O dbt operacionalizou o paradigma ELT ao assumir a camada de transformação dentro do data warehouse e trouxe disciplina de engenharia de software para o SQL analítico — controle de versão, testes automatizados, revisão por pares e documentação de linhagem. Organizacionalmente, catalisou o papel de analytics engineer e um modelo colaborativo entre times. Este artigo pesa as evidências: sim, o dbt mudou práticas técnicas e organizacionais de forma material, mas NÃO resolveu os problemas mais difíceis — qualidade e propriedade dos dados persistem como obstáculos. Uma ressalva metodológica atravessa todo o texto: a maior parte dos números de impacto vem da própria fornecedora (dbt Labs), não de pesquisa acadêmica independente.
A arquitetura de medalhão organiza os dados de um lakehouse em camadas Bronze, Silver e Gold, melhorando qualidade e governança a cada estágio. Este guia percorre seus conceitos, as três camadas, um checklist de 12 passos de implementação, a base do Delta Lake e a implementação nativa no Microsoft Fabric — com base na documentação oficial de Databricks, Microsoft e Delta Lake.
O Lakehouse promete unificar data lakes e data warehouses em uma única arquitetura. Este guia técnico percorre seus pilares, compara Databricks, Microsoft Fabric, AWS e Google Cloud, e responde se você deve abandonar suas arquiteturas atuais — com base em papers acadêmicos e documentação oficial dos provedores.
Como as três disciplinas de engenharia — Dados, Analytics e IA — formam um stack de capacidades que converte o ativo informacional em vantagem competitiva mensurável, sustentado por evidências acadêmicas.