🏆SFEIR est le Google Cloud EMEA Training Partner of the Year 2025🤝Nouveau partenariat : Formations GitLab officielles🤖Nouvelle formation : Développeur Augmenté par l'IA
🏆SFEIR est le Google Cloud EMEA Training Partner of the Year 2025🤝Nouveau partenariat : Formations GitLab officielles🤖Nouvelle formation : Développeur Augmenté par l'IA
GCP200LOOKML

Développer des modèles de données avec LookML

Ce cours vous permet de développer des modèles LookML (Looker Modeling Language) évolutifs et performants qui fournissent à vos utilisateurs métier les données standardisées et prêtes à l'emploi dont ils ont besoin pour répondre à leurs questions. À l'issue de ce cours, vous serez en mesure de commencer à créer et à maintenir des modèles LookML pour organiser et gérer les données dans l'instance Looker de votre organisation.

Google Cloud
✓ Formation officielle Google CloudNiveau Intermédiaire⏱️ 1 jour (7h)

Ce que vous allez apprendre

  • Utiliser des tableaux de bord pour combiner des requêtes et des visualisations clés dans une vue synthétique sur une seule page.
  • Modéliser les fichiers des projets LookML pour concevoir et créer des Explores personnalisés destinés aux utilisateurs métier.
  • Utiliser des tables dérivées pour créer de nouvelles tables personnalisées qui n'existent pas dans la base de données sous-jacente.
  • Expliquer le fonctionnement de la mise en cache et la manière dont les développeurs peuvent utiliser les datagroups pour gérer les stratégies de mise en cache.
  • Naviguer dans l'interface utilisateur de Looker et identifier les composants clés de l'IDE.
  • Expliquer l'intégration de Looker avec Git pour la gestion des versions et le développement collaboratif.
  • Décrire les étapes du cycle de vie de développement LookML, de l'écriture au déploiement.
  • Expliquer la relation entre LookML et SQL et la manière dont Looker traduit les requêtes.
  • Convertir entre les tableaux de bord définis par l'utilisateur et les tableaux de bord LookML pour standardiser les visualisations.
  • Expliquer l'agrégation symétrique et son rôle dans une analyse de données précise dans Looker.

Prérequis

  • Pour tirer le meilleur parti de ce cours, les participants doivent posséder une compréhension de base de SQL, de Git et de l'expérience utilisateur métier de Looker. Pour les apprenants sans expérience préalable en tant qu'explorateurs de données dans Looker, il est recommandé de suivre au préalable le cours Analyzing and Visualizing Data in Looker.

Public cible

  • Développeurs de données responsables de l'organisation et de la gestion des données au sein de leur organisation., Analystes de données souhaitant apprendre comment les développeurs de données utilisent LookML pour organiser et gérer les données dans l'instance Looker de leur organisation.

Programme de la Formation

4 modules pour maîtriser les fondamentaux

Objectifs
  • Exposer les avantages de l'utilisation de LookML pour la modélisation et l'analyse des données.
  • Identifier les principaux composants de l'interface utilisateur de Looker.
  • Identifier les utilisateurs cibles et les fonctions des éléments clés de l'interface utilisateur de Looker.
  • Définir la terminologie fondamentale de la plateforme Looker et de LookML.
  • Comprendre l'intégration de base entre Looker et Git pour la gestion des versions.
  • Décrire le cycle de vie de développement LookML, y compris les processus d'écriture, de validation, de fusion et de déploiement.
  • Reconnaître comment Looker lit, analyse et écrit le SQL.
  • Expliquer la relation entre le SQL et le langage de modélisation LookML.
Sujets abordés
  • →Looker et LookML
  • →L'interface utilisateur de Looker
  • →Exemple 1 : L'IDE Looker
  • →Gestion des versions des projets LookML
  • →Exemple 2 : Workflow Git dans Looker
  • →Comment Looker écrit le SQL
Activités

2 démonstrations

1 quiz

Objectifs
  • Détailler les couches hiérarchiques contenues dans un projet LookML.
  • Convertir entre les tableaux de bord définis par l'utilisateur et les tableaux de bord LookML.
  • Construire des dimensions et des mesures au sein d'un Explore Looker, en définissant les types de données, les formats et les calculs appropriés.
  • Localiser les dimensions, les mesures et les tableaux de bord dans l'IDE Looker.
  • Comprendre comment les dimensions et les mesures relient le développement dans l'IDE à l'utilisation dans les Explores.
  • Modéliser des dimensions complexes pour améliorer l'expérience utilisateur dans Looker.
  • Lister les fonctionnalités et le fonctionnement de base d'un tableau de bord LookML.
  • Convertir entre les tableaux de bord définis par l'utilisateur et les tableaux de bord LookML.
Sujets abordés
  • →Anatomie d'un projet LookML
  • →Modéliser les dimensions
  • →Exemple 3 : Créer des dimensions avec LookML
  • →Modéliser les mesures
  • →Exemple 4 : Modéliser les mesures avec LookML
  • →Logique de modélisation des dimensions et des mesures
  • →Tableaux de bord LookML
  • →Lab 1: Creating dimensions and measures with LookML
Activités

