dbt Charts expliqué : des tableaux de bord sous forme de code, à côté de vos modèles dbt

Les analytics engineers gèrent déjà leurs modèles, tests et documentation sous forme de code dans dbt. Le tableau de bord faisait exception : il vit dans un outil de BI, construit à coups de clics, sans historique ni revue. dbt Charts, annoncé en bêta publique au dbt Summit 2026 à Las Vegas en septembre, comble ce manque. Un tableau de bord devient un fichier YAML dans votre projet dbt, généré par un petit outil en ligne de commande et vérifié contre votre entrepôt avant que quiconque ne voie un graphique cassé.

Pourquoi des tableaux de bord en code ?

À quoi ressemble un tableau

Un tableau comporte un titre, une source de données, des requêtes SQL nommées, des graphiques qui pointent vers ces requêtes et une mise en page. Voici un exemple simplifié, fondé sur la structure documentée :

# 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]

Deux choix de conception ressortent. D'abord, les graphiques n'agrègent ni ne réordonnent jamais les lignes : c'est le SQL qui fixe la granularité et l'ordre, donc vous voyez exactement ce que renvoie la requête. Ensuite, les appels ref() sont vérifiés par rapport aux colonnes de vos modèles dbt lors de dbt parse : une colonne renommée casse le build, pas la réunion.

Les briques de base

La validation : la vraie raison de s'y intéresser

L'outil en ligne de commande s'appelle dct et lit vos fichiers dbt_project.yml et profiles.yml existants : aucune nouvelle connexion à configurer.

dct validate              # vérifie la structure de chaque tableau
dct validate --warehouse  # exécute chaque requête sur l'entrepôt
dct impact                # liste les tableaux qui lisent une colonne
dct render                # génère les tableaux, avec des avertissements visuels

dct impact est celui que les équipes data vont adorer : avant de supprimer ou de renommer une colonne, vous voyez tous les tableaux de bord qui en dépendent. Placez dct validate --warehouse dans la CI à côté de dbt build, et les tableaux cassés n'arrivent plus chez les parties prenantes.

Conçu pour les agents IA

Comme un tableau est du texte brut avec un vocabulaire réduit, les agents IA peuvent le lire et l'écrire de façon bien plus fiable qu'ils ne cliquent dans un outil de BI. C'est un argument central de dbt Labs. Le bac à sable en ligne play.dbtcharts.com inclut un assistant qui modifie le YAML pour vous.

Limites actuelles

• Pas encore de lien avec le Semantic Layer : les requêtes sont du SQL simple, donc une métrique définie dans le dbt Semantic Layer peut être calculée différemment sur un tableau. Gardez la logique dans vos modèles et le SQL des tableaux léger.
• Fichiers longs : les grands tableaux deviennent de longs fichiers YAML difficiles à parcourir. Découpez-les en plusieurs tableaux.
• Bêta publique : ni tarifs, ni formules, ni date de GA n'ont été annoncés. dbt Labs organise des sessions virtuelles les 28 et 29 octobre.

Faut-il l'essayer ?

Vous débutez avec dbt ? Commencez par votre premier projet dbt, puis lisez ce qui change avec dbt v2 et ce que signifie la fusion de Fivetran et dbt Labs.

Sources : la documentation du langage dbt Charts (dbtcharts.com), « dbt Charts: first look » de The Information Lab (21 septembre 2026) et le blog de dbt Labs. dbt Charts est en bêta publique : syntaxe et fonctionnalités peuvent évoluer.

Alessandro Ecclesie AgazziÉcrit par Alessandro Ecclesie Agazzi, analytics engineer à Londres. Mis à jour le 17 octobre 2026. À propos