用途：在数据栈中设计并实现数据转换，把原始数据加工为干净、可测试、有文档的分析数据集。
主要能力：提供 ETL 与 ELT 的选择框架（默认推荐 ELT + dbt，合规或性能受限时用 ETL，也可混合）；dbt 分层建模（staging、intermediate、marts）与物化方式（view、table、incremental、ephemeral）、增量加载与 unique_key；pandas、polars、PySpark 的转换写法与选型（小于 500MB 用 pandas，500MB–100GB 用 polars，超过 100GB 用 PySpark）；Airflow、Dagster、Prefect 的编排选型与依赖模式（线性、扇出、扇入）；dbt 测试与 Great Expectations 数据质量校验；窗口函数等高级 SQL；幂等、错误处理与监控等生产实践。
使用方式：按资料给出的示例配置 dbt 增量模型、用 polars 的 scan_csv 与 collect 执行惰性查询、用 Airflow DAG 定义任务依赖。安装命令保持原样：pip install dbt-core dbt-snowflake、pip install polars、pip install apache-airflow。
适用场景：构建 dbt 模型、增量加载与合并策略、pandas 迁移到 polars、编排带依赖与重试的管道、添加数据质量测试、用 PySpark 处理大数据集。
限制：资料未提供具体收费、价格、平台支持范围与效果数据；部分内容为土耳其语工作流说明，未给出完整细节。