概要
dbt は、DWH に取り込んだ生データを分析しやすい形に変換する処理を SQL(+ YAML)で書くツール。モデルの列・説明・テストを schema.yml に書け、そこに指標の定義も置ける。AI に分析させる基盤では、BI と AI が同じ定義を見るための唯一の定義源として使われる。
詳細
層構成
| 層 | 中身 |
|---|---|
| raw | 取り込んだまま |
| staging | 型・名前を整える。PII のハッシュ化もここで行う |
| mart | 分析用に集計・結合したテーブル群 |
PKSHA の事例では Aurora の 200 テーブル弱を mart まで出すために staging と mart で 577 モデルを作った。dbt のモデル名はプロジェクト内で一意である必要があるので、プロダクトごとにプロジェクトを分け、プロジェクト境界を名前空間の境界にして衝突を仕組みで防いでいる。
アダプタ
DWH ごとに dbt-bigquery・dbt-redshift・dbt-athena などのアダプタがある。DWH を乗り換えるとハッシュ関数などの SQL 方言は書き換えが要るが、「どこに何を書くか」という設計は変わらない。
ガバナンスの置き場所としての meta
required_attributesをモデルの meta に宣言し、BI(Lightdash)で属性を持たないユーザーからテーブルを隠すdata_class: piiのラベルと*_piiの命名を dbt の CI で強制し、ルールを人に覚えさせず契約にする- BigQuery の
INFORMATION_SCHEMA.JOBSのようなクエリ履歴を dbt のモデルで監査する
AI からの入口
- dbt Semantic Layer + dbt MCP サーバー(dbt-labs/dbt-mcp) — エージェントが
list_metrics・query_metricsなどで定義済み指標を引く - Lightdash 経由 —
schema.ymlの指標を Lightdash の MCP(または自前 MCP サーバー)から使う
dbt Labs は 2026 年 4 月に、セマンティックレイヤーと生テーブルへの Text-to-SQL の正答率比較を公開している(詳細はセマンティックレイヤー)。
業務システムとの二重定義に注意
業務システムの帳票と同じ指標を dbt でも定義すると、計算が 2 か所に存在する。代表値を業務 API と mart で突き合わせるテストを定期的に回し、計算ルールの仕様書は 1 つにする。
関連ページ
- セマンティックレイヤー — dbt が担う定義の層
- Lightdash — dbt の定義をそのまま探索画面にする BI
- AI ネイティブなデータ分析基盤 — dbt を中心にした基盤設計
- BigQuery / Amazon Redshift — 主な変換先の DWH
ソース記事
- BigQuery × dbt × Lightdash × MCP で作る AI ネイティブなデータ分析基盤:PKSHA の事例に学ぶ設計 — 2026-11-15
- AWS だけで作る AI ネイティブなデータ分析基盤:Aurora zero-ETL × Redshift × dbt 構成案 — 2026-11-15
- データ照会チャットボットはデータ分析基盤を作ってから?ツール呼び出し・Text-to-SQL・セマンティックレイヤーの関係と進め方 — 2026-11-15
- AI エージェントのためのデータ基盤:レイクハウスを土台に「意味・費用・権限・取り消し」を設計する — 2026-10-13