Modern data stack (Türkçede "modern veri yığını" diye de geçiyor), şirketin kullandığı sistemlerdeki veriyi bulutta çalışan ayrı araçlarla bir veri ambarına taşıyan, orada SQL ile dönüştüren ve raporlara, dashboard'lara sunan mimarinin adı. Tipik bir kurulumda veriyi Fivetran ya da Airbyte taşır, ambar olarak BigQuery, Snowflake veya Databricks kullanılır, dönüşümleri dbt yapar, bir zamanlayıcı bu adımları sırayla çalıştırır ve sonuçları Metabase ya da Power BI gibi bir iş zekâsı (BI) aracı gösterir. Küçük bir ekip için yazılımların kendisi güncel liste fiyatlarıyla çok ucuza, hatta bedavaya gelebilir; asıl maliyet, bu yapıyla ilgilenecek kişinin zamanıdır. Türkiye'de bir soru daha var: veri hangi ülkede duracak?
Terimin kendisi fikirden daha çabuk eskidi. 2020-2022 arasındaki yatırım coşkusunda moda bir etikete dönüştü. Şubat 2024'te dbt'yi geliştiren şirketin kurucularından Tristan Handy, terimin artık bir şey anlatmadığını yazdı ve bundan sonra sadece "analitik" (analytics) diyeceğini söyledi (yazısı, İngilizce). O günden bu yana araç üreticileri birleşti: Fivetran 2025'te reverse ETL aracı Census'ı ve SQLMesh'in arkasındaki Tobiko Data'yı satın aldı, 1 Haziran 2026'da da dbt Labs ile birleşmesini tamamladı. Yani "modern data stack" artık bir mimari kalıbın adı. Parçaları satan şirket sayısı azaldı; kalıbın kendisi ise analitik için hâlâ ilk bakılacak seçenek.
Katmanlar ve her birinin işi
Katman | Ne yapar | Yaygın araçlar (Ekim 2026) |
|---|---|---|
Kaynaklar | Verinin üretildiği sistemler | Uygulamanızın veritabanı, ERP, e-ticaret sitesi, pazaryeri satıcı paneli, ödeme altyapısı, Google Ads, Excel dosyaları |
Veri alımı | Kaynaktaki veriyi düzenli aralıklarla, ham hâliyle ambara kopyalar | Fivetran, Airbyte, kendi Python betikleriniz, değişiklik verisi yakalama (CDC) |
Veri ambarı | Bütün veriyi saklar ve üzerinde SQL çalıştırır | BigQuery, Snowflake, Databricks, Redshift; veri küçükse PostgreSQL, DuckDB ya da ClickHouse |
Dönüşüm | Ham tabloları temiz, test edilmiş ve belgelenmiş modellere çevirir | dbt, SQLMesh |
Orkestrasyon | Adımları sırayla çalıştırır, biri başarısız olunca haber verir | Başta zamanlanmış bir CI işi ya da cron; ileride Airflow, Dagster, Prefect |
BI ve reverse ETL | Dashboard'lar, ortak metrik tanımları, verinin CRM gibi araçlara geri gönderilmesi | Metabase, Power BI, Data Studio, Looker; Fivetran Activations gibi reverse ETL araçları |
Bütün yapının altındaki tercih ELT: veri önce ham hâliyle yüklenir, dönüşüm ambarın içinde yapılır. Böylece bir iş kuralı değiştiğinde ham geçmiş elinizin altında olur. Bu seçimi, artımlı modelleri ve kişisel verinin ham katmana girmeden nasıl ayıklanacağını ETL ve ELT farkı yazımızda ayrıca anlattık.
