Lightdash est un outil BI sous licence MIT qui lit directement les fichiers YAML de votre projet dbt et les transforme en une couche analytique interactive. Pas de langage de modélisation séparé, pas de définitions de métriques parallèles — le projet dbt est la couche sémantique. Ces notes de jardin décomposent le guide d’auto-hébergement en concepts réutilisables.
Comment Lightdash lit votre projet dbt
lightdash-dbt-project-connection — Les trois mécanismes pour connecter Lightdash à un dépôt dbt : intégration Git directe, lightdash deploy depuis la CLI, et automatisation CI/CD. Inclut un workflow GitHub Actions fonctionnel et une explication de ce que Lightdash lit dans la sortie compilée dbt pour générer l’interface Explore.
Déploiement
lightdash-self-hosting-docker — Exécuter Lightdash avec Docker Compose. Les trois services requis (application, PostgreSQL, navigateur headless), les variables d’environnement critiques, les pièges connus (port 3000 vs 8080, la nécessité de l’extension uuid-ossp), et ce qu’on peut attendre des déploiements en production pour petites équipes.
lightdash-production-kubernetes — Passer à Kubernetes avec le Helm chart communautaire. Checklist de production : PostgreSQL externe, stockage objet compatible S3, HTTPS, SMTP. Limites des tiers d’authentification et stratégie de mise à jour sécurisée pour le rythme de releases soutenu.
La couche de métriques
La syntaxe de configuration des métriques YAML vit dans le hub existant lightdash-dbt-metrics-yaml-hub, qui se décompose en :
- lightdash-dimensions-yaml — Types de dimensions, colonnes masquées, intervalles de temps, chaînes de format et additional_dimensions
- lightdash-metric-types — Catégories de métriques agrégées, non-agrégées et post-calcul ; placement au niveau colonne vs modèle ; filtres et propriétés d’affichage
- lightdash-joins-and-fanout-protection — Définir des jointures entre modèles et pourquoi la propriété
relationshipprévient les métriques gonflées - lightdash-metrics-at-scale — Groupes, Metrics Catalog, catégories Spotlight et paramètres pour les déploiements multi-environnements
Comparer les approches de couche sémantique
lightdash-vs-metricflow-semantic-layer — La couche de métriques native de Lightdash vs MetricFlow. Syntaxe YAML plus simple vs modélisation basée sur les entités plus riche. Lightdash uniquement vs API cross-plateforme. Quand la friction d’adoption importe plus que la flexibilité de l’outil, et quand ce n’est pas le cas.
Positionnement et licences
bi-tool-self-hosting-licensing — Licences MIT vs AGPL vs propriétaires, et ce que le tier open-source inclut réellement. Comparaison des fonctionnalités entre Lightdash auto-hébergé (gratuit), Cloud Pro (2 400 $/mois) et Enterprise.
bi-tool-selection-framework — Quand Lightdash convient et quand il ne convient pas. Les quatre questions décisives : investissement dbt, exigences de gouvernance, budget et sophistication des utilisateurs. Comparaison directe avec Looker et Metabase.
Contexte
Lightdash est une expression d’un glissement architectural plus large — dbt devenant la couche de base que les outils BI lisent plutôt qu’une préoccupation parallèle. dbt-centrality-in-bi couvre ce glissement et le contexte marché. semantic-layer-architecture compare l’approche Lightdash à MetricFlow, Snowflake Semantic Views et Databricks Metric Views.