🏆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
GCP200DATAFORM

Orchestrer les charges de travail BigQuery avec Dataform

Dataform est un service destiné aux analystes de données pour développer, tester, versionner et planifier des flux de travail SQL complexes pour la transformation de données dans BigQuery. Dans ce cours, vous explorerez les composants principaux de Dataform, apprendrez à définir des tables et des dépendances en SQLX, à documenter les tables et les vues BigQuery, à comprendre les paramètres de sécurité de BigQuery et comment les gérer avec Dataform, à écrire des assertions, à exécuter des flux de travail SQL et à explorer des cas d'utilisation avancés supplémentaires.

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

Ce que vous allez apprendre

  • Comprendre les composants principaux de Dataform.
  • CrĂ©er des tables et des vues dans BigQuery en utilisant Dataform.
  • Documenter les tables et les vues de BigQuery.
  • Comprendre les paramètres de sĂ©curitĂ© de BigQuery en utilisant Dataform.
  • Utiliser des assertions pour valider les donnĂ©es dans les flux de travail Dataform.
  • ExĂ©cuter les flux de travail SQL de Dataform de manière automatisĂ©e.

Prérequis

  • Connaissance de l'analyse de donnĂ©es SQL et de BigQuery, comme abordĂ© dans le cours BigQuery for Data Analysis.

Public cible

  • Clients

Programme de la Formation

7 modules pour maîtriser les fondamentaux

Objectifs
  • Comprendre les composants principaux de Dataform.
Sujets abordés
  • →Flux de travail SQL
  • →DĂ©pĂ´ts et espaces de travail
  • →Fichiers et dossiers par dĂ©faut
  • →Graphes compilĂ©s
Objectifs
  • CrĂ©er des tables et des vues dans BigQuery en utilisant Dataform.
Sujets abordés
  • →DĂ©clarer une source de donnĂ©es.
  • →CrĂ©er une table.
  • →CrĂ©er une table incrĂ©mentielle.
  • →DĂ©finir les options de partitionnement et de clustering.
  • →CrĂ©er une table vide.
  • →CrĂ©er une table BigLake externe.
  • →CrĂ©er des vues et des vues matĂ©rialisĂ©es.
  • →DĂ©finir les dĂ©pendances.
Objectifs
  • Documenter les tables et les vues de BigQuery.
Sujets abordés
  • →Utiliser des descriptions de colonnes.
  • →Utiliser des constantes JavaScript dĂ©finies globalement.
  • →Ajouter des Ă©tiquettes.
Activités

Lab : Créer des flux de travail SQL avec des dépendances dans Dataform

Objectifs
  • Comprendre les paramètres de sĂ©curitĂ© de BigQuery en utilisant Dataform.
Sujets abordés
  • →Accès aux ensembles de donnĂ©es et aux tables/vues IAM
  • →SĂ©curitĂ© au niveau des colonnes
  • →SĂ©curitĂ© au niveau des lignes
Objectifs
  • Utiliser des assertions pour valider les donnĂ©es dans les flux de travail Dataform.
Sujets abordés
  • →Utiliser les assertions intĂ©grĂ©es.
  • →CrĂ©er des assertions manuelles.
Activités

Lab : Travailler avec les assertions et les paramètres de sécurité de BigQuery dans Dataform

Objectifs
  • ExĂ©cuter les flux de travail SQL de Dataform de manière automatisĂ©e.
Sujets abordés
  • →Cycle de vie du code Dataform.
  • →Ce qui se passe pendant la compilation.
  • →Personnaliser et planifier les rĂ©sultats de compilation.
  • →ExĂ©cuter les flux de travail (UI, Cloud Scheduler, Cloud Composer).
  • →Journalisation et surveillance.
Activités

Lab : Automatiser et surveiller les exécutions de flux de travail SQL dans Dataform