Veri alımı: yaygın kaynaklara hazır bağlayıcı, yerel kaynaklara kendi kodunuz
Bilinen SaaS ürünleri için bağlayıcı (connector) yazmak tekrar eden bir iş: kimlik doğrulama, sayfalama, istek limitleri, şema değişiklikleri. Bunun için para ödemek, çoğu zaman bir mühendisin bu kodun bakımını yıllarca yapmasından ucuza gelir. Fivetran 700'den fazla yönetilen bağlayıcı sunuyor ve aylık aktif satır (MAR) üzerinden, her bağlantı için ayrı ayrı ücretlendiriyor. Bir satır ay içinde kaç kez değişirse değişsin bir kez sayılıyor; fatura, ayda kaç farklı satırın değiştiğine bağlı. Ücretsiz plan ayda 500.000 MAR'a kadar geçerli. Ücretli planlarda, 1 ile 1 milyon arası MAR'ı olan her standart bağlantı için kullanım bedelinin üstüne 5 dolarlık bir taban ücret de alınıyor. Fivetran'ın fiyat sayfasındaki örnekte, Standard planda 847.574 MAR'lık bir Marketo bağlantısı ayda 424,54 dolar (yaklaşık 21.000 TL) tutuyor (Fivetran fiyatlandırması). Başlıca alternatif Airbyte: kendi sunucunuzda çalıştırdığınız açık kaynak bir sürümü ve ayda 20 dolardan (yaklaşık 990 TL) başlayan bir bulut planı var.
Türkiye'ye özgü kaynaklar için hazır bağlayıcı bulmak ise zor. Ekim 2026'da Airbyte'ın bağlayıcı kayıt listesinde (registry) Trendyol, Hepsiburada, Paraşüt ya da iyzico için bir kaynak bağlayıcısı bulunmuyordu. Bu tür kaynaklar için iki yol var: Airbyte'ın Connector Builder aracıyla kod yazmadan bir bağlayıcı tanımlamak ya da API'den veriyi çekip ambara yükleyen küçük bir Python betiği yazmak. ERP'niz SQL Server gibi bir veritabanında duruyorsa ve ona salt okunur bir kullanıcıyla bağlanabiliyorsanız, Fivetran'ın ve Airbyte'ın veritabanı bağlayıcıları işinizi görür.
Kaynak ne kadar sıra dışıysa kontrol o kadar önemli. EdgeHunters için geliştirip işlettiğimiz oran verisi platformunda 44 bahis sitesinin her biri için ayrı bir scraper vardı ve siteler yapılarını haber vermeden değiştiriyordu. Veri akışını kullanılabilir tutmak için doğrulama ve anomali kontrolleri Slack'e uyarı gönderiyor, bir scraper çöktüğünde de üçüncü taraf bir oran API'si otomatik olarak devreye giriyordu (vaka çalışması). Kendi betiklerinizi yazıyorsanız bu ikisini baştan kurun: her çalıştırmadan sonra kolonların ve satır sayılarının normal görünüp görünmediğine bakan bir kontrol ve bir kaynaktan veri gelmesi kesildiğinde ne olacağına dair önceden verilmiş bir karar.
Veri ambarı: bulutunuza ve veri boyutunuza göre seçin
BigQuery sunucusuz çalışır; boyutlandırmanız gereken bir küme yoktur. İsteğe bağlı (on-demand) sorgular, her ay ilk TiB ücretsiz olmak üzere taranan TiB başına 6,25 dolar (yaklaşık 309 TL); depolamada da ilk 10 GiB ücretsiz (BigQuery fiyatlandırması). Bu yüzden küçük bir ekip için ucuz bir başlangıç noktası. Şartı, birinin büyük tabloları bölümlemesi (partitioning) ve dashboard'ların bu tabloları baştan sona taramasını engellemesi: 500 GiB'lık bir tablonun bütün kolonlarını okuyan tek bir sorgu, liste fiyatıyla 3 dolar civarında (yaklaşık 150 TL) tutar. Snowflake AWS, Azure ve Google Cloud üzerinde çalışır; her iş yükü için ayrı bir sanal ambar (virtual warehouse) açabilirsiniz. Sanal ambar saniye bazında ücretlendirilir ama her başlatıldığında en az 60 saniye faturalanır. Databricks, aynı veri Spark işlerini ya da makine öğrenmesini de besliyorsa; Redshift ise her şeyiniz zaten AWS'deyse mantıklı.
