche de staging et interroger directement les sources dans les marts crée de la dette technique
  • Coder en dur des dates ou des valeurs au lieu d'utiliser les variables dbt pour la configuration
  • Répéter la logique métier à travers les modèles au lieu de l'extraire dans des macros réutilisables

Foire aux questions

Qu'est-ce que l'architecture medallion dans dbt ?
L'architecture medallion organise les modèles en couches : staging (nettoyage des données brutes), intermediate (logique métier), et marts (tables analytiques finales). Cette séparation assure que des données propres circulent de manière cohérente dans votre pipeline.
Quand dois-je utiliser la matérialisation incrémentale ?
Utilisez des modèles incrémentaux pour les tables avec plus de 1M de lignes ou lorsque les données source croissent continuellement. Les modèles incrémentaux ne traitent que les enregistrements nouveaux ou modifiés, réduisant considérablement le temps de calcul et les coûts.
Quels tests dois-je ajouter à mes modèles ?
Ajoutez des tests not_null et unique sur toutes les clés primaires, des tests relationship sur les clés étrangères, not_null sur les colonnes requises, et accepted_values sur les colonnes de statut ou de type. Utilisez dbt_utils.expression_is_true pour la validation personnalisée.
Comment choisir entre les stratégies incrémentales delete+insert et merge ?
Utilisez delete+insert pour la plupart des entrepôts par défaut. Utilisez merge lorsque vous devez mettre à jour les enregistrements existants avec des données arrivant en retard. Utilisez insert_overwrite pour les flux de travail basés sur les partitions sur BigQuery ou similaires.
Quel est l'objectif des modèles éphémères ?
Les modèles éphémères sont des CTE intermédiaires qui ne se matérialisent pas en tant que tables. Utilisez-les pour une logique réutilisable qui est toujours référencée par d'autres modèles, réduisant le nombre de tables dans votre entrepôt.
Comment documenter efficacement mon projet dbt ?
Ajoutez des descriptions à chaque modèle et colonne dans les fichiers YAML. Utilisez le champ description pour expliquer la logique métier, les sources de données et les valeurs attendues. Générez la documentation dbt et servez-la pour que votre équipe puisse la consulter.

Détails du développeur

Auteur

sickn33

Licence

MIT

Dépôt

https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/dbt-transformation-patterns

Réf

main

Structure de fichiers

📁 resources/

📄 implementation-playbook.md

📄 SKILL.md