Dagster
Dagster organise les pipelines de données autour des actifs qu'ils produisent, avec leurs dépendances, leur traçabilité et leurs signaux de qualité. Destiné aux ingénieurs de données, il sert notamment à gérer l'ingestion, suivre les exécutions et construire des pipelines d'intelligence artificielle ou d'apprentissage automatique. Ses fonctions couvrent aussi la surveillance des modèles, le suivi des ressources de calcul utilisées et les contrôles de qualité sur les actifs.
Pour les mises à jour, la plateforme propose des déploiements sur des branches distinctes et permet de tester et déboguer les modèles. En Pro Plan, l'assistant Dagster AI s'appuie sur ce contexte pour aider à diagnostiquer les incidents. Accessible sur le web et par une API, une interface de programmation, le projet existe également en open source et peut être auto-hébergé.
Lire plus Lire moins
- Éditeur
- Elementl, Inc.
- Essai gratuit
- Oui, 30 jours
Dagster en bref
C’est quoi ?
Dagster est un outil d’orchestration de pipelines de données : il définit les traitements par les actifs de données qu’ils produisent. Un actif constitue le point de rattachement de son historique de dépendances et de ses signaux de qualité. Cette organisation relie donc l’exécution des traitements aux données obtenues, plutôt que de présenter uniquement une succession de tâches.
Pourquoi ?
Pour gérer un pipeline, suivre son exécution ne suffit pas à décrire les données produites. L’approche par actifs rattache à chaque résultat le contexte de ses dépendances. Elle permet d’aborder ensemble les traitements, leurs résultats et les relations entre ces résultats, notamment lorsque plusieurs étapes d’un pipeline dépendent les unes des autres.
Pour qui ?
Les ingénieurs de données sont le public visé. Leur travail porte ici sur la construction et la gestion de pipelines, avec les données produites comme objets de suivi. Ce positionnement concerne un travail d’ingénierie des données : l’utilisateur organise des traitements et leurs dépendances, plutôt que de demander la rédaction d’un document ou la création d’un visuel.
Avantages et inconvénients
Les plus
- Traçabilité des dépendances Le suivi des relations existe au niveau des actifs et des colonnes, pour examiner les dépendances des données produites.
- Contrôles de qualité et de fraîcheur Les vérifications d’actifs et les politiques de fraîcheur portent sur les données, en complément du suivi des traitements.
- Suivi des coûts et des métriques Le suivi des coûts et les alertes fondées sur des métriques font partie des fonctions proposées ; le suivi des coûts est réservé à Pro Plan.
Les moins
- Modélisation des actifs nécessaire L’approche par actifs demande de définir les données produites et leurs dépendances : elle implique ce travail de structuration des pipelines.
- Accès commercial payant Les formules gérées par l’éditeur sont payantes dès Solo Plan, et l’assistant Dagster AI n’est inclus qu’en Pro Plan, sur devis.
Tableau des prix
Solo Plan et Starter Plan sont des abonnements mensuels, chacun avec un essai gratuit de 30 jours, et se paient aussi à l’usage : en plus de l’abonnement, chaque crédit (un actif matérialisé ou une opération exécutée) coûte 0,040 $ en Solo Plan et 0,035 $ en Starter Plan, et le calcul sans serveur se facture 0,010 $ la minute ; en déploiement hybride, le calcul n’est pas facturé. Solo Plan vise les projets personnels et les pipelines simples, Starter Plan les petites équipes qui exécutent des pipelines en production. Pro Plan, sur devis, s’adresse à la construction d’une plateforme de données d’entreprise ; c’est aussi la seule formule où l’éditeur propose un achat annuel ou par crédits, sur mesure.
| Palier | Prix au 29 octobre 2026 | Pour qui |
|---|---|---|
| Solo Plan | $10 par mois | Projets personnels |
| Starter Plan | $100 par mois | Petites équipes en production |
| Pro Plan | Sur devis | Plateformes de données d’entreprise |
Tarifs officiels de Dagster, relevés le 29/10/2026
Ce que fait Dagster
Dagster prend comme point de départ les données qu’un pipeline doit produire. Pour chaque actif, il associe le contexte des dépendances aux signaux de qualité et à la traçabilité des données. Ainsi, un traitement s’inscrit dans un ensemble de relations entre ses entrées et ses résultats. L’actif sert de point de rattachement. Cette logique permet de représenter un pipeline à partir de ses productions, tout en conservant les liens qui expliquent comment elles dépendent des autres données.
