- Einführung und Einrichten der Umgebung
- Übersicht über Data Factory
- Einrichten einer SQL Server Datenbank
- Einrichten des Blob Storage für den Flatfile-Import
- Einrichten von Github und Github Repositories
- Einrichten einer Data Factory
- First Steps: Erstellen einer Pipeline für die Integration von Flatfiles in SQL Server
- Arbeiten mit Versionierung und Veröffentlichung: Github Schemata und Publishing
- Erstellen von Pipelines, DataFlows, Datenquellen und Transformationen
- Copy Data, Data Flow
- Data Wrangling: Filter, Join, Union, Split, Lookup, Aggregate, Derived Column etc.
- Fortgeschrittene Transformationen und Patterns: SelfJoin, Windowing, Recursion, Branches etc.
- Ablaufsteuerung
- Behandeln, Beobachten und Aufzeichnen von Fehlern
- Erzeugen von Fehlern
- Workflow-Constraints
- Transformationen für Fehler und Regeln (Assert)
- Ausführung von Sub-Pipelines
- Dynamische Ausführung
- Verwenden von Variablen und Parametern
- Dynamische Schema-Daten
- Data Factory Expression Builder
- Schleifen: ForEach-Loop, Until-Loop
- Conditions
- Integration externer Daten
- Arbeiten mit Strings und JSON-Daten
- Integration von Rest API-Daten und Azure Functions
- Integration von Azure Data Explorer
- Integration von PowerQuery
- Integration von SSIS
- Infrastrukturen für hybride Umgebungen (OnPrem/Cloud)
- Verschiedenes
- Interaktive Kontrolle der Ausführung
- Azure Data Factory als Teil einer Deployment Pipeline (CI)
- Ausführung von Pipelines über Trigger und Schedules
- Sichern und Wiederherstellen von Data Factory
LernzieleEntwickeln von ETL Workflows in der Azure Cloud mit Data Factory.
ZielgruppenBI- und ETL Entwickler:innen, Azure DBAs und Entwickler:innen mit guten Kenntnisse in der (BI-) Entwicklung. (Niveau BI-Professional oder PowerUser )
