Hoe je Claude Code aan dbt koppelt en hoe een correcte configuratie eruitziet

Als je met dbt werkt, weet je wel welke onderdelen je vertragen. Het schrijven van de YAML, het toevoegen van de tests en het up-to-date houden van de documentatie met wat het model daadwerkelijk doet. De onderdelen waar je niet veel over hoeft na te denken, maar die wel veel tijd kosten.

Claude Code, dat rechtstreeks vanuit je Power BI-project via VSCode en GitHub werkt, neemt een groot deel van het werk uit handen. Zodra het correct is ingesteld met je PBIP-bestanden, kan iedereen in het team in gewone taal beschrijven wat hij of zij nodig heeft en een werkend eerste ontwerp terugkrijgen: DAX-code die verwijst naar je tabellen, relaties en model.

In dit artikel wordt besproken wat deze verbinding mogelijk maakt, waar deze het beste werkt en wat er allemaal bij komt kijken.

Hoe de koppeling tussen Claude Code en dbt werkt

Claude Code werkt rechtstreeks binnen je dbt-project in VSCode. Het leest je modellen, bronnen, tests en documentatie uit de repository voordat het iets genereert. Wanneer je het vraagt om een nieuw staging-model aan te maken, weet het welke bronnen er al zijn. Wanneer je het vraagt om tests toe te voegen, weet het welke kolommen beschikbaar zijn en welke tests er al zijn. Alles wat wordt gegenereerd, doorloopt een pull-verzoek, hetzelfde beoordelingsproces dat je al gebruikt.

Een stap verder: MCP-integratie

Voor wie nog een stap verder wil gaan, is een Model Context Protocol (MCP)-verbinding een logische volgende stap. MCP geeft Claude Code live toegang tot de actieve dbt-omgeving. Op deze manier kan Claude metadata opvragen die niet in bestanden is opgeslagen, zoals herkomstinformatie, uitvoeringsgeschiedenis en de realtime projectstatus. De installatie vereist een MCP-serverconfiguratie en iets meer infrastructuuroverhead, maar breidt de toegangsmogelijkheden van Claude aanzienlijk uit.

i-spark kan dit opzetten als vervolgopdracht na de eerste sprint.

Wat kun je doen met Claude Code in combinatie met dbt?

Nieuwe modellen ontwikkelen. Het maken van een staging-model voor een nieuwe bron betekende vroeger dat je de SQL moest schrijven, de YAML moest toevoegen, de tests moest schrijven en alles moest documenteren: vier afzonderlijke stappen, waarvoor telkens specifieke kennis van dbt nodig was. Met Claude Code gekoppeld beschrijf je de bron en wat je ervan nodig hebt, en krijg je een werkend concept van alle vier. Het duurt nu nog maar een paar minuten in plaats van een uur om tot een resultaat te komen dat je kunt beoordelen.

Bestaande SQL-code herstructureren. In dbt-projecten kunnen zich modellen opstapelen die snel zijn geschreven en nooit zijn opgeschoond. Claude Code kan een bestaand model lezen en dit herstructureren tot schone, modulaire dbt-code, waarbij CTE’s op de juiste manier worden opgesplitst, naamgevingsconventies worden toegepast en logica wordt gemarkeerd die in een ref kan worden ondergebracht. De oorspronkelijke logica blijft intact; de code wordt onderhoudbaar.

Foutopsporing bij mislukte uitvoeringen. Wanneer een dbt-run mislukt, geeft het foutbericht wel aan waar de fout zich voordoet, maar niet per se waarom. Als Claude Code aan je project is gekoppeld, kun je de fout in gewone taal beschrijven en krijg je een diagnose die rekening houdt met de daadwerkelijke structuur van je model.

De achterstand bij de documentatie inhalen. Niet-gedocumenteerde DBT-modellen zijn een van de meest voorkomende knelpunten waarover we horen. Niemand heeft tijd om beschrijvingen te schrijven tijdens het bouwen, en achteraf wordt het ook nooit gedaan. Claude Code kan bestaande modellen systematisch doorlopen. Als je dit handmatig zou doen in een groot project, zou dat dagen in beslag nemen. Onze ervaring met Claude Code leert dat het slechts enkele uren duurt.

Vragen over het project beantwoorden. Je kunt in gewone taal vragen stellen over je datamodel: welke modellen zijn afhankelijk van deze bron, welke tests zijn er voor deze kolom en waar wordt deze statistiek berekend? Voor iedereen die nieuw is bij het project, of voor iedereen die al een tijdje niet meer naar een bepaald deel van de codebase heeft gekeken, levert dit op zich al een aanzienlijke tijdwinst op.

Waar het het beste werkt en waar je op moet letten

Deze koppeling is vooral handig bij projecten die al enige structuur hebben. Als je modellen volgens consistente naamgevingsconventies zijn opgebouwd, je bronnen zijn gedeclareerd en je project over documentatie beschikt, kan Claude Code met al die context werken en een resultaat opleveren dat naadloos aansluit bij wat er al is.

Bij rommeligere projecten is de output technisch gezien nog steeds geldig, maar is deze moeilijker te controleren en is de kans groter dat er subtiele fouten in zitten. De opzetfase is een goed moment om die technische schuld aan te pakken, niet omdat dat verplicht is, maar omdat het rendement van de koppeling aanzienlijk hoger is als het project overzichtelijk is.

Nog iets waar je je goed van bewust moet zijn: Claude Code genereert concepten. De gegenereerde modellen moeten hetzelfde pull-request-proces doorlopen als al het andere. Als je de beoordeling overslaat omdat de output er aannemelijk uitziet, zul je uiteindelijk iets onjuist samenvoegen, zoals verkeerde cijfers in dashboards die weken kosten om op te sporen.

Hoe je Claude Code in je team kunt laten werken

De meest voorkomende fout die we bij Claude Code en dbt tegenkomen, is dat iemand het lokaal aan de praat krijgt, zijn team een indrukwekkende demo laat zien, en dat de opstelling vervolgens alleen op zijn eigen computer blijft staan.

Om het voor een team in plaats van voor een individu te laten werken, is een kwestie van configuratie. De configuratie van de MCP-server moet samen met al het andere in de projectrepository worden opgeslagen. dbt Core en dbt Cloud hebben enigszins verschillende verbindingspatronen, en de configuratie moet overeenkomen met jouw versie.

Daarnaast moet je van tevoren afspreken wat er wel en niet van Claude Code wordt verwacht. Het genereren van conceptmodellen is iets anders dan direct committen. Het is veel eenvoudiger om die grens in een vroeg stadium duidelijk af te bakenen dan om die later weer ongedaan te maken, nadat iemand door AI gegenereerde code rechtstreeks naar de main-branch heeft gepusht.

Aan de slag met Claude Code en dbt

De installatie zelf is niet ingewikkeld. Je hebt toegang tot je dbt-project nodig, een goed werkende installatie van Claude Code en een MCP-serverconfiguratie die overeenkomt met je dbt-versie.

Het deel dat de meeste aandacht vereist, is het klaar maken voor productie: het testen aan de hand van uw daadwerkelijke modellen, het documenteren zodat de volgende medewerker weet hoe het te gebruiken, en het configureren op basis van de manier waarop uw team daadwerkelijk werkt.