# Анализируйте данные в dbt

Начните с вопроса стейкхолдера и проанализируйте данные, чтобы ответить на него, не написав ни одной строки SQL

[Назад к гайдам](https://docs.getdbt.tech/guides.md)

[Menu ]()



## Введение

Как аналитик данных, вы играете ключевую роль в преобразовании сложных данных в достоверные выводы, на основе которых ваша команда может принимать решения. С помощью dbt вы можете использовать встроенные инструменты на базе ИИ, чтобы создавать модели данных с централизованным управлением, изучать, как они устроены, и даже проводить собственный анализ.

В этом quickstart вы узнаете, как:

* Используйте Catalog для просмотра и изучения моделей данных среди ресурсов dbt и Snowflake
* Используйте Insights для выполнения запросов, чтобы исследовать и проверять данные
* Используйте Canvas для визуального создания собственных моделей данных
* Обретайте уверенность в работе, используя dbt как рабочую среду с поддержкой ИИ

Подробнее об инструментах, которые вы будете использовать:

* Catalog: Просматривайте ресурсы проекта (например, модели, тесты и метрики), связи между ними и шаблоны запросов, чтобы лучше понимать текущее состояние проекта в производственной среде.
* Insights: Исследуйте, проверяйте данные и выполняйте запросы в интуитивно понятном интерфейсе с богатым контекстом, который объединяет технических и бизнес-пользователей благодаря метаданным, документации, инструментам с поддержкой ИИ и мощным возможностям выполнения запросов.
* Canvas: Быстро получайте доступ к данным и преобразуйте их с помощью визуального интерфейса с перетаскиванием элементов и встроенного ИИ для генерации кода под ваши задачи.

## Предварительные требования

Перед началом убедитесь, что:

* У вас есть доступ к проекту dbt, и учетные данные для него настроены
* Ваша команда уже успешно выполнила задание dbt, поэтому модели построены и готовы к использованию
* У вас подключен Git-провайдер и настроена аутентификация

## Рабочий процесс аналитика

Кимико, аналитик в Jaffle Shop, замечает, что у компании появилось много новых продаж, и хочет исследовать наиболее важные данные, которые хранятся в их хранилище.

**Вопрос: стейкхолдеру интересно, сколько клиентов вы привлекали помесячно за последние 12 месяцев.**

Кимико задаётся вопросом: «Как мне найти данные в нашем проекте, которые помогут ответить на этот вопрос?»

## Разбор вопроса стейкхолдера

Она переходит в каталог данных, Catalog, войдя в dbt и нажав Catalog на левой панели. Поскольку вопрос касался клиентов, Кимико начинает с поиска по слову "customers" в Catalog:

[![Поиск customers в Catalog](/img/guides/analyst-qs/catalog-search.png?v=2 "Поиск customers в Catalog")](#)Поиск customers в Catalog

Кимико находит модель **customers**, которая может ей подойти, и открывает её. В описании указано, что это витрина с основными сведениями о клиентах, по одной строке на каждого клиента.

Затем Кимико выбирает **Columns**, чтобы посмотреть, какие колонки используются в этой model.

[![Колонки в таблице customers](/img/guides/analyst-qs/columns.png?v=2 "Колонки в таблице customers")](#)Колонки в таблице customers

Она замечает следующие колонки: `customer_ID`, `customer_names` и `first_ordered_at`.

Колонка `first_ordered_at` особенно привлекает внимание Кимико — она предполагает, что её можно использовать, чтобы определить, сколько клиентов было привлечено на основе даты их первого заказа.

Но сначала она решает поработать с данными напрямую, чтобы лучше их понять.

### Запрос данных в Insights

На **странице модели Customer** в Catalog Кимико выбирает **Analyze data** в раскрывающемся меню **Open in...**. Это позволяет ей выполнять запросы к данным модели Customer. После открытия в Insights уже есть запрос, готовый к выполнению.

[![Выбор Analyze data в Catalog](/img/guides/analyst-qs/catalog-analyze-data.png?v=2 "Выбор Analyze data в Catalog")](#)Выбор Analyze data в Catalog

[![Открытие запроса в Insights](/img/guides/analyst-qs/query.png?v=2 "Открытие запроса в Insights")](#)Открытие запроса в Insights

Выполнив запрос, Кимико может просмотреть лежащие в его основе данные. Тот же контекст, который она видела в Catalog, теперь доступен ей в редакторе SQL.