Comment utiliser Dagster
Prise en main initiale
Dagster organise le travail autour des actifs à produire. Commence par définir ces actifs dans ton pipeline, puis décris les dépendances qui les relient. Ce sont les données attendues en sortie qui structurent cette première étape, et pas seulement la liste des traitements à exécuter.
Navigation dans l’interface
Examine les actifs en t’appuyant sur leur contexte de dépendances. Pour comprendre une donnée produite, distingue les relations qui expliquent son origine des signaux qui renseignent sa qualité. Cette lecture suit les éléments rattachés aux actifs, sans confondre dépendance et vérification de qualité.
Utilisation et gestion de projets
Organise le pipeline en reliant chaque actif aux données dont il dépend. Pour examiner un résultat, reprends ses relations de dépendance et ses signaux de qualité. Le suivi du projet repose ainsi sur les productions du pipeline et sur le contexte associé à chacune d’elles.
Fonctionnalités principales
Dagster réunit des fonctions d’orchestration, de contrôle des actifs et de suivi des traitements, ainsi qu’un assistant conversationnel.
Orchestration fondée sur les actifs
L’outil organise les pipelines à partir des actifs de données qu’ils produisent, avec une représentation centrée sur ces résultats.
Orchestration fondée sur les flux de travail
L’orchestration peut également porter sur des flux de travail, pour représenter les traitements à exécuter sous cette forme.
Automatisation déclarative
L’automatisation déclarative fait partie des mécanismes d’orchestration proposés pour exprimer le fonctionnement des traitements.
Partitions et reprises historiques
Les partitions structurent les données à traiter ; les reprises historiques permettent d’exécuter des traitements sur des partitions passées.
Déploiements de branches
Les déploiements de branches constituent une fonction distincte pour travailler avec des déploiements associés aux branches du projet.
Vérifications des actifs
Des vérifications portent sur les actifs de données, afin de rattacher les contrôles de qualité aux objets produits par les pipelines.
Politiques de fraîcheur
Les politiques de fraîcheur expriment les attentes concernant l’actualité des données, séparément des autres vérifications d’actifs.
Traçabilité au niveau des actifs
Le suivi des dépendances relie les actifs entre eux pour représenter les relations entre les données produites par les traitements.
Traçabilité au niveau des colonnes
La traçabilité descend au niveau des colonnes de données, avec une granularité distincte du suivi des relations entre actifs ; elle est incluse à partir de Starter Plan.
Recherche dans le catalogue
Une fonction de recherche permet de consulter le catalogue par requête, en complément de la représentation des dépendances ; Starter Plan et Pro Plan l’incluent.
Suivi des coûts
Le suivi des coûts fait partie des fonctions proposées pour examiner la dimension financière des traitements orchestrés ; il est réservé à Pro Plan.
Alertes fondées sur des métriques
Des alertes reposent sur les métriques suivies, pour associer la surveillance des traitements à ces mesures plutôt qu’au seul historique.
Contrôle des accès par rôle
Les autorisations peuvent être organisées selon des rôles, pour gérer les accès des utilisateurs dans le cadre de cette répartition ; ce contrôle est inclus à partir de Starter Plan.
Conversation avec l’IA Dagster
Dagster AI s’appuie sur le contexte déjà connu de l’outil (actifs, exécutions, traçabilité, fraîcheur, échecs et historique d’automatisation) pour aider à diagnostiquer les incidents et expliquer un comportement. La conversation avec l’IA, comme la surveillance proactive par l’IA, est réservée à Pro Plan.