Veri küçükse bulut ambarına hiç gerek olmayabilir. En büyük tablonuz tek bir sunucuya rahatça sığıyorsa, PostgreSQL'in bir okuma kopyası (read replica) ya da DuckDB aynı dbt modellerini çalıştırabilir; PostgreSQL adaptörünün bakımını dbt Labs yapıyor (şimdilik yalnızca dbt v1 için), DuckDB ise yerelde hem v1 hem v2 ile çalışıyor. İleride bir bulut ambarına geçerken SQL lehçesi farklarını düzeltirsiniz, iş mantığı aynı kalır. Nesne depolama ve Iceberg gibi açık tablo formatları da seçenekler arasındaysa, bu seçimi veri gölü ve veri ambarı yazımızda ele aldık.
Dönüşüm: dbt ve katmanlar
dbt her dönüşümü ayrı bir dosyada duran bir SQL select sorgusu olarak tutar, hangi sırayla çalışacaklarını kendisi çıkarır, testleri ve dokümantasyonu da aynı projeden üretir. Çoğu proje üç katmanla kurulur:
- Ara katman (staging): her kaynak tablo için bir model. Kolon adlarını düzeltir, tipleri dönüştürür, tekrar eden kayıtları ayıklar.
- Ortak katman (intermediate): birden fazla çıktının kullandığı birleştirmeler ve iş mantığı.
- Raporlama katmanı (mart): siparişler, abonelikler, müşteriler gibi, ekiplerin sorguladığı olgu (fact) ve boyut (dimension) tabloları. Ralph Kimball'un tarif ettiği boyutsal modelleme burada kullanılır.
Databricks aynı katmanlara bronz, gümüş ve altın diyor. SQLMesh, dbt'nin başlıca alternatifi; Fivetran Tobiko Data'yı satın aldığından beri iki araç da aynı şirkete ait. dbt'nin kendisi de Rust ile baştan yazıldı: dbt v2 Eylül 2026'da genel kullanıma açıldı ve yeni kurulumlarda varsayılan sürüm artık o. Python ile yazılmış 1.x serisi ise yama almaya devam ediyor. Hangisini seçeceğinizi aşağıdaki sorularda ele aldık.
İlk günden projede olması gereken iki kontrol var: birincil anahtarlar için testler ve her kaynak için bir tazelik (freshness) kuralı. Tazelik kuralı yoksa, sessizce durmuş bir bağlayıcı dashboard'da dünün rakamlarını bırakır ve kimse fark etmez. Aşağıdaki örnekte bir e-ticaret sitesinin PostgreSQL veritabanındaki siparişler Airbyte ile, "Incremental | Append + Deduped" moduyla yükleniyor. Bu modda her sipariş tek satır olarak tutulduğu için id kolonunda tekillik testi anlamlı. Airbyte, her satırın kaynaktan ne zaman çekildiğini _airbyte_extracted_at kolonuna kaydediyor; Fivetran kullanıyorsanız aynı işi _fivetran_synced görür. dbt 1.10 ve sonrasında (v2 dahil) models/staging/_sources.yml gibi bir kaynak dosyası şöyle görünür:
sources:
- name: magaza
schema: magaza # Airbyte'ın veriyi yüklediği şema
config:
loaded_at_field: _airbyte_extracted_at
freshness:
warn_after: {count: 12, period: hour}
error_after: {count: 24, period: hour}
tables:
- name: siparisler
columns:
- name: id
data_tests:
- unique
- not_nullZamanlanmış işte dbt build komutundan önce dbt source freshness çalıştırın; v2'de dbt freshness aynı işi yapar ve tazelik kuralı tanımlı modelleri de kontrol eder. Eşikleri tablonun gerçekte ne sıklıkla değiştiğine göre seçin. Artımlı yüklemede yalnızca yeni ve değişen satırlar çekildiği için _airbyte_extracted_at ancak yeni sipariş geldiğinde ilerler. Az sipariş alan bir mağazaya hafta sonu hiç sipariş gelmezse, 24 saatlik error_after bağlayıcıda hiçbir sorun yokken pazar günü hata verir. Eski dbt sürümlerinde freshness ve loaded_at_field, config bloğunun dışında, doğrudan kaynağın altına yazılıyordu. Testler ve tazelik kuralları başlangıç için yeterli; veri sahipliği, izleme ve bir kontrol başarısız olduğunda ne yapılacağı için veri kalitesi yönetimi yazımıza bakabilirsiniz.
