🎙️ DataWatch est un podcast de veille en data.
Axel Mauroy et Bertrand Fabre échangent autour d’articles publiés récemment en Data et particulièrement en Data Engineering.
dbt 2 : TOP 5 des nouveautés qui changent le Data Engineering
dbt 2 arrive avec des changements majeurs. Et ce n’est pas juste une question de performances.
Pendant longtemps, dbt reposait sur une mécanique relativement simple : du Jinja, du SQL, un moteur Python et un data warehouse chargé de valider les requêtes.
Avec dbt 2, c’est une évolution beaucoup plus profonde qui se dessine.
Dans ce nouvel épisode court de DataWatch, je décrypte les 5 nouveautés les plus importantes de dbt 2, avec un angle très concret : ce qui change réellement pour les Data Engineers, les architectures data et les pipelines CI/CD.
Au programme : une observabilité native avec OpenTelemetry, une documentation repensée autour de DuckDB-Wasm, un moteur réécrit en Rust et des métadonnées désormais exploitables en Parquet.
Mais le changement le plus structurant est peut-être ailleurs : dbt commence à comprendre le SQL qu’il génère.
Et ça change beaucoup de choses. Détecter des erreurs avant d'interroger le data warehouse, réduire la consommation de compute, fiabiliser les transformations et renforcer les contrôles de gouvernance deviennent des possibilités concrètes.
Au-delà des gains de vitesse, c'est toute la façon de développer, tester et exploiter des projets dbt qui évolue.
En moins de 3 minutes, on fait le tour des 5 annonces à retenir, sans hype inutile, avec leurs impacts techniques.
Et vous, quelle nouveauté de dbt 2 vous semble la plus importante ? Le moteur Rust, la compréhension SQL ou le nouveau format des métadonnées ?
Chapitres
00:00 Introduction — Le top 5 de dbt 2
00:06 #5 — Observabilité native avec OpenTelemetry
00:43 #4 — dbt Docs réinventé avec DuckDB-Wasm
01:27 #3 — Un nouveau moteur en Rust
01:55 #2 — dbt Information Schema en Parquet
02:41 #1 — La compréhension SQL native
#dbt #DataEngineering #DataWatch #dbtFusion #SQL
27 May 2026
Snowflake Cortex avec Ferhat
Automatiser la lecture de JSON avec Cortex + dbt sur Snowflake
Dans cet épisode de DataWatch, on plonge dans un use case ultra concret de Data Engineering moderne : comment automatiser le flatten de JSON complexes dans Snowflake grâce à Cortex Code et dbt.
Avec Ferhat Aouaghzene, consultant spécialisé Snowflake & dbt, on décortique une problématique que beaucoup d’équipes data rencontrent aujourd’hui : gérer des données semi-structurées massives issues d’API, avec des schémas imbriqués, des tableaux dans des tableaux et des pipelines qui deviennent vite ingérables à maintenir à la main.
Plutôt que d’utiliser un LLM externe, Ferhat montre comment exploiter Cortex Code directement dans Snowflake pour :
→ Détecter automatiquement les colonnes VARIANT
→ Générer les flatten SQL
→ Créer toute l’arborescence dbt
→ Générer les modèles staging / intermediate / marts
→ Produire les YAML et les tests dbt
→ Compiler et exécuter le projet automatiquement
Mais l’épisode va beaucoup plus loin qu’une simple démo technique.
On parle aussi :
• De l’avenir du métier de Data Engineer à l’ère des agents IA
• Des limites des LLM dans des environnements critiques
• D’idempotence et de qualité logicielle
• De gouvernance data
• De sécurité et de contrôle d’accès dans Snowflake
• Et surtout de la bonne manière d’utiliser l’IA sans tomber dans le “vibe coding”
Un épisode très concret pour comprendre comment l’IA peut réellement augmenter les équipes data quand elle est correctement cadrée.
👇 Dites-nous en commentaire :
Est-ce que vous utilisez déjà des agents IA dans vos pipelines data ?
