dbt

• Comprendre les concepts clés, les avantages et l’architecture de dbt en tant qu’outil de transformation et de modélisation des données.
• Créer des modèles de données structurés avec dbt, et effectuer des transformations pour traiter et préparer les données en vue de l’analyse.
• Maîtriser les fonctionnalités avancées telles que les macros, les modèles Jinja, les variables et le contrôle de flux.
• Utiliser les instantanés (snapshots) dbt pour suivre les changements au fil du temps et gérer les données historiques, facilitant l’analyse des tendances historiques et les dimensions à changement lent.
• Mettre en œuvre des tests pour garantir la qualité et l’intégrité des données, permettant de valider les résultats des transformations et de détecter les anomalies.

• Data Analysts, Data Engineers
• Toute personne intéressée par la transformation des données

• Des connaissances pratiques de SQL équivalentes au cours SQL les fondamentaux

Jour 1

Module 1 : Évolution de la pile de données

• Évolution de la pile de données
• Comprendre les différences entre les approches d’intégration de données Extract-Transform-Load (ETL) et Extract-Load-Transform (ELT)
• Introduction à la pile de données moderne

Module 2 : Introduction à dbt

• Aperçu de dbt
• Installation de dbt et configuration de l’environnement de développement
• Créer un projet dbt
• Connexion aux sources de données

Lab : Mise en place d’un projet dbt

Module 3 : Travailler avec des modèles dbt

• Comprendre les modèles dbt
• Comment fonctionnent les modèles de dbt ?
• Options de matérialisation
• Configuration de la matérialisation
• Présentation de la fonctionnalité de tagging pour l’organisation des métadonnées

Atelier : Créer des modèles de données avec dbt

Module 4 : Sources et références dbt

• Introduction aux sources dbt
• Configuration des sources dbt
• Travailler avec des références dbt

Atelier : Configuration des sources dbt, référencement des données externes et gestion des dépendances du modèle

Module 5 : Amorçage de vos modèles de données

• Introduction aux seeds dbt
• Création et remplissage de données seed
• Avantages de l’utilisation de seeds pour l’initialisation des données
• Intégrer des seeds à vos modèles dbt

Atelier : Créer et intégrer des seeds dans vos projets dbt

Jour 2

Module 6 : Snapshots pour gérer les données historiques

• Comprendre les snapshots dans dbt
• Configuration et définition de snapshots
• Exécuter et gérer des snapshots

Atelier : Mise en œuvre d’une stratégie de snapshots

Module 7 : Transformation et contrôle avancés des données

• Comprendre les macros
• Jinja, un langage de modèles
• Utiliser des variables pour gérer la configuration du pipeline de données

Atelier : Transformation et contrôle avancés des données

Module 8 : Packages

• Introduction aux packages dbt
• Explorer le hub dbt
• Installation et utilisation de package dbt

Atelier : Explorer les packages dbt

Module 9 : Tests

• Mettre en évidence les risques potentiels dans le code
• Mise en place de tests automatisés
• Choisir le test approprié
• Implémentation des tests de données

Atelier : Implémentation de tests de données

Module 10 : Documentation

• Documenter les modèles de données
• Utiliser les fonctionnalités de documentation intégrées de dbt pour générer et maintenir une documentation de modèle accessible et à jour
• L’importance du lineage

Laboratoire : Documenter les modèles de DBT

Module 11 : Analyses, hooks et exposition (avancé)

• Effectuer une analyse des données
• Exécuter du code personnalisé avant et après l’exécution de dbt
• Créer des assets de données partageables et accessibles

Atelier : Créer une exposition

Module 12 : Exploiter les artefacts générés (avancé)

• Comprendre manifest.json
• Introduction de run_result.json

Module 13 : Conclusion

• Ressources sur les meilleures pratiques en matière de dbt
• À propos de l’examen de certification DBT