Orkestrasyon: zamanlanmış bir işle başlayın
Tek bir veri yükleme aracı ve tek bir dbt projesi için Airflow kurmanız gerekmez. Fivetran ve Airbyte senkronizasyonlarını zaten kendileri zamanlar; size kalan, gecelik senkronizasyonun normalde bittiği saatten sonra dbt source freshness ve dbt build komutlarını başlatmak. Senkronizasyonun bitmediği geceleri tazelik kontrolü haber verir. Zamanlanmış bir GitHub Actions iş akışı bunun için yeter. Sınırlarını bilin: GitHub yoğunken zamanlanmış çalıştırmalar gecikebilir (her saat başı yoğun bir zamandır, bu yüzden 17. dakika gibi sıradan bir dakika seçin), en kısa aralık beş dakikadır ve herkese açık (public) bir depoda 60 gün hiçbir hareket olmazsa zamanlama kendiliğinden kapanır. Zamanlanmış bir çalıştırma başarısız olduğunda bildirim, cron satırını en son değiştiren kişiye gider; o kişi ekipten ayrılmadan önce bunu bilmekte fayda var. Her gece beş dakika süren bir iş, GitHub Free planının özel depolar için aylık verdiği 2.000 dakikanın 150 kadarını kullanır.
Airflow ya da Dagster gibi bir orkestrasyon aracı, birbirinden farklı, yeniden denenmesi ya da birbirini beklemesi gereken çok sayıda veri hattınız olduğunda kendini amorti eder. Tribute Technology için geliştirdiğimiz veri taşıma platformunda her eski sistem türünün (MSSQL yedekleri, MySQL veritabanları, CSV ve JSON/XML dışa aktarımları) kendi kaynak adaptörü vardı ve her biri ayrı bir Airflow DAG'i olarak çalışıyordu. DAG'ler ham veriyi MongoDB'ye yüklüyor, ekip de alanları orada eşleyip sonuçları dışa aktarmadan önce onaylıyordu.
BI, metrik tanımları ve reverse ETL
Ucuz bir BI aracıyla başlayın, yetmediğinde değiştirin. Metabase'i kendi sunucunuzda ücretsiz çalıştırabilirsiniz; Starter planı beş kullanıcı için ayda 100 dolar, her ek kullanıcı için 6 dolar. Google'ın Data Studio'su (2022'den Nisan 2026'ya kadar adı Looker Studio'ydu) ücretsiz; Pro sürümü kullanıcı ve proje başına aylık 9 dolar. Power BI Pro, yıllık ödemeyle kullanıcı başına aylık 14 dolar (yaklaşık 690 TL). Looker ise kurumsal seçenek ve fiyatı teklifle belirleniyor.
Grafik çizmek kolay; zor olan tanımlar. "Aktif müşteri" üç dashboard'da ayrı ayrı hesaplanıyorsa er geç üç farklı rakam görürsünüz. Tanımı bir kez yapın: ya bir dbt mart modelinde ya da bir anlamsal katmanda (semantic layer). dbt'nin MetricFlow motoru Ekim 2025'ten beri Apache 2.0 lisansıyla açık kaynak; Looker'da aynı işi LookML görüyor. Ambara bir yapay zekâ asistanı bağladığınızda bu daha da önemli hâle geliyor, çünkü ham tablolara SQL yazan bir asistan, siz bir tanım vermezseniz kendi tanımını seçer.
Reverse ETL, modellenmiş veriyi CRM ya da reklam platformu gibi ekiplerin çalıştığı araçlara geri gönderir. Bunu en sona bırakın. Fivetran'ın 2025'te satın aldığı Census artık Fivetran Activations adıyla satılıyor.