Les ressources
👉 Ferhat sur Linkedin : https://www.linkedin.com/in/ferhat-aouaghzene-23a895217/ (https://www.linkedin.com/in/ferhat-aouaghzene-23a895217/)
➕ Medium : https://medium.com/@faouaghzene (https://medium.com/@faouaghzene)
➕ Github : https://github.com/FerAou/Snow_tips/tree/main/json_to_dbt (https://github.com/FerAou/Snow_tips/tree/main/json_to_dbt)
👉 Axel sur LinkedIn : https://www.linkedin.com/in/axel-mauroy-5699509a/ (https://www.linkedin.com/in/axel-mauroy-5699509a/)
👉 Bertrand sur LinkedIn : https://www.linkedin.com/in/bertrandfabre/ (https://www.linkedin.com/in/bertrandfabre/)
➕ Insights : https://datayoka.com/insights (https://datayoka.com/insights)
➕ Newsletter : https://datayoka.com/newsletter (https://datayoka.com/newsletter)
➕ Formations : https://datayoka.com/formations (https://datayoka.com/formations)
➕ Coaching individuel SQL/BigQuery/FinOps : https://datayoka.com/coaching (https://datayoka.com/coaching)
Chapitres
00:00 Introduction & présentation de Ferhat
02:17 Le problème des JSON complexes dans Snowflake
06:13 Démo du skill Cortex Code pour générer un projet dbt
14:17 Snowflake + dbt Core + Cortex : comment tout s’intègre
18:04 Idempotence, automatisation et qualité des pipelines IA
31:55 L’avenir du métier de Data Engineer avec les agents IA
#dataengineering #snowflake #dbt #cortex #genai #llm #datawatch
28 Apr 2026
Google Next'26
Dans cet épisode, on revient à chaud sur Google Cloud Next’26, avec un filtre très clair : qu’est-ce qui compte vraiment pour les équipes data.
Plutôt que d’énumérer les centaines d’annonces, on prend le temps de décortiquer les signaux forts. BigQuery continue de s’étendre, le Lakehouse se structure autour d’Iceberg, la gouvernance des données prend une nouvelle dimension… mais surtout, un changement de paradigme se dessine.
Google ne pousse plus seulement de la GenAI “cosmétique”. La vraie bascule, c’est l’arrivée des agents.
On parle ici de systèmes capables de comprendre un contexte, d’utiliser des outils, d’interagir avec les données et surtout d’agir. Et ça change tout : la qualité des données, leur accessibilité et leur gouvernance ne sont plus des sujets secondaires, ils deviennent critiques.
On prend aussi du recul sur ce qui est réellement disponible aujourd’hui vs ce qui relève encore de la stratégie produit. Parce que derrière les annonces, il y a une direction très nette : une plateforme data pensée pour orchestrer des agents, pas juste alimenter des dashboards.
Un épisode pour comprendre où va l’écosystème data côté Google, sans hype inutile, mais sans passer à côté des vraies évolutions.
Les ressources
👉 Axel sur LinkedIn : https://www.linkedin.com/in/axel-mauroy-5699509a/ (https://www.linkedin.com/in/axel-mauroy-5699509a/)
👉 Bertrand sur LinkedIn : https://www.linkedin.com/in/bertrandfabre/ (https://www.linkedin.com/in/bertrandfabre/)
➕ Formation pour diminuer vos coûts BigQuery : https://datayoka.com/formations/diminuer-vos-cots-bigquery (https://datayoka.com/formations/diminuer-vos-cots-bigquery)
➕ Formation SQL sur BigQuery : https://datayoka.com/formations/formation-de-sql-avec-bigquery-distance (https://datayoka.com/formations/formation-de-sql-avec-bigquery-distance)
➕ Coaching individuel SQL/BigQuery/FinOps : https://datayoka.com/formations/coaching-individuel-en-sql-sur-bigquery (https://datayoka.com/formations/coaching-individuel-en-sql-sur-bigquery)
➕ Newsletter : https://datayoka.com/newsletter (https://datayoka.com/newsletter)
➕ Blog : https://datayoka.com/blog (https://datayoka.com/blog)
Lien vers l’article :
https://cloud.google.com/blog/topics/google-cloud-next/welcome-to-google-cloud-next26?hl=en (https://cloud.google.com/blog/topics/google-cloud-next/welcome-to-google-cloud-next26?hl=en)
Chapitres
00:00 Introduction & contexte de Google Next
02:30 Comment lire les annonces Google (produit vs stratégie)
07:30 BigQuery, Lakehouse et Iceberg : les évolutions clés
15:00 Data Catalog et gouvernance : un rôle qui change
22:00 Agents vs chatbots : le vrai tournant
30:00 Impact pour les équipes data
Reach and audience
Public platform figures. Ratings count people who left a rating, not total listeners.
Spotify
5.0 / 5
2 ratings
Contact DataWatch
Guest appearances
Does not typically book guests
Based on episode analysis; this does not confirm that the show is currently accepting guests.
Questions about DataWatch
Who hosts DataWatch?
Axel Mauroy and Bertrand Fabre host the show. Published by Bertrand Fabre.
How often do new episodes come out?
The show publishes bi-weekly, based on its RSS feed.
Does DataWatch take guests?
The show does not typically feature guests, based on episode analyses.
Host of DataWatch?
Claim your podcast to manage its listing and keep your show details accurate.
Pod Engine is an independent podcast discovery and analytics service and is not affiliated with or endorsed by this podcast. Artwork and show content belong to their owners. Full legal notice.
Explore this show Podcast research with Pod Engine
