Data Warehousing for Partners (DWP) Online

Voraussetzungen

Erforderlich:

• Sie haben die Schulung Data Engineering on Google Cloud abgeschlossen.
• Sie sind ein Google Cloud Certified Professional Data Engineer oder verfügen über gleichwertige Kenntnisse im Bereich Data Engineering.
• Sie haben Zugang zu Cloud Connect - Partner.

Empfohlen:

• Erfahrung im Aufbau von Datenverarbeitungspipelines.
• Erfahrung mit Apache Beam und Apache Hadoop.
• Programmierkenntnisse in Java oder Python.

Organisatorische Anforderungen:

• Die Cloud-Partner-Organisation muss zuvor mindestens eine Data-Warehouse-Lösung auf einer beliebigen Data-Warehouse-Plattform implementiert haben.

Zielgruppe

Die Hauptzielgruppe für diesen Kurs sind Google Cloud Partner mit den folgenden relevanten Aufgabenbereichen:

• Data Warehouse-Entwicklungsingenieure
• Data-Warehouse-Berater
• Data-Warehouse-Architekten

Auch wenn diese Rollen nicht zur Kernzielgruppe gehören, kann der Kurs für sie relevant sein, wenn sie die Anforderungen erfüllen:

• Technische Projektleiter
• Technische Projektleiter
• Daten-/Business-Analysten

Detaillierter Kursinhalt

Modul 1 - Data Warehouse-Lösungen in der Google Cloud

Themen:

• Implementierung von Big Data-Lösungen in der Google Cloud
• Kundenbedürfnisse
• Beispiel-Architekturen
• Migrationsstrategien und -planung
• Arbeiten mit PSO

Zielsetzungen:

• Beschreiben Sie das Google-Portfolio an Data Warehouse- und Datenverarbeitungsdiensten
• Identifizierung der Google-Strategie für Data Warehouse-Produkte und -Dienstleistungen
• Suche nach technischen Ressourcen für Data Warehouse-Partner

Modul 2 - BigQuery für Data Warehousing-Profis

Themen:

• BigQuery-Konzepte
• BigQuery-Berechtigungen und Sicherheit
• Überwachung und Rechnungsprüfung
• Schema-Entwurf
• Partitionierung und Clustering
• Datenerfassung und Ladeaufträge
• Umgang mit Veränderungen und langsam wechselnden Dimensionen
• Daten abfragen
• Verwaltung von Arbeitslasten und Gleichzeitigkeit
• Analysieren von Daten
• Dimensionierung und Kostenmanagement
• Optimierung von Abfragen
• Optimierung der Speicherung

Zielsetzungen:

• Beschreiben Sie die Schlüsselkomponenten einer erfolgreichen Data Warehouse-Implementierung auf BigQuery
• Identifizieren von Best Practices für die Implementierung eines Data Warehouse mit BigQuery
• Verwenden Sie die Google Cloud-Konsole für den Zugriff auf öffentliche Datensätze
• Durchführung von Abfragen über die Konsole und Analyse der Abfrageergebnisse mit Hilfe von Client-Bibliotheken
• Kombinieren Sie E-Commerce-Datensätze, um erweiterte Datensätze mit BigQuery-Joins und Unions zu erstellen.

Modul 3 - Umstellung auf BigQuery

Themen:

• Phasen der Migration
• Sicherheit
• Google Cloud Data Warehouse Architektur
• Postmigration
• Benutzerakzeptanz

Zielsetzungen:

• Bewertung eines bestehenden Data Warehouse und Entwicklung einer Strategie für die Migration zu BigQuery
• Beschreiben Sie bewährte Verfahren für die Migration bestehender Data Warehouses zu BigQuery
• Identifizierung der wichtigsten Ressourcen, Tools und Partner für die Migration zu BigQuery
• Migrieren von SQL Server-Beispieldaten zu BigQuery mit Striim
• Ermittlung von Ressourcen zur Übersetzung produktspezifischer SQL-Abfragen in BigQuery Standard SQL

Modul 4 - ETL-Werkzeuge und Positionierung

Themen:

• Dataproc
• Cloud Data Fushion
• Datenfluss

Zielsetzungen:

• Beschreiben Sie die wichtigsten Funktionen von Dataproc, Cloud Data Fusion und Dataflow
• Apache Spark-Aufträge zu Dataproc migrieren
• Best Practices für die Erstellung von Dataflow-Workflows mithilfe von Dataflow-Vorlagen ermitteln
• Konfigurieren Sie Cloud Data Fusion, um eine Datenumwandlungspipeline zu erstellen, die mehrere Quellen mit BigQuery als Ausgabedaten-Senke verbindet.
• Erstellen von Datenpipelines, die Daten aus dem Cloud-Speicher in BigQuery mithilfe von Dataflow einlesen

Modul 5 - Streaming-Analytik

Themen:

• Warum Streaming-Analytik?
• Der Pub/Sub-Dienst
• Datenflussfenster und Auslöser
• Datenfluss-Quellen und -Senken
• Herausforderungen bei Migration und Übernahme

Zielsetzungen:

• Identifizierung der Komponenten einer Streaming-Analytics-Lösung in der Google Cloud
• Erstellen einer IoT-Streaming-Pipeline mit Pub/Sub und Kafka
• Erforschung von Entwurfsmustern und Optimierungsüberlegungen für Streaming-Analytics-Lösungen
• Erstellen und Ausführen einer Streaming-Dataflow-Pipeline, die Daten von Pub/Sub zu BigQuery überträgt, unter Verwendung einer Dataflow-Vorlage

Modul 6 - Einführung in Looker als Datenplattform

Themen:

• Überblick über die Looker-Plattform
• Architektur der Looker-Plattform
• Paradigmenwechsel: Modellierungssprache versus hartkodiertes SQL
• Analytische Kernkonzepte

Zielsetzungen:

• Navigieren auf der Looker-Plattform
• Beschreiben Sie die Architektur der Looker-Plattform
• Entdecken Sie die Vorteile der Looker Modeling Language (LookML) gegenüber hart kodiertem SQL
• Beschreiben Sie die vier wichtigsten analytischen Konzepte in Looker
• Analysieren und Visualisieren von Daten mit Explores in Looker

Modul 7 - Erweiterte BigQuery-Funktionen

Themen:

• BigQuery GIS
• BigQuery ML

Zielsetzungen:

• Beschreiben Sie die Hauptmerkmale von BigQuery GIS und BigQuery ML
• Analysieren Sie Daten mit BigQuery-GIS-Funktionen und visualisieren Sie die Ergebnisse mit BigQuery Geo Viz
• Trainieren und Bewerten eines ML-Modells mit BigQuery ML zur Vorhersage von Taxitarifen