Küçük bir kurulum ne tutar
Hem kendi sitesinden hem Trendyol'dan satış yapan bir e-ticaret şirketi düşünün. Kaynakları sitenin PostgreSQL veritabanı, Google Ads, Trendyol mağazası ve iyzico. Ayda 300.000 civarında satır değişiyor, toplam veri 20 GB ve dashboard'lara beş kişi bakıyor. Ekim 2026 liste fiyatlarıyla:
Katman | Seçim | Aylık maliyet |
|---|---|---|
Veri alımı | PostgreSQL ve Google Ads için Fivetran ücretsiz planı (500.000 MAR altında) | 0 |
Veri alımı | Trendyol ve iyzico için kendi Python betikleriniz, GitHub Actions'ta | 0 (ücretsiz dakikalar içinde) |
Veri ambarı | BigQuery, isteğe bağlı fiyatlandırma | Depolama 1 doların çok altında; sorgular 1 TiB altında kaldıkça 0 |
Dönüşüm | dbt (v2), aynı gecelik işte | 0 |
Orkestrasyon | Gecelik GitHub Actions iş akışı | 0 (ücretsiz dakikalar içinde) |
BI | Metabase Starter, beş kullanıcı | 100 dolar (yaklaşık 4.950 TL) |
Toplam |
| Yaklaşık 100 dolar (4.950 TL) |
TL karşılıkları, 16 Ekim 2026 TCMB döviz satış kuruna (1 dolar = 49,45 TL) göre yuvarlandı. Bu servislerin hepsi dolarla fiyatlanıyor, yani bütçeniz kurla birlikte değişir. Metabase'i küçük bir sunucuda kendiniz çalıştırırsanız yazılım faturası o sunucunun kirasına iner; Data Studio kullanırsanız neredeyse sıfıra. Faturayı büyüten üç şey var ve üçünü de her ay izlemeye değer:
- Değişen satır sayısı. 500.000 MAR'ı geçtiğinizde ücretsiz plandan çıkarsınız ve her bağlantı kendi hacmine göre faturalanır; yukarıdaki Marketo örneği bunun ne kadar tutabileceğini gösteriyor.
- Taranan veri. Bölümlenmemiş tablolar ve sık yenilenen dashboard'lar, ücretsiz terabaytı gerçek bir BigQuery faturasına çevirir.
- Kullanıcı sayısı. BI araçları kullanıcı başına fiyatlanır; 50 Power BI Pro kullanıcısı ayda 700 dolar (yaklaşık 34.600 TL) demek.
Bu tabloda Trendyol ve iyzico betiklerini hazırlayacak ve yapının bakımını üstlenecek kişi yok. Birinin bağlayıcılardan sorumlu olması, model değişikliklerini gözden geçirmesi ve bir rakam tuhaf göründüğünde nedenini bulması gerekir. Bu iş kurulumla bitmez ve bu fiyatlarla bütün yazılımların toplamından daha pahalıya gelir.
KVKK: veri hangi ülkede duracak?
Yukarıdaki örnekte sipariş tablolarında müşteri adı, telefon ve adres de var. Ekim 2026 itibarıyla BigQuery'nin ve Snowflake'in bölge listelerinde Türkiye yok. Google Cloud'un altyapısını Turkcell'in sağlayacağı Türkiye bölgesinin 2028-2029 döneminde faaliyete geçmesi bekleniyor (Turkcell'in KAP açıklaması). AWS'nin Mayıs 2026'da genel kullanıma açtığı İstanbul Yerel Alanı (Local Zone) ise EC2, EBS ve ECS gibi temel servisleri sunuyor; duyurudaki listede yönetilen bir veri ambarı servisi yok (AWS duyurusu). Yani bugün BigQuery ya da Snowflake gibi yaygın bir bulut ambarını seçen Türkiye'deki bir şirket, veriyi Frankfurt, Hollanda ya da başka bir yurt dışı bölgesinde tutuyor ve kişisel veri söz konusuysa bu yurt dışına aktarım sayılıyor.
