Beherrsche Snowflakes Dateningestions-Pipeline — vom Staging von Dateien über COPY INTO, Snowpipe und Snowpipe Streaming — und verbinde Snowflake über Connectoren, Treiber und Export-Tools mit dem weiteren Datenökosystem.

Stages, Dateiformate und COPY INTO

Stage-Typen zuordnen

Fehlerbehandlung bei COPY INTO

Snowpipe und Snowpipe Streaming

Die richtige Ingestion-Methode wählen

Merkmale von Ingestion-Methoden

Datenentladung und Konnektivität

Daten in Cloud-Speicher entladen

Konnektivitätsmechanismen

Datenladen, Ingestion und Konnektivität

Baue robuste Datenpipelines mit Snowflake-nativer Orchestrierung — Streams für Change Data Capture, Tasks für Zeitplanung, Dynamic Tables für deklarative Transformationen sowie External und Iceberg Tables für Open-Format-Speicherung.

Streams und Change Data Capture

Abfragen eines Streams

Den richtigen Stream-Typ wählen

Tasks und DAG-Orchestrierung

Task-Planung und Abhängigkeiten

Warehouse-basierte vs. Serverless-Tasks

Dynamische Tabellen

Dynamic Table TARGET_LAG und Refresh

Das richtige Orchestrierungsverfahren wählen

Eine End-to-End-Pipeline entwerfen

External- und Iceberg-Tabellen

Wann du External Tables verwenden solltest

Tabellentypen nach Speicher und Engine

Pipeline-Orchestrierung und Datenobjekte

Frage halbstrukturiertes JSON mit Punktnotation und FLATTEN ab, aggregiere Daten mit GROUPING SETS, ROLLUP und CUBE, berechne Window-Funktionen und kapsle wiederverwendbare Logik in UDFs und Stored Procedures.

Abfragen semi-strukturierter Daten

Verschachtelte Felder extrahieren

JSON-Arrays entpacken

Fortgeschrittene Aggregatfunktionen

Eine ROLLUP-Abfrage schreiben

Die passende Grouping-Erweiterung wählen

Window-Funktionen

Datensätze mit ROW_NUMBER ranken

RANK vs DENSE_RANK

Periodenvergleich mit LAG

Laufende Summen mit SUM

User-Defined Functions und Stored Procedures

Erstellen und Aufrufen einer SQL-UDF

UDF vs. Stored Procedure

Daten abfragen und transformieren

Profiliere Abfragen in Snowsight, identifiziere Engpässe mit QUERY_HISTORY, setze Search Optimization, Query Acceleration Service, Automatic Clustering und Materialized Views ein und schreibe SQL, das von den drei Caching-Ebenen von Snowflake profitiert.

Query Profile, History und Insights

Im Query Profile navigieren

Abfragen mit QUERY_HISTORY identifizieren

Langsame Abfragen untersuchen

Optimierungsmethoden

Optionen

Search Optimization

Query Acceleration Service (QAS)

Automatic Clustering

Optimierungstools den Abfragemustern zuordnen

Zwischen Optimierungstools wählen

Welche Methode passt am besten

So funktioniert Caching in Snowflake

Die Caching-Ebene identifizieren

Verhindert Wiederverwendung des Result-Caches

Verhindert Partition Pruning

SQL-Muster: Cache vs. Pruning

Glückwunsch!

Abfrageleistung und Optimierung

Baue End-to-End-Datenpipelines in Snowflake. Lