Mesterséges intelligencia, magyarul.
Az eredeti közleményekből.

A Compare the Market hat hétről egy hét alá gyorsította a riportkészítést

2026. október 26. 15:02Forrás: dbt Labs
A Compare the Market hat hétről egy hét alá gyorsította a riportkészítést
Kép: dbt Labs

A Compare the Market hat hétről egy hét alá csökkentette egy új riport elkészítésének idejét, miközben az adatmodellek tesztlefedettsége 75 százalék fölé emelkedett. A vállalat ehhez a dashboardok helyett a tesztelt és dokumentált adatmodelleket tette az analitikai működés középpontjába.

A lényeg röviden
  • A Compare the Market 433 Power BI-riportot auditált, ezek közül 179 már elhagyott volt.
  • Az új riportok elkészítési ideje hat hétről egy hét alá csökkent.
  • A tesztlefedettség 75 százalék fölé emelkedett.
  • A vállalat több repozitóriumra épülő, üzleti területekhez igazított architektúrát vezetett be.
  • Az adatmodellek újrafelhasználása 3,0-szorosára nőtt.

Túl sok riport, eltérő definíciók

A brit ár-összehasonlító vállalat, a Compare the Market analitikai működését Emanuela Ciotti, a vállalat vállalati analitikáért felelős vezetője mutatta be a dbt Summit 2026 rendezvényen. A dbt Labs 2026. október 26-án közzétett beszámolója szerint Ciotti hét év, három különböző szervezetnél szerzett dbt-tapasztalatára építette fel a bemutatott keretrendszert.

A kiinduló probléma a vállalatnál egy úgynevezett riportgyár volt. Ebben a BI-csapat szolgáltató pultként működik, az SQL-logika több riportban és eszközben ismétlődik, a mutatók pedig dashboardonként eltérő módon lehetnek definiálva.

A Compare the Market Power BI-környezetének belső auditja 433 riportot talált. Ezek közül 179, vagyis 41 százalék már elhagyott riport volt. A dbt Labs leírása szerint mindegyik különálló válasz volt egy különálló kérdésre, közös adatbázis vagy alap nélkül.

Háromlépcsős átalakítás

Ciotti a változást három szakaszra bontotta. A felfedezés szakaszában az elemzői szerepkört analitikai mérnöki működés váltja fel. Már az új eszközök bevezetése előtt megjelenik a verziókezelés, a moduláris tervezés és a tesztelés.

A skálázás szakaszában a csapat a szervezeti és technikai függőségeket kezelte. Egy több mint 4000, egymással összefüggő modellt tartalmazó monorepo idővel szerkezeti korláttá vált. A staging réteg egy része Google Sheets-seedekre támaszkodott, amelyek időnként közvetlenül a hónap végi jelentéskészítés előtt pénzügyi adatfolyamokat akasztottak meg.

A megoldás több repozitóriumra épülő architektúra lett, amely igazodik az egyes üzleti területek felelősségéhez. A csapat ehhez a dbt Mesh alapelveire támaszkodott, így minden üzleti törzs a saját modelljeiért felel.

Az átalakítás harmadik szakasza a transzformáció. Ebben az analitikai csapat feladata már nem elsősorban dashboardok előállítása, hanem tesztelt és dokumentált adatmodellek létrehozása.

Gyorsabb riportok, új működési modell

A bemutatott eredmények szerint egy új riport elkészítésének ideje hat hétről egy hét alá csökkent. A tesztek lefedettsége meghaladta a 75 százalékot, az adatmodellek újrafelhasználása pedig 3,0-szorosára nőtt.

A dbt Labs szerint a változás működési modellreformot jelent, nem pusztán technológiai cserét. Az analitikai csapat akkor lép ki a szolgáltatópult szerepéből, amikor a vállalat számára dashboard helyett irányított, szabályozott modellt ad át. Ehhez a felelősségi köröket már a tervezés kezdetén ki kell alakítani.

Ciotti a mesterséges intelligencia használatára is figyelmeztetett. A dbt Labs beszámolója szerint az AI nem ellenőrzi az általa felhasznált adatokat, hanem megbízik bennük. Emiatt a gyenge adatbázisra épülő AI-réteg a problémákat nem feltétlenül láthatóbbá teszi, hanem fel is erősítheti. A Compare the Market megközelítésében a tesztelt és dokumentált adatmodellek adják azt az adat-alapot, amelyre megbízható AI épülhet.

dbt LabsCompare the MarketPower BIGoogle Sheetsdbt Meshdbt Wizard CLIvállalati AIkutatási eredmény
Kövesd az AI Hírek oldalát a FacebookonA legfontosabb MI-hírek magyarul, rögtön a megjelenés után a hírfolyamodban.Követem

Kapcsolódó hírek

AI-ügynökkel zsugorította legacy SQL-kódját az Ecolab
Fejlesztőknek2026. október 27. 19:20

AI-ügynökkel zsugorította legacy SQL-kódját az Ecolab

Az Ecolab egy AI-ügynök segítségével alakítja át összetett, örökölt SQL-adatrendszerét dbt-projektekké. A dbt Labs beszámolója szerint a teljes migráció során körülbelül…

A szemantikai réteg 80-ról 96 százalékra javíthatja az AI-elemző pontosságát
Fejlesztőknek2026. október 27. 18:46

A szemantikai réteg 80-ról 96 százalékra javíthatja az AI-elemző pontosságát

Jelentősen pontosabb válaszokat adott egy AI-modell, amikor szemantikai rétegen keresztül kapott kérdéseket, derül ki a dbt Labs saját benchmarkjából. A különbség a…

Az EF Cortex Agenttel mérte fel a dbt-modellek költségét és értékét
Termékek és eszközök2026. október 27. 17:44

Az EF Cortex Agenttel mérte fel a dbt-modellek költségét és értékét

Az EF Education First dbt-modelleken és Snowflake-en alapuló pontozási rendszert épített, amely megmutatja az adatfolyamok költségét és használatát. A domaincsapatok egy…