dbt とは SQLでデータ変換を体系化するT層基盤

2026年6月3日

dbt（data build tool）は、データウェアハウスの中で実行する SQL の変換処理をモデル化し、依存解析・テスト・ドキュメント生成まで含めて管理する OSS ツールです。2016 年にコンサルティング会社 Fishtown Analytics（現 dbt Labs）が顧客向けの社内ツールとして開発し、その後 OSS 化して急成長を遂げました。データエンジニアリングの ETL を「ELT」へ転換し、変換層（T）をアナリティクスエンジニアが SQL で担うという潮流を作った張本人であり、Snowflake・BigQuery・Redshift などとの組み合わせでモダンデータスタックの中核となりました。

この記事の目次

Model・Ref・Testの三本柱
Fishtown発祥とdbt Labs急成長
ELT変換層と分析メトリクスの標準化
ETLツールとELT変換層dbtの位置付け
まとめ

Model・Ref・Testの三本柱

dbt の最小単位は SELECT 文を書いた .sql ファイル（モデル）で、これらを ref('upstream_model') 関数で参照することで依存グラフが自動生成されます。dbt run を実行すると、dbt はモデルの依存を解析し、トポロジカル順に CREATE TABLE / VIEW を発行します。マテリアライゼーション（view・table・incremental・snapshot）をモデルごとに選べるため、フルリフレッシュと差分更新を柔軟に切り替えられます。

テスト機能では、not_null・unique・accepted_values・relationships といった汎用テストを YAML で宣言するだけで、データ品質を継続的に検証できます。Jinja マクロや変数を活用すれば、SQL を再利用可能なコンポーネントとして抽象化でき、ステージング・マート層を体系的に分離した「dbt project」レイアウトがコミュニティ標準として確立されています。

Fishtown発祥とdbt Labs急成長

dbt の前身は、フィラデルフィアのデータコンサルティング会社 Fishtown Analytics が 2016 年に開発した社内ツールでした。創業者の Tristan Handy らは、顧客のデータパイプラインで SQL の管理が破綻している状況を見て、依存とテストを備えた変換層の標準ツールを求めました。同年の OSS 公開後、Snowflake や BigQuery の普及と歩調を合わせて急速に支持を広げ、コミュニティ Slack「dbt Community」は数万人規模に成長しました。

2020 年にはマネージドサービス「dbt Cloud」を提供開始し、IDE・スケジューラ・ドキュメントホスティングを統合しました。2021 年に社名を dbt Labs に変更、Andreessen Horowitz や Sequoia Capital などから巨額の資金調達を行い、評価額は 42 億ドル規模に達したと報じられています。2024 年にはセマンティックレイヤや Mesh、Python モデルなどに機能を広げ、単なる変換ツールを超えたデータプラットフォームへと進化しています。

ELT変換層と分析メトリクスの標準化

dbt の典型的なユースケースは、Fivetran や Airbyte で DWH にロードした生データを、ステージング層・マート層へ段階的に整形する変換パイプラインです。ファクトテーブルとディメンションテーブルを SQL で組み立て、ビジネス用語と一対一に対応する分析テーブルを安定供給することで、BI ツール側の SQL が劇的に簡素化されます。日次バッチで dbt build を実行し、テストと変換を一括で走らせる運用が定着しています。

近年は「セマンティックレイヤ」が追加され、売上・解約率・LTV などの指標定義を YAML で一元化し、BI やノートブックから同じ定義で参照できるようになりました。これにより、ダッシュボードごとに微妙に異なる指標値が表示される問題を解消できます。dbt のドキュメント生成機能は、自動的にリネージグラフとカラム説明をホスティングし、データカタログの代替としても活躍しています。

ETLツールとELT変換層dbtの位置付け

従来の ETL ツール（Informatica や Talend など）は専用 GUI でフローを描き、独立した変換サーバで処理する形式が主流でした。dbt はその発想を覆し、DWH の計算リソースを活用して「変換は DWH の中で SQL で行う（ELT）」アプローチを徹底しました。これにより、巨大データでも DWH のスケーラビリティをそのまま享受でき、Git ベースのコードレビュー文化を分析チームに持ち込めるようになりました。

Airflow や Dagster などのオーケストレータからは、dbt を一つの実行ステップとして呼び出すパターンが定着しています。両者は競合ではなく相互補完であり、抽出・ロードを SaaS や Airbyte、変換を dbt、起動を Airflow/Dagster／Prefect、可視化を Looker や Tableau が担当する分業が、モダンデータスタックの標準構成として広く採用されています。