---
title: dbt Transformation Patterns
category: product
entity_type: skill
price: ₺369
canonical: https://forgehouse.ai/tr/skiller/dbt-transformation-patterns/
lang: tr
hreflang_alt: https://forgehouse.ai/skills/dbt-transformation-patterns/
last_updated: 2026-06-20
---

# dbt Transformation Patterns

> Master dbt (data build tool) for analytics engineering with model organization, testing…

Analitik mühendisliği için üretime hazır dbt desenleri: model organizasyonu, test, dokümantasyon ve artımlı işleme. Dönüşümleri temiz staging, ara ve mart katmanlarına yapılandırır, referans tabanlı bir soy ağacı grafiği uygular ve büyük tablo inşalarını hızlı ve idempotent tutan artımlı stratejiler kullanır.

## Ne için kullanılır
- Staging, ara ve mart katmanları boyunca bir dbt proje yapısı kurmak
- Ham tablolar üzerinde kaynak güncellik kontrolleri ve şema testleri tanımlamak
- Bir milyon satırı aşan tablolar için artımlı modeller kurmak
- Vekil anahtarlar ve ilişki testleriyle boyut ve fact tabloları oluşturmak
- Tekrar eden SQL mantığını yeniden kullanılabilir Jinja makrolarına çıkarmak
- Merge, sil-ekle ve üzerine-yaz artımlı stratejileri arasında seçim yapmak

## Faydalar
- Hamdan-mart'a teknik borçtan kaçınan, bakımı kolay, iyi katmanlı dönüşümler kurun
- Artımlı inşalar ve geliştirme ortamı veri limitleriyle ambar hesaplama maliyetlerini düşürün
- Kaynak güncellik izleme ve şema testleriyle yukarı akış bozulmalarını erken yakalayın
- Benzersiz bir kolona dayalı idempotent artımlı modellerle doğru yeniden inşaları garanti edin

## Ne içerir
- Staging, ara ve mart katmanları boyunca bir proje yapısı ve adlandırma kuralı
- Güncellik eşikleri ve ilişki testleriyle kaynak tanımı
- Referans tabanlı soy ağacıyla staging, ara, boyut ve fact model desenleri
- Benzersiz, boş-değil, kabul-edilen-değerler ve ilişki testleriyle bir test-ve-dokümantasyon deseni
- Birim dönüşümü, şema yönlendirme ve geliştirme verisi sınırlama için yeniden kullanılabilir makrolar
- Üç artımlı strateji ve bir dbt komut referansı ile bir yapılması/yapılmaması listesi

## Kimler için
dbt ile dönüşüm boru hatları kuran ve sürdüren analitik mühendisleri ve veri geliştiricileri.

## Nasıl çalışır
Skill bir dbt projesinde tam olarak bu katmanlı kurulum döngüsünü koşar. Kara kutu yok, yaptığı iş şu:
1. Önce kaynakları tazelik SLA'sıyla tanımlar: her source bir loaded_at alanı ile uyarı ve hata pencereleri alır, dbt source freshness cron ile koşar; duran bir loader dashboard yanlış görünene kadar değil, saatler içinde yakalanır.
2. Staging modellerini her kaynakla 1:1, stg_ önekiyle kurar; sadece yeniden adlandırma, tip dönüşümü ve hafif temizlik yapılır. İş mantığı asla staging'de yaşamaz, çünkü katmanı atlayıp ham veriden mart'a gitmek test edilemez teknik borçtur.
3. Join ve toplamaları ara int_ modellerine koyar, sonra nihai dim_ ve fct_ mart'larını teslim eder; her şey ref() ile bağlanır, asla sabit yazılmış tablo adıyla değil. Böylece bağımlılık grafiği gerçek kalır ve etki analizi (bunu değiştirirsem ne kırılır) tek komutluk iştir.
4. Büyük tabloları zorunlu unique_key, geç gelen veri için merge stratejisi ve is_incremental filtresinde geriye bakış penceresiyle artımlı yapar; sonra full refresh ile artımlı yolun aynı sonucu ürettiğini kontrol ederek idempotency'yi kanıtlar.
5. Veri sözleşmesini schema yml'de zorlar: her mart'ta unique, not_null, accepted_values, relationships ve iş kuralı ifadeleri; dbt build CI'da testleri DAG sırasında koşar, testi geçemeyen model asla deploy olmaz.
6. Tekrarlayan SQL'i Jinja makrolarına çıkarır (birim dönüşümü, dev ortamında veri sınırlama, şema yönlendirme) ve yenisini yazmadan önce dbt_utils paketini kontrol eder; mantık değişikliği tek yerde yapılır, her yere yansır.

## Sık sorulanlar
### Zaten dağınık bir dbt projemiz var. Bu kalıplar onu yeniden düzenlemeye yardım eder mi, yoksa sadece sıfırdan kuruluma mı uygulanır?
Hazırlık, ara ve mart katmanlaması ile referans tabanlı soy ağacı, yalnızca sıfırdan değil mevcut modellere de uygulanmak üzere düşünülmüştür. Karmaşık bir projeyi bu yapıya doğru kademeli olarak, model model yeniden düzenleyebilirsiniz.

### Artımlı modeller, tam yenilemeye kıyasla ne zaman gerçekten işe yarar?
Artımlı, tablolar tam yeniden kurmanın yavaşladığı kadar büyüdüğünde değerini gösterir, örnek bir milyon satırı aşan tablolardır. Bunun altında tam yenileme daha basittir ve artımlı kayıt tutmanın karmaşıklığına değmez.

### dbt ve veri ambarını o mu kurar, yoksa çalıştıklarını mı varsayar?
dbt ve bir veri ambarının zaten yerinde olduğunu varsayar ve üstünde düzenleme ile test kalıpları verir. Ambarı seçmek ya da kurmak ve onu besleyen ham veri alımı, bu kapsamın dışında kalır.

## Fiyat
₺369, tek seferlik, abonelik yok. KDV dahil.

İlgili rehber: [Yapay zekâ ile veri analitiği](https://forgehouse.ai/tr/rehberler/yapay-zeka-veri-analitigi/)