1 quiz

2 démonstrations

1 atelier

Objectifs
  • Créer de nouveaux Explores et filtres dans l'IDE Looker.
  • Relier les Explores et les filtres à l'exploration de données par l'utilisateur final.
  • Comprendre l'agrégation symétrique pour l'analyse de données dans Looker.
Sujets abordés
  • →Modéliser de nouveaux Explores
  • →Utiliser LookML pour filtrer les Explores
  • →Comprendre l'agrégation symétrique
Activités

1 quiz

Objectifs
  • Comprendre les tables dérivées, y compris les types SQL, natives et persistantes, ainsi que leurs finalités respectives.
  • Identifier les cas d'usage appropriés des tables dérivées et sélectionner le type optimal en fonction des besoins spécifiques.
  • Expliquer comment les tables dérivées améliorent l'efficacité de l'analyse de données dans Looker.
  • Localiser les points de création des tables dérivées SQL, natives et persistantes dans l'interface utilisateur de Looker.
  • Décrire le processus de création des tables dérivées SQL, natives et persistantes dans Looker.
  • Identifier les deux paramètres clés utilisés dans les tables dérivées natives.
  • Identifier les paramètres facultatifs permettant d'optimiser les performances et les fonctionnalités des tables dérivées natives.
  • Définir la mise en cache et les datagroups dans le contexte de Looker.
  • Déterminer quand implémenter la mise en cache et les datagroups pour l'optimisation des requêtes.
  • Évaluer l'impact de la mise en cache et des datagroups sur les performances globales et l'expérience utilisateur de Looker.
Sujets abordés
  • →Présentation des tables dérivées
  • →Types de tables dérivées
  • →Exemple 5 : Utiliser des tables dérivées SQL
  • →Exemple 6 : Utiliser des tables dérivées natives
  • →Paramètres des tables dérivées natives
  • →Utiliser des tables dérivées persistantes
  • →Mise en cache et datagroups
  • →Implémenter des datagroups dans Looker
  • →Lab 2: Creating Derived Tables with LookML
Activités

2 démonstrations

1 quiz

1 atelier

Formations associées

Google Cloud

Introduction à l'analyse de données sur Google Cloud

Ce cours constitue une introduction à l'analyse de données sur Google Cloud. Il s'adresse aux apprenants qui n'ont aucune expérience préalable de l'analyse de données ni de Google Cloud. Le cours couvre les fondamentaux de l'analyse de données, notamment la collecte, le stockage, l'exploration, la visualisation et le partage. Il présente également aux apprenants les outils et services d'analyse de données de Google Cloud. À travers des cours vidéo, des démonstrations, des quiz et des ateliers pratiques, le cours montre comment passer de données brutes à des visualisations et des tableaux de bord à fort impact.

1 j
Fondamental
Google Cloud

Analyser et visualiser des données dans Looker

Dans ce cours, vous apprenez à réaliser le type d'exploration et d'analyse de données dans Looker qui était auparavant effectué principalement par des développeurs ou des analystes SQL. Vous apprenez à tirer parti de la plateforme d'analyse moderne de Looker pour trouver et explorer le contenu pertinent dans l'instance Looker de votre organisation. Vous découvrez également comment interroger vos données, créer de nouvelles métriques selon vos besoins, ainsi que créer et partager des visualisations et des tableaux de bord pour faciliter la prise de décision fondée sur les données.

1 j
Fondamental
Voir toutes les formations →

Prochaines sessions

30 octobre 2026
Distanciel • Français
S'inscrire
2 décembre 2026
Distanciel • Français
S'inscrire

Processus Qualité

L'engagement de SFEIR Institute : une démarche d'excellence pour garantir la qualité et la réussite de toutes nos formations. En savoir plus sur notre démarche qualité

Méthodes pédagogiques mobilisées
  • Lectures / Apports théoriques (Slides) — Présentation de concepts via des supports visuels (PowerPoint, PDF).
  • Démonstration technique (Démos) — Le formateur réalise une manipulation ou une procédure devant les apprenants.
  • Laboratoires dirigés (Labs) — Mise en pratique guidée sur logiciel, machine ou environnement technique.
  • Quiz / QCM — Test rapide de connaissances (format papier ou numérique type Kahoot/Klaxoon).
Dispositif d'évaluation et de suivi

L'atteinte des objectifs de la formation est évaluée à plusieurs niveaux pour garantir la qualité de la prestation :

  • Évaluation continue des acquis : Vérification des connaissances tout au long de la formation via des méthodes participatives (en fonction de la formation: quiz, exercices pratiques, mises en situation) sous la supervision du formateur.
  • Mesure de la progression : Dispositif d'auto-évaluation comparatif comprenant un diagnostic initial pour situer le niveau de départ, suivi d'une évaluation finale pour valider l'évolution des compétences.
  • Évaluation de la qualité : Questionnaire de satisfaction en fin de session pour mesurer la pertinence et l'efficacité de la formation ressentie par les participants.

790€ € HT

par apprenant

RéserverDevis