- Grundlagen von Amazon Redshift
- Architekturübersicht
- Einrichtung von Amazon Redshift-Clustern
- Best Practices für die Konfiguration
- Datenmodellierungskonzepte
- Sternschema vs. Schneeflockenschema
- Tabellenpartitionierung und Verteilungsschlüssel
- Auswirkungen auf die Performance
- Fortgeschrittene Modellierungstechniken
- Materialized Views
- Einsatz von Auto WLM mit Prioritäten zur Durchsatzerhöhung
- Time Dimension Tabellen
- Hierarchien und Rollups
- Verwendung von Slices und CTEs für komplexe Abfragen
- Praktische Übungen
- Modellierung einer Beispiel-Datenbank
- Erstellung von Tabellen und Constraints
- Optimierung von Abfragen
- Performance-Optimierung
- Datenladen und -aktualisierung
- Indizierung von Tabellen
- Analyse von Abfrageplänen
- Datenverwaltung und Wartung
- Sicherung und Wiederherstellung von Daten
- Monitoring und Fehlerbehebung
- Automatisierung von Verwaltungsaufgaben
- Datenintegration und ETL-Prozesse
- Nutzung von AWS Glue und Data Pipeline
- ETL-Best Practices
- Integration externer Datenquellen
- Fallstudien und Best Practices
- Anwendungsbeispiele aus der Praxis
- Erfolgsfaktoren und Stolpersteine
- Diskussion über bewährte Vorgehensweisen
LernzieleSie erlernen fortgeschrittene Techniken zur Datenmodellierung und Optimierung in Amazon Redshift. Dies umfasst die Implementierung von Stern- und Schneeflockenschemata, Tabellenpartitionierung und Verteilungsschlüssel sowie die Anwendung von Best Practices zur Performance-Optimierung.
Zielgruppen- Teilnehmer sollten über fortgeschrittene Kenntnisse in Datenbanken und SQL verfügen.
- Teilnehmer sollten bereits Erfahrungen mit Cloud-Computing, vorzugsweise AWS, haben.
- Interesse an Datenmodellierung und -optimierung wird vorausgesetzt.