Datenmodellierung in Google BigQuery für Experten

• 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.