KVKK'nın 9. maddesi yurt dışı aktarımı yeterlilik kararına ya da uygun güvencelere bağlıyor. Uygun güvencelerden biri Kurul'un ilan ettiği standart sözleşme; sözleşmenin imzalanmasından itibaren beş iş günü içinde Kurum'a bildirilmesi gerekiyor (KVKK duyurusu). Açık rıza gibi istisnalar yalnızca arızi aktarımlar için geçerli; her gece çalışan bir veri hattı bu tanıma uymaz. Mühendislik tarafında yapabilecekleriniz:
- Analitikte gerekmeyen kişisel alanları hiç çekmeyin, gerekenleri ambara girmeden HMAC gibi anahtarlı bir özet fonksiyonuyla takma adlandırın. Nasıl yapılacağını ETL ve ELT yazımızdaki KVKK bölümünde örnek kodla anlattık.
- Ambarı Türkiye'de kendiniz çalıştırın: Türkiye'deki bir veri merkezinde ya da İstanbul Yerel Alanı'ndaki EC2 sunucularında PostgreSQL veya ClickHouse. dbt 1.x ikisiyle de çalışıyor (v2'de PostgreSQL henüz yok, ClickHouse kapalı betada), mimari aynı kalıyor; yalnızca ambarın bakımı size geçiyor. Yerel Alan, AWS'nin Frankfurt bölgesine (eu-central-1) bağlı çalışıyor; bunun aktarım açısından ne anlama geldiğini de hukukçunuza sorun.
- Yurt dışındaki bulut ambarını kullanın ve aktarımı standart sözleşmeyle yürütün.
Takma adlandırılmış veri de kişisel veri sayılabileceği için birinci adım diğer ikisinin yerine geçmez; ikisinden biriyle birlikte uygulanır. Hangi alanın nerede, hangi biçimde duracağına hukuk ekibinizle birlikte karar verin.
Ne zaman gerekmez
Tek bir kaynağınız ve birkaç raporunuz varsa, BI aracını veritabanınızın okuma kopyasına bağlayın ve orada durun. Veri ambarı, bağlayıcılar ve dbt, tek bir PostgreSQL veritabanının ihtiyaç duymadığı hareketli parçalar ekler.
Veri ürünü neredeyse gerçek zamanlı besliyorsa bu yapı işe uymaz. EdgeHunters platformunda oranlar scraper'lardan Celery worker'ları ve Redis kuyrukları üzerinden geçiyor, her beş dakikada bir en güncel oranlar paketlenip ürünün okuduğu S3 ve PostgreSQL'e aktarılıyordu. 2025'te gecikmeyi daha da azaltmak için bir sonraki adımı, akış tabanlı ve olay güdümlü bir eşleştirme mimarisi olarak tasarladık. Kabaca şöyle düşünebilirsiniz: rakamlar sabah bir kez okunuyorsa gecelik toplu yükleme yeter; birkaç dakika sonra değeri kalmayan bir rakam için uygulama tarafında bir veri hattı kuruyorsunuz demektir ve gecelik dbt çalışan bir ambar bu işi görmez.
Kurulum sırası
- Her hafta sorulan ve bugün hızlıca cevaplanamayan tek bir soru seçin, örneğin "pazaryeri ve kendi sitemizdeki net satış, kategori bazında". Soruyu kimin sorduğunu ve rakamın şu an nereden geldiğini not edin.
- Yalnızca bu sorunun ihtiyaç duyduğu kaynakları, ham hâliyle yükleyin.
- Anahtar testleri ve tazelik kurallarıyla ara katman modellerini yazın.
- Bir mart modeli ve bir dashboard kurun. Kimse bu rakamlara güvenmeye başlamadan önce ana rakamı kaynak sistemin kendi raporuyla karşılaştırın (mutabakat).
- İşi zamanlayın; hata bildirimleri, hafta sonları da dahil, birinin gerçekten baktığı bir yere düşsün.
- Sonraki soruya geçin. Airflow, anlamsal katman ya da reverse ETL'i ancak somut bir ihtiyaç doğduğunda ekleyin.