Usages et métiers
Dagster couvre les tâches des ingénieurs de données qui construisent des pipelines d’IA et suivent les traitements associés aux modèles.
Construire des pipelines d’IA et d’apprentissage automatique
Les ingénieurs de données organisent les traitements d’IA et d’apprentissage automatique sous forme de pipelines à construire et à gérer.
Gérer l’ingestion des données
La gestion de l’ingestion porte sur l’arrivée des données dans les pipelines, avant les traitements qui les utilisent ou les transforment.
Retracer l’origine des données
Le suivi de la traçabilité sert à examiner les relations entre données et traitements, pour remonter les dépendances d’un résultat.
Suivre les exécutions des pipelines
Le suivi des exécutions porte sur les traitements lancés dans les pipelines, distinctement du suivi de l’origine des données produites.
Surveiller les modèles
La surveillance des modèles fait partie des tâches couvertes dans les pipelines d’IA, en complément de la construction des traitements.
Suivre l’usage du calcul et des modèles
Le suivi porte à la fois sur l’utilisation des ressources de calcul et sur celle des modèles mobilisés dans les traitements d’IA.
Tester et déboguer les mises à jour des modèles
Les mises à jour des modèles d’apprentissage automatique peuvent faire l’objet de tests et d’un travail de débogage dans les pipelines.
Conseils d’utilisation
Conseils pour une utilisation efficace
Pour une question d’usage, commence par la documentation, qui réunit tutoriels, concepts, guides et références de l’API, ou par Ask AI, l’assistant de chat disponible sur les pages de la documentation. GitHub Discussions sert à interroger la communauté et les mainteneurs, à partager une idée ou à dépanner un problème. Pour une demande commerciale ou de facturation, passe par le formulaire de contact.
Erreurs communes à éviter
Choisis le canal d’aide selon ton installation : si tu héberges Dagster sur ta propre infrastructure, l’aide passe par la communauté ; Dagster Support est réservé aux abonnés de Solo Plan, Starter Plan ou Pro Plan. N’utilise pas le formulaire de contact pour une question technique : il sert aux demandes commerciales et de facturation.
Modèles et droits sur les créations
Le catalogue d’intégrations de Dagster comprend Anthropic, pour intégrer les modèles Claude dans tes pipelines, et OpenAI, pour y insérer des appels à ses modèles. Ces intégrations servent aux traitements d’IA de tes propres projets, aux côtés des connecteurs de données.
Accès
Dagster existe sous deux formes. Son cœur d’orchestration est open source, publié sur GitHub, et tu peux l’héberger sur ta propre infrastructure. Dagster+, l’offre gérée par l’éditeur, s’utilise sur le web et se déploie soit sans serveur, l’éditeur exécutant alors les calculs, soit en mode hybride : les calculs tournent dans ton infrastructure, dans le cloud ou sur site, pendant que Dagster gère le plan de contrôle. D’après ses conditions d’utilisation, le service est fourni par Elementl, Inc., et le site annonce que Dagster fait désormais partie de Prefect.
Appareils, applications et systèmes compatibles
Disponible sur
Accès & intégrations
IntégrationsOui
Airbyte, Anthropic, Apache Airflow, AWS Athena, AWS CloudWatch, AWS ECR, AWS EMR, AWS Glue, AWS Lambda, AWS Redshift, AWS S3, AWS Secrets Manager, AWS Systems Parameter Store, Azure Data Lake Storage Gen 2 (ADLS2), Bash / Shell, Clickhouse, Cube, Databricks, Datadog, dbt Cloud, dbt, dlt, Docker, DuckDB, Fivetran, GCP BigQuery, GCP GCS, GitHub, Great Expectations, Hashicorp Vault, Hightouch, Jupyter, Kubernetes, Looker, Meltano, Microsoft SharePoint, Microsoft Teams, MLflow, Modal, OpenAI, Open Metadata, Pandas, Pandera, Polars
Avis et notes par Aikiwi
Note Globale de Dagster 4,1
Cette approche relie l’organisation des traitements au suivi des données obtenues, avec des contrôles sur les actifs et des règles de fraîcheur. Les déploiements de branches permettent aussi de tester des modifications. Le suivi des coûts, réservé à Pro Plan, complète cet ensemble.
