BÁSICO · 8 MÓDULOS · 64 LECCIONES

dbt y analytics engineering

Convierte tus transformaciones de SQL sueltas en un proyecto de datos versionado, probado y documentado con dbt, que corre de punta a punta con un solo comando.

Es para ti si
Escribes SQL de transformación a mano, en scripts sueltos, sin pruebas ni control de versiones.
Al terminar
Sabrás armar modelos con dbt, escribir pruebas de datos, guardar el historial de cambios con snapshots y hacer cargas incrementales confiables.
Necesitas
SQL intermedio, un modelo dimensional (star schema) y Python 3.13 o 3.14. Todo corre local y gratis.
  1. 01Your First Dbt Project8 LECCIONES
    1. Presentación de la guía: de SQL suelto a un proyecto de software
    2. ¿Qué es analytics engineering?
    3. dbt y la T de ELT
    4. Instalando dbt-core y dbt-duckdb
    5. Anatomía de un proyecto dbt
    6. Conectando a Kiosko con `profiles.yml`
    7. Tu primer modelo y `dbt run`
    8. Mini-proyecto: el primer proyecto dbt de Kiosko
  2. 02Sources And Staging Models8 LECCIONES
    1. Presentación del módulo: de un modelo de juguete a los datos reales de Kiosko
    2. Declarando los datos crudos de Kiosko como sources
    3. La función `source()` y por qué importa
    4. Leyendo archivos directamente con `external_location`
    5. Staging models: un modelo por cada tabla fuente
    6. Nombrando staging models: el prefijo `stg_`
    7. Construyendo `stg_orders` y `stg_events`
    8. Mini-proyecto: la capa de staging completa de Kiosko
  3. 03Ref Marts And Materializations8 LECCIONES
    1. Presentación del módulo: de vistas de staging al star schema con `ref()`
    2. La función `ref()` y el DAG que construye
    3. Materializaciones: `view` contra `table`
    4. Reconstruyendo `dim_store` y `dim_date`
    5. Reconstruyendo `fact_orders` con `ref()`
    6. Eligiendo materializaciones para Kiosko
    7. Inspeccionando el DAG con `dbt ls`
    8. Mini-proyecto: el star schema de Kiosko en dbt
  4. 04Testing Your Models8 LECCIONES
    1. Presentación del módulo: de un star schema que corre a un star schema en el que confías
    2. Qué verifica, exactamente, un data test
    3. Tests genéricos: `unique` y `not_null` en `fact_orders`
    4. Tests genéricos: `accepted_values` y `relationships`
    5. Escribiendo un test genérico propio: `test_is_positive`
    6. Tests singulares para reglas de negocio
    7. Leyendo el reporte de `dbt test`
    8. Mini-proyecto: la suite de tests de Kiosko
  5. 05Snapshots And Scd Type 28 LECCIONES
    1. Presentación del módulo: de un star schema que confías a un star schema que recuerda su pasado
    2. Qué hace, exactamente, un snapshot de dbt
    3. `timestamp` contra `check`: las dos estrategias de un snapshot
    4. Configurando `dim_product_snapshot`
    5. Corriendo el primer snapshot
    6. Cambiando la fuente y snapshoteando de nuevo
    7. Consultando el `dim_product` historizado
    8. Mini-proyecto: el SCD tipo 2 de Kiosko en dbt
  6. 06Incremental Models And Idempotency8 LECCIONES
    1. Módulo 6: Modelos incrementales e idempotencia
    2. Por qué existen los modelos incrementales
    3. La macro `is_incremental()`
    4. Eligiendo una estrategia incremental
    5. Convirtiendo `fact_orders` en incremental
    6. Probando idempotencia corriendo dos veces
    7. `--full-refresh` cuando necesitas reconstruir
    8. Mini-proyecto: `fact_orders` incremental de Kiosko
  7. 07Macros Docs And Lineage8 LECCIONES
    1. Módulo 7: Macros, documentación y linaje
    2. Escribiendo tu primera macro
    3. Una macro de ingreso reutilizable para Kiosko
    4. Documentando modelos y columnas
    5. Generando docs con `dbt docs generate`
    6. Leyendo el grafo de linaje
    7. Cuándo un proyecto dbt necesita un orquestador
    8. Mini-proyecto: el proyecto documentado de Kiosko
  8. 08Project Kioskos Dbt Warehouse8 LECCIONES
    1. Módulo 8: Proyecto, el primer warehouse dbt de Kiosko
    2. El brief: Kiosko necesita un warehouse versionado
    3. Portando los marts restantes de data-modeling
    4. Ensamblando la estructura completa del proyecto
    5. Corriendo `dbt build` de punta a punta
    6. Consultando el mart final
    7. Qué le sigue faltando a Kiosko
    8. Mini-proyecto: el primer warehouse dbt de Kiosko
Reseñas

Lo que dicen los estudiantes

Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.

Aún no hay reseñas aprobadas.

¡Sé el primero en compartir tu experiencia!

SEC. 06 · EL ESTUDIO

Por qué existe este estudio

Durante décadas, construir software fue cosa de perfiles técnicos con años de formación, y llevar un producto digital a la vida real le tomaba a las empresas meses o años. El no-code y la inteligencia artificial han acortado esa brecha, pero el conocimiento sigue en manos de unos cuantos.

Tech Benders existe para abrir ese conocimiento, para que los equipos de negocio y los perfiles no técnicos puedan poner sus ideas en producción con las decisiones técnicas correctas detrás. La IA hace lo que le pides. Sin una base técnica, lo que construye puede no escalar con el ecosistema de tu empresa, y sus costos se disparan con el tiempo.

El equipo conoce los dolores de las organizaciones grandes y la velocidad a la que tienen que moverse. Trae arquitectura de soluciones, ingeniería de datos, producto construido de punta a punta, del backend al frontend, y trabajo diario con IA. Software que resuelve lo que necesitas en días, no en meses, con los costos de la IA bajo control.

Fundadores

El estudioConoce Tech Benders →

Escríbenoshi@techbenders.io

Hecho con Wislab