Objectifs
  • Explorer des cas d'utilisation supplĂ©mentaires pour Dataform.
Sujets abordés
  • →CrĂ©er une table BigLake après le tĂ©lĂ©versement d'un fichier Ă  l'aide des fonctions Cloud Run.
  • →Construire un pipeline de Machine Learning avec BigQuery ML.
  • →Travailler avec les dimensions Ă  variation lente de type 2.
Activités

Lab : Créer une table BigLake avec Dataform en utilisant les fonctions Cloud Run

Formations associées

Google Cloud

Migration des utilisateurs d'Amazon Redshift vers BigQuery

Dans ce cours, vous apprendrez à traduire divers concepts d'Amazon Redshift vers les concepts analogues dans BigQuery. Vous apprendrez comment les architectures de haut niveau d'Amazon Redshift et de BigQuery se comparent, comprendrez les différences dans la configuration des ensembles de données et des tables, mapperez les types de données d'Amazon Redshift aux types de données de BigQuery, comprendrez le mappage de schémas d'Amazon Redshift à BigQuery, optimiserez vos nouveaux schémas dans BigQuery et effectuerez une comparaison de haut niveau des dialectes SQL dans Amazon Redshift et BigQuery.

1 j
Fondamental
Google Cloud

Migration des utilisateurs de Snowflake vers BigQuery

Dans ce cours, vous apprendrez à transposer divers concepts de Snowflake aux concepts analogues dans BigQuery. Vous apprendrez comment les architectures de haut niveau de Snowflake et BigQuery se comparent, comprendrez les différences dans la configuration des jeux de données et des tables, mapperez les types de données de Snowflake aux types de données de BigQuery, comprendrez le mappage de schémas de Snowflake à BigQuery, optimiserez vos nouveaux schémas dans BigQuery et effectuerez une comparaison de haut niveau des dialectes SQL dans Snowflake et BigQuery.

1 j
Fondamental
Google Cloud

Migration des utilisateurs de Teradata vers BigQuery

Dans ce cours, vous apprendrez à traduire divers concepts de Teradata vers les concepts analogues dans BigQuery. Vous apprendrez comment les architectures de haut niveau de Teradata et BigQuery se comparent, comprendrez les différences dans la configuration des ensembles de données et des tables, mapperez les types de données de Teradata aux types de données dans BigQuery, comprendrez le mappage de schémas de Teradata à BigQuery, optimiserez vos nouveaux schémas dans BigQuery et effectuerez une comparaison de haut niveau des dialectes SQL dans Teradata et BigQuery.

1 j
Fondamental
Voir toutes les formations →

Prochaines sessions

Aucune date ne vous convient ?

Nous organisons régulièrement de nouvelles sessions. Contactez-nous pour connaître les prochaines dates disponibles ou pour organiser une session à la date de votre choix.

S'inscrire à une date personnalisée

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 thĂ©oriques (Slides) — PrĂ©sentation de concepts via des supports visuels (PowerPoint, PDF).
  • DĂ©monstration technique (DĂ©mos) — Le formateur rĂ©alise une manipulation ou une procĂ©dure devant les apprenants.
  • Laboratoires dirigĂ©s (Labs) — Mise en pratique guidĂ©e sur logiciel, machine ou environnement technique.
  • Quiz / QCM — Test rapide de connaissances (format papier ou numĂ©rique type Kahoot/Klaxoon).
Dispositif d'Ă©valuation 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 : VĂ©rification des connaissances tout au long de la formation via des mĂ©thodes participatives (en fonction de la formation: quiz, exercices pratiques, mises en situation) sous la supervision du formateur.
  • Mesure de la progression : Dispositif d'auto-Ă©valuation comparatif comprenant un diagnostic initial pour situer le niveau de dĂ©part, suivi d'une Ă©valuation finale pour valider l'Ă©volution des compĂ©tences.
  • Évaluation de la qualitĂ© : Questionnaire de satisfaction en fin de session pour mesurer la pertinence et l'efficacitĂ© de la formation ressentie par les participants.

790€ € HT

par apprenant

RĂ©serverDevis