Запуски DBT обычно оркестрируются с помощью систем управления рабочими процессами, таких как Apache Airflow. Airflow позволяет планировать, запускать и мониторить DAG'и (Directed Acyclic Graphs), где каждая задача — это, например, вызов DBT-команды (dbt run, dbt test и т.д.).

Пример использования Airflow для запуска DBT:

from airflow import DAG
from airflow.operators.bash import BashOperator
from datetime import datetime

default_args = {
    'start_date': datetime(2023, 1, 1),
}

dag = DAG('dbt_dag', default_args=default_args, schedule_interval='@daily')

run_dbt = BashOperator(
    task_id='run_dbt',
    bash_command='dbt run --profiles-dir /path/to/profiles',
    dag=dag
)

run_tests = BashOperator(
    task_id='run_dbt_tests',
    bash_command='dbt test --profiles-dir /path/to/profiles',
    dag=dag
)

run_dbt >> run_tests

Таким образом, Airflow обеспечивает удобное управление зависимостями, повторный запуск и мониторинг процессов DBT. Альтернативы — Prefect, Dagster, или встроенные средства CI/CD, но Airflow — самый распространённый выбор.

Как оркестрируются запуски в DBT? Используете Airflow?