Lightdash lit le YAML de votre projet dbt et génère une couche BI à partir de celui-ci. Les colonnes deviennent des dimensions. Les annotations du bloc meta: deviennent des métriques, des jointures et de la configuration d’affichage. L’article Définir des métriques dans Lightdash avec dbt est le guide complet. Ces notes de jardin le décomposent en concepts réutilisables.
Les blocs de construction
Dimensions Lightdash en YAML — Comment chaque colonne dbt devient une dimension. Types, le flag hidden pour les colonnes brutes que vous souhaitez agréger mais pas exposer, time_intervals pour les champs de date, les chaînes format et additional_dimensions pour les valeurs calculées qui ne mappent pas à des colonnes physiques.
Types de métriques Lightdash — Les trois catégories de métriques (agrégées, non agrégées, post-calcul), la règle selon laquelle les métriques agrégées référencent les dimensions et les métriques non agrégées référencent d’autres métriques, le positionnement au niveau colonne vs modèle, et la fonctionnalité de write-back pour promouvoir les métriques Explore ad-hoc dans des définitions YAML gouvernées.
Jointures Lightdash et protection contre le fanout — Connecter les modèles pour que les utilisateurs puissent combiner dimensions et métriques entre les tables. La propriété relationship, pourquoi elle importe pour prévenir les métriques gonflées dans les jointures one-to-many, et quand utiliser des marts dbt pré-joinés plutôt que des jointures au niveau BI.
Métriques Lightdash à l’échelle — group_details dans la sidebar, le Metrics Catalog avec les catégories Spotlight, et les paramètres pour les valeurs spécifiques à l’environnement. Quand introduire chacun — groups à ~20 champs, Spotlight à ~5-6 modèles, paramètres quand vous avez plusieurs environnements de déploiement.
Concepts connexes
La note Métriques as code couvre la pratique plus large — pourquoi mettre les définitions de métriques dans le contrôle de version importe, les problèmes de gouvernance que cela résout, et quels outils supportent ce pattern. Lightdash est une implémentation ; Architecture de couche sémantique le compare à MetricFlow, Snowflake Semantic Views et Databricks Metric Views.
Pour la position de Lightdash dans le paysage BI plus large, voir Framework de sélection d’outils BI.
Si vous construisez avec MetricFlow plutôt qu’avec la syntaxe native de Lightdash, les notes parallèles sont Types de métriques MetricFlow, Conventions de nommage des métriques dans dbt et Organisation des métriques dans les projets dbt.
Comment Lightdash lit votre projet dbt
Lightdash se connecte à votre projet dbt via un dépôt Git (GitHub, GitLab, Azure DevOps ou Bitbucket). Quand des modifications fusionnent vers la branche connectée, Lightdash lit le dépôt, compile le projet et régénère la couche BI. Vous pouvez aussi pousser des projets compilés via lightdash deploy depuis CI/CD, ou déclencher un rafraîchissement manuel dans l’UI.
Sur dbt v1.9 et antérieur, le bloc meta: est directement sous la colonne ou le modèle. Sur v1.10+ et Fusion, il s’enveloppe dans un bloc config:. Les notes de ce hub utilisent la syntaxe v1.9.
Article source
lightdash-dbt-metrics-yaml — la référence YAML complète avec des exemples pratiques sur les dimensions, métriques, jointures et patterns d’organisation.