Pour les ingénieurs de données chargés de l’ingestion et des pipelines d’IA ou d’apprentissage automatique, l’intérêt réside dans le rapprochement entre orchestration, suivi des exécutions et surveillance des modèles. Des intégrations avec dbt, Airbyte ou MLflow permettent d’inscrire ces fonctions dans leur environnement technique.
Pour évaluer l’approche avant de retenir une offre commerciale, la version open source et l’auto-hébergement constituent une piste distincte des abonnements. La grille compte trois paliers payants, et les deux premiers s’ouvrent par un essai de 30 jours. Un premier projet peut porter sur l’ingestion de données, puis sur le suivi des dépendances et les contrôles de qualité : des tâches directement couvertes par les fonctions d’orchestration. Le tableau des prix présente les paliers commerciaux.
Avis détaillé sur Dagster
Design et Ergonomie 4,0
L’interface de Dagster affiche les métadonnées des actifs et des tableaux de bord sur leur état de santé. Son organisation autour des actifs de données fournit un repère conceptuel : chaque élément produit porte ses dépendances, sa traçabilité et ses signaux de qualité. Cette cohérence du modèle ne suffit pas à établir la lisibilité des écrans ou la facilité de navigation. Pour un ingénieur de données, retrouver le contexte d’un actif constitue un avantage potentiel lors de l’examen d’une chaîne de traitement. Mais distinguer ce principe d’organisation de sa réalisation visuelle reste nécessaire pour juger le confort quotidien. Une évaluation sur les écrans réellement utilisés reste donc nécessaire pour apprécier la hiérarchie visuelle, la navigation et l’accessibilité.
Facilité d’Utilisation 3,8
Dagster s’adresse aux ingénieurs de données et demande de raisonner en actifs, en dépendances et en traitements orchestrés. Le coût d’apprentissage tient donc au modèle de conception, pas seulement à la prise en main d’une interface. Pour une équipe qui connaît déjà ses flux de données, cette structure offre un vocabulaire commun pour décrire les traitements et leurs résultats attendus. Un utilisateur qui cherche uniquement à lancer une tâche ponctuelle doit en revanche adopter une logique plus large que son besoin immédiat. Dagster privilégie la construction de pipelines structurés plutôt qu’un usage occasionnel sans contexte technique.
Fonctionnalités et Outils 4,4
Dagster couvre plusieurs étapes habituellement liées dans l’exploitation des données : organiser les traitements, contrôler les actifs produits et suivre leurs dépendances. L’intérêt vient de leur articulation plutôt que de leur seule présence au catalogue. Associer contrôles de qualité, politiques de fraîcheur et reprise des traitements permet de traiter un pipeline comme un ensemble suivi, pas seulement comme une succession de tâches. Pour les équipes chargées de chaînes de données ou de modèles, cette profondeur évite de limiter l’orchestration au déclenchement des exécutions. Les déploiements par branche apportent aussi un cadre distinct pour travailler sur les évolutions. L’ensemble convient à une plateforme de données structurée ; pour un traitement isolé, une partie de cette couverture fonctionnelle peut rester sans usage.
Performance et Fiabilité 4,0
Dagster renvoie à une page d’état du service et réserve des engagements de disponibilité contractuels à Pro Plan ; ses résultats chiffrés de rapidité viennent de témoignages de clients, pas d’une mesure du service lui-même. Ses mécanismes de suivi répondent à une autre question : comprendre ce qui se passe dans les traitements. Surveiller les exécutions et recevoir des alertes aide au diagnostic, mais ne démontre ni la rapidité du moteur ni sa stabilité. Ils ne constituent pas une garantie de continuité du service d’orchestration. Le choix doit donc distinguer la capacité à détecter un problème dans un pipeline de la capacité de la plateforme à rester disponible et régulière.
