dbt: metrics

Parlons en profondeur de la fonctionnalité des metrics dans dbt, qui te permet de créer des indicateurs métier déclaratifs, réutilisables et maintenables, sans dupliquer de logique SQL dans les modèles.

---

🧠 1. Qu’est-ce qu’une metric dans dbt ?

Une metric (métrique) est un indicateur métier que tu définis dans un fichier .yml avec une logique d’agrégation, un filtre temporel, une granularité, etc.
Elle est indépendante du SQL et centralise la définition des KPI.

📌 Exemples typiques de metrics :

• CA journalier (sum(montant))
• Nombre de commandes (count(*))
• Moyenne du panier (avg(montant))
• Taux de conversion (count(distinct commandes) / count(visites))

---

🧱 2. Exemple d’une metric dbt

version: 2

metrics:
  - name: ca_journalier
    label: "Chiffre d'affaires journalier"
    model: ref('fct_commandes')
    calculation_method: sum
    expression: montant
    timestamp: date_commande
    time_grains: [day, month]
    description: "Total des ventes agrégées par date"

---

🔍 3. Propriétés principales

Propriété	Rôle
name	Nom technique de la metric
model	Modèle source (ref())
expression	La colonne à agréger
calculation_method	sum, average, count, count_distinct, expression
timestamp	Colonne temporelle de référence
time_grains	Périodes disponibles (day, month, week, etc.)
dimensions	(facultatif) colonnes pour le GROUP BY
filters	(facultatif) conditions à appliquer
window	(facultatif) pour des moyennes glissantes
description	Texte visible dans dbt docs ou Explore

---

🔁 4. Appel d’une metric dans un modèle SQL

SELECT *
FROM {{ metrics.calculate(
    metric('ca_journalier'),
    grain='day',
    start_date='2024-01-01',
    end_date='2024-06-01'
) }}

Résultat : une requête SQL générée automatiquement, avec GROUP BY date_commande + agrégation.

---

⚙️ 5. Utilisations

Contexte	Utilisation
📚 Documentation	Visible dans dbt docs serve
📦 dbt Cloud Explore	Utilisable en mode drag & drop
📊 Dashboard externe	Avec Semantic Layer activée
📁 Requêtes SQL	Via metrics.calculate()
✅ Tests	Tu peux écrire des tests sur les valeurs agrégées

---

🔒 6. Avantages

Avantage	Pourquoi c’est utile
📦 Centralisation	Une seule définition pour tout le projet
✅ Moins d’erreurs	Pas de duplicata SQL dans plusieurs modèles
🔁 Réutilisable	Appelable depuis plusieurs dashboards
🔍 Transparence	Documentée, testable, versionnée dans Git
💼 Métier + Tech alignés	La logique métier devient explicite et claire

---

🔥 7. Fonctionnalités avancées

• dimensions: permet de grouper par client, produit, canal, etc.
• filters: appliquer des filtres dynamiques (état = 'livré')
• window: moyenne glissante (window: count: 7, period: day)
• calculation_method: expression: KPI calculé à partir d’autres metrics

---

🧠 Exemple complet avec dimensions et filtre

metrics:
  - name: taux_conversion
    model: ref('fct_visites_commandes')
    calculation_method: expression
    expression: "nb_commandes::float / nb_visites"
    timestamp: date_visite
    time_grains: [day]
    dimensions:
      - canal
      - segment_client
    filters:
      - field: canal
        operator: "="
        value: "web"

---