dbt Charts erklärt: Dashboards als Code, direkt neben Ihren dbt-Modellen

Analytics Engineers pflegen Modelle, Tests und Dokumentation in dbt längst als Code. Das Dashboard war meist die Ausnahme: Es lebt in einem BI-Tool, zusammengeklickt, ohne Historie und ohne Review. dbt Charts, im September auf dem dbt Summit 2026 in Las Vegas als öffentliche Beta angekündigt, schließt diese Lücke. Ein Dashboard wird zu einer YAML-Datei in Ihrem dbt-Projekt, gerendert von einem kleinen Kommandozeilen-Tool und gegen Ihr Data Warehouse geprüft, bevor jemand ein kaputtes Diagramm sieht.

Warum Dashboards als Code?

So sieht ein Board aus

Ein Board hat einen Titel, eine Datenquelle, benannte SQL-Abfragen, Diagramme, die auf diese Abfragen verweisen, und ein Layout. Hier ein vereinfachtes Beispiel auf Basis der dokumentierten Struktur:

# charts/revenue.yml
title: Revenue overview
source: db
queries:
  by_month: |
    select date_trunc('month', order_date) as month,
           sum(revenue) as revenue
    from {{ ref('fct_orders') }}
    group by 1
    order by 1
  by_channel: |
    select channel, sum(revenue) as revenue
    from {{ ref('fct_orders') }}
    group by 1
    order by 2 desc
charts:
  revenue_trend:
    query: queries.by_month
    type: line
    x: month
    y: revenue
  revenue_by_channel:
    query: queries.by_channel
    type: bar
    x: channel
    y: revenue
rows: [revenue_trend, revenue_by_channel]

Zwei Designentscheidungen fallen auf. Erstens: Diagramme aggregieren oder sortieren nie selbst. Das SQL bestimmt Granularität und Reihenfolge, Sie sehen also genau das, was die Abfrage liefert. Zweitens werden ref()-Aufrufe beim Ausführen von dbt parse gegen die Spalten Ihrer dbt-Modelle geprüft. Eine umbenannte Spalte bricht also den Build, nicht das Meeting.

Die Bausteine

Validierung: der eigentliche Grund, sich dafür zu interessieren

Das Kommandozeilen-Tool heißt dct und liest Ihre vorhandenen Dateien dbt_project.yml und profiles.yml. Es gibt also keine neue Verbindung einzurichten.

dct validate              # prüft die Struktur jedes Boards
dct validate --warehouse  # führt jede Abfrage im Data Warehouse aus
dct impact                # listet die Boards, die eine Spalte lesen
dct render                # rendert die Boards, mit visuellen Warnungen

dct impact werden Datenteams lieben: Bevor Sie eine Spalte löschen oder umbenennen, sehen Sie jedes Dashboard, das davon abhängt. Setzen Sie dct validate --warehouse in die CI neben dbt build, und kaputte Dashboards erreichen keine Stakeholder mehr.

Gebaut für KI-Agenten

Weil ein Board reiner Text mit kleinem Vokabular ist, können KI-Agenten es weit zuverlässiger lesen und schreiben, als sie sich durch ein BI-Tool klicken können. Das ist ein zentraler Teil des Versprechens von dbt Labs. Der Online-Playground unter play.dbtcharts.com enthält einen Assistenten, der das YAML für Sie bearbeitet.

Aktuelle Grenzen

• Noch keine Verbindung zum Semantic Layer: Abfragen sind reines SQL, eine im dbt Semantic Layer definierte Kennzahl kann auf einem Board also anders berechnet werden. Halten Sie die Logik in Ihren Modellen und das SQL der Boards schlank.
• Lange Dateien: Große Boards werden zu langen YAML-Dateien, in denen man sich schwer zurechtfindet. Teilen Sie sie in mehrere Boards auf.
• Öffentliche Beta: Preise, Pläne und ein GA-Termin sind noch nicht angekündigt. dbt Labs veranstaltet am 28. und 29. Oktober virtuelle Sessions.

Sollten Sie es ausprobieren?

Neu bei dbt? Beginnen Sie mit Ihrem ersten dbt-Projekt und lesen Sie dann, was sich mit dbt v2 geändert hat und was die Fusion von Fivetran und dbt Labs bedeutet.

Quellen: die Dokumentation der dbt-Charts-Sprache (dbtcharts.com), „dbt Charts: first look“ von The Information Lab (21. September 2026) und der Blog von dbt Labs. dbt Charts ist in der öffentlichen Beta, Syntax und Funktionen können sich ändern.

Alessandro Ecclesie AgazziGeschrieben von Alessandro Ecclesie Agazzi, Analytics Engineer in London. Aktualisiert am 17 Oktober 2026. Über mich