En kolay atlanan adım dördüncüsü. Savings United'ın BI ekibinde 2020-2024 arasında çalıştık. Orada CJ, Awin ve Impact gibi satış ortaklığı ağlarından gelen ödeme verisinin, raporlara güvenilebilmesi için veri ambarıyla mutabık olması gerekiyordu; ikisini karşılaştıran kontrolleri otomatikleştirdik (vaka çalışması). O yapı ders kitabındaki gibi değildi: SQL Server, Python ETL işleri ve Looker vardı; maliyet olgu tablosu 2024'te BigQuery'ye taşındı ve bu geçişi biz doğruladık. Aşamalar ise aynıydı. Tradedoubler ödeme veri hattını ham veriden ara katmana, oradan veri ambarına ve Looker'a kadar uçtan uca dokümante ettik; ambarın hafta sonu nöbet rotasyonunda da yer aldık.
Sık sorulan sorular
Geleneksel veri ambarından farkı ne?
Geleneksel kurulum şirketin kendi sunucularında çalışır, veriyi Informatica ya da SSIS gibi bir ETL aracında yüklemeden önce dönüştürür ve kapasitesi sabittir. Modern yapıda depolama ve işlem gücünü ayrı ayrı ölçekleyen bir bulut ambarı kullanılır, dönüşüm yüklemeden sonra yapılır ve parçalar tek tek değiştirilebilen araçlardan oluşur.
dbt ücretsiz mi?
Kendi makinelerinizde ya da CI ortamınızda çalıştırmak ücretsiz. dbt v2'nin iki dağıtımı var: varsayılan dbt, dbt Labs'in ücretsiz kullanıma izin veren kendi lisansıyla dağıtılıyor; dbt-oss ise yalnızca Apache 2.0 lisanslı açık kaynak kodu içeriyor. Python ile yazılmış dbt Core 1.x de Apache 2.0 lisanslı. dbt'nin bulut platformu tek geliştirici için ücretsiz, Starter planda geliştirici başına aylık 100 dolar (yaklaşık 4.950 TL); Enterprise planın fiyatı teklifle belirleniyor.
dbt v1 mi, v2 mi?
Önce ambarınıza bakın. v2'de BigQuery, Snowflake, Databricks, Redshift ve DuckDB genel kullanımda, ClickHouse kapalı betada; PostgreSQL ise henüz desteklenmiyor, yani PostgreSQL üzerindeki bir proje şimdilik 1.x'te kalır (adaptör durumu, İngilizce). Bunun dışında v2 ile başlayın: yeni kurulumlarda varsayılan o ve büyük projeleri çok daha hızlı ayrıştırıp derliyor. dbt Labs, 1.13'ün yeni özellik alan son 1.x sürümü olacağını ve yıllarca güvenlik yaması alacağını söylüyor; yani mevcut bir v1 projesi ortada kalmaz. Yukarıdaki kaynak dosyası hem 1.12'de hem v2'de çalışıyor.
İlk sürümün araçlarını seçerken ya da kurulumu yaparken destek isterseniz veri ve yapay zekâ hizmetlerimize göz atabilirsiniz.
İlgili Makaleler
MLOps Nedir? ML Modelini Canlıya Almanın Pratik Yolu
MLOps, bir modeli canlıya taşıyan ve orada işe yarar tutan pratiklerin toplamı. Hangi sırayla kurulacağını güncel MLflow ve DVC örnekleriyle anlattık, LLM tarafını da ekledik.
Devamını Oku: MLOps Nedir? ML Modelini Canlıya Almanın Pratik YoluBilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?
Fabrikadaki kalite kontrolden faturaya, tomografiden plaka tanımaya: bilgisayarlı görü nerede iş görüyor, nerede zorlanıyor, hazır modeller neyi değiştirdi?
Devamını Oku: Bilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?AI Agent Geliştirme: Ne Zaman Gerekir, Nasıl Kurulur?
AI agent, araçlarla döngü içinde çalışan bir dil modeli. Ne zaman gerektiğini, Python'da çalışan bir döngüyü, framework seçimini, güvenliği, KVKK'yı ve maliyeti anlattık.
Devamını Oku: AI Agent Geliştirme: Ne Zaman Gerekir, Nasıl Kurulur?