Просматривая данные, она видит информацию о каждом клиенте. Она также замечает столбец `first_ordered_at`. Кимико хочет написать запрос, но её навыки SQL немного подзабылись, поэтому она использует естественный язык в dbt Wizard:

*Сколько новых клиентов мы получили в каждом месяце прошлого года? Я бы хотел(а) использовать мою модель клиентов и поле first ordered at, чтобы выполнить этот анализ.*

dbt Wizard пишет SQL, который Кимико решает использовать:

```sql
select 
    date_trunc('month', first_ordered_at) as month,
    count(customer_id) as new_customers
from {{ ref('customers') }}
where 
    date_part('year', first_ordered_at) = date_part('year', current_date) - 1
    and customer_type = 'new'
group by 1
order by 1;
```

Кимико нажимает **Replace**, чтобы перенести весь SQL-код в свой редактор и заменить исходный запрос. Она выполняет новый запрос и просматривает данные, но решает ограничить диапазон дат, снова воспользовавшись dbt Wizard:

*Можем ли мы ограничить даты 2024 годом?*

Она проверяет новый фильтр на 2024 год и повторно запускает запрос:

```sql
select 
    date_trunc('month', first_ordered_at) as month,
    count(customer_id) as new_customers
from {{ ref('customers') }}
where 
    date_part('year', first_ordered_at) = 2024
    and customer_type = 'new'
group by 1
order by 1;
```

Результаты её устраивают, и она нажимает **Details**, чтобы посмотреть отчёт, сгенерированный ИИ, который включает заголовок и описание, исходный SQL и скомпилированный SQL.

[![Вкладка отчёта «Подробности»](/img/guides/analyst-qs/details.png?v=2 "Вкладка отчёта «Подробности»")](#)Вкладка отчёта «Подробности»

Когда Кимико готова поделиться инсайтом со стейкхолдером, она нажимает **Chart**, чтобы увидеть график, автоматически заполненный данными из вкладки **Data**.

Она добавляет подписи к осям X и Y, например “Month of first order” и “Total new customers”, чтобы сделать итоговый отчёт более понятным. Затем она делает скриншот, чтобы поделиться им со стейкхолдером.

Кимико часто возвращается к этим данным, поэтому решает добавить страницу в закладки, нажав **Bookmark** в правом верхнем углу. Она также экспортирует данные в CSV-файл.

### Визуализация результатов

Кимико беседует с коллегами и выясняет, что они выполняют очень похожие разовые запросы, поэтому решает превратить свой долго выполняющийся запрос, который она ранее добавила в закладки, в полноценную модель dbt с помощью Canvas. Это позволит ей поделиться моделью с другими, избежать дублирования работы и повысить эффективность команды.

Для этого она открывает запрос в Insights и нажимает **Develop**, затем \***Develop in** Canvas. SQL-запрос открывается в визуальном виде — как направленный ациклический граф (DAG).

Изучая model, она отмечает, что всё работает как ожидается: данные выбираются из customers, применяется фильтр на 2024 год, даты агрегируются по месяцам. Она запускает model в своей development‑среде и нажимает **Commit**, чтобы создать pull request.

Теперь вся команда Кимико — те, у кого есть такой же доступ, — может запускать эту model и видеть те же результаты! Более того, коллеги могут помогать ей улучшать model по мере усложнения запросов стейкхолдера, и Кимико будет получать пользу от их вклада.

### Запрос становится моделью

В дальнейшем Кимико сможет вернуться к своему проекту в Catalog и запустить модель, чтобы получить актуальные результаты. Теперь она может:

* Запускать модель вручную — при этом также выполняются тесты, а изменения сохраняются в системе контроля версий, что позволяет Кимико отслеживать их с течением времени
* Настроить задание для запуска модели dbt по расписанию, например каждый понедельник для подготовки отчета заинтересованным сторонам
* Настроить уведомления в Slack на случай сбоя задания, чтобы оперативно устранять возникающие проблемы