Innovation et Singularité 4,2
Dagster place les données produites au centre de la définition des pipelines, plutôt que de réduire leur description aux opérations exécutées. Ce choix donne une continuité entre dépendances, qualité et traçabilité autour d’un même actif. Sa valeur tient à cette cohérence de conception : l’orchestration et la compréhension des résultats partagent un même objet de travail. Pour un ingénieur qui doit expliquer l’origine d’une donnée ou comprendre les effets d’une modification, cette approche relie l’exécution à son résultat métier ou technique. Elle prend davantage de sens lorsque plusieurs traitements dépendent les uns des autres. Son intérêt est plus limité si le besoin se résume à programmer une opération indépendante, sans suivi des actifs produits.
Support et Ressources Disponibles 4,1
Dagster propose plusieurs voies d’accompagnement, entre documentation, assistance par IA, discussions sur GitHub et contact avec le support. Cette diversité convient à des besoins différents : comprendre un mécanisme, examiner une difficulté technique ou solliciter une aide directe. Elle constitue un socle utile pour un produit destiné aux ingénieurs, sans suffire à établir la réactivité ou la qualité des réponses. Pour une équipe autonome, la documentation et les échanges communautaires offrent des points d’appui adaptés à l’apprentissage comme au dépannage. Le contact direct avec le support complète ces ressources lorsque le problème dépasse une question de compréhension. Aucun délai de réponse ne peut toutefois être retenu ici ; la présence de canaux d’aide ne vaut pas engagement de résolution.
Rapport Qualité-Prix 4,0
Dagster organise son offre payante autour de Solo Plan, Starter Plan et Pro Plan, avec des positionnements allant du projet personnel à la plateforme de données d’entreprise. Cette progression donne un cadre cohérent pour rapprocher l’offre du contexte d’exploitation. La valeur dépend surtout des fonctions effectivement mobilisées, plutôt que de la seule possibilité d’orchestrer un traitement. Pour une équipe qui exploite la traçabilité, les contrôles et le suivi des usages de calcul ou de modèles, l’étendue fonctionnelle peut justifier l’abonnement. À l’inverse, payer pour une plateforme dont seul le déclenchement des tâches est utilisé réduit l’intérêt économique. L’auto-hébergement constitue également une option de déploiement, sans démontrer à lui seul un coût total inférieur.
Questions fréquentes
Quel est le prix de Dagster ?
Chez Dagster, le premier palier payant, Solo Plan, démarre à 10 $ par mois (relevé du 29 octobre 2026 sur la page de l’éditeur). Solo Plan et Starter Plan s’essaient gratuitement pendant 30 jours, et l’usage s’y facture en plus au crédit. Les fonctionnalités proposées comprennent l’orchestration des pipelines, les contrôles de qualité des données et le suivi des coûts. Des fonctions de contrôle d’accès par rôle et d’alerte fondée sur des métriques complètent cet ensemble. Les montants figurent dans le tableau des prix.
Sur quelles plateformes Dagster est-il disponible ?
Dagster est accessible sur le Web et peut aussi être auto-hébergé. Son accès ne se limite donc pas au service web : le projet est également open source. Destiné aux ingénieurs de données, il organise les pipelines autour des actifs de données produits et associe à chacun leur traçabilité, leurs signaux de qualité et leurs dépendances.
Dagster propose-t-il une API ?
Dagster propose une API, en complément de son accès web. Son catalogue d’intégrations comprend notamment des connexions avec des services de stockage, des bases de données et des outils de suivi des modèles. La plateforme sert à gérer l’ingestion des données, suivre les exécutions des pipelines et tester les mises à jour des modèles.
Vous avez repéré une information incorrecte ou qui n'est plus à jour ? Signaler une erreurDemander une correctionVous êtes l'éditeur de cet outil ? Revendiquer cette fiche