- Architektur und Datenmodellierung in BigQuery
- Architektur und Speicherkonzepte von BigQuery
- Best Practices für Cloud Data Warehouses
- Sternschema, Schneeflockenschema und Data Vault - Einsatzgebiete und Unterschiede
- Normalisierung und Denormalisierung in analytischen Systemen
- Dimensionstabellen und Faktentabellen entwerfen
- BigQuery-spezifische Datenmodellierung
- Nested und Repeated Fields
- Arrays und STRUCT-Datentypen
- Schema-Design für analytische Workloads
- Partitionierung und Clustering optimal einsetzen
- Umgang mit großen Datenmengen
- Performance- und Kostenoptimierung
- Abfrageoptimierung mit dem Query Optimizer
- Materialized Views
- Suchindizes und Metadaten-Indizes
- Caching und Abfrageplanung
- Slot-Nutzung und Kapazitätsplanung
- Kostenoptimierung und Kostenkontrolle
- Best Practices für effiziente SQL-Abfragen
- ELT-Architekturen und Datenpipelines
- Moderne ELT-Konzepte
- Dataform zur Transformation und Verwaltung von SQL-Projekten
- Inkrementelle Datenverarbeitung
- Batch- und Streaming-Daten verarbeiten
- Einführung in Change Data Capture (CDC)
- Data Governance und Sicherheit
- IAM-Rollen und Berechtigungen
- Row-Level Security und Column-Level Security
- Policy Tags und Data Catalog
- Auditing und Monitoring
- Governance-Strategien für Enterprise Data Warehouses
- BigLake und Datenintegration
- BigLake als Data Lakehouse-Lösung
- Externe Tabellen
- Integration mit Cloud Storage
- Zusammenspiel mit Apache Iceberg und offenen Tabellenformaten
- Anbindung externer Datenquellen
- Machine Learning und Analytics
- Einführung in BigQuery ML
- Erstellung einfacher Machine-Learning-Modelle mit SQL
- Feature Engineering in BigQuery
- Vorhersagemodelle und Modellbewertung
- Integration in Analytics-Workflows
- Praxis und Best Practices
- Entwicklung eines performanten Datenmodells
- Optimierung realer SQL-Abfragen
- Analyse von Kosten und Performance
- Best Practices für skalierbare Enterprise-Lösungen
- Praxisübungen anhand realistischer Data-Warehouse-Szenarien
LernzieleNach dem Seminar entwickeln Sie leistungsfähige und skalierbare Datenmodelle für Google BigQuery und setzen moderne Modellierungsansätze zielgerichtet ein. Sie optimieren Datenstrukturen sowie SQL-Abfragen hinsichtlich Performance und Kosten, nutzen Partitionierung, Clustering und Materialized Views effizient und kennen die Besonderheiten von Nested Data. Darüber hinaus können Sie Sicherheits- und Governance-Anforderungen umsetzen sowie moderne ELT-Architekturen und BigLake in Ihre Datenplattform integrieren.
ZielgruppenDas Seminar richtet sich an Data Engineers, Data Architects, Business-Intelligence-Entwickler, Analytics Engineers, Data Warehouse Entwickler sowie Cloud- und Datenbankexperten, die Google BigQuery professionell einsetzen oder moderne Datenplattformen auf Basis der Google Cloud entwickeln möchten.
TeilnahmevoraussetzungenSie verfügen über gute SQL-Kenntnisse.
Sie besitzen praktische Erfahrungen mit relationalen Datenbanken oder Data-Warehouse-Systemen.
Grundkenntnisse der Google Cloud Platform und von BigQuery sind erforderlich.
Erfahrungen in der Datenmodellierung oder im Bereich Business Intelligence sind von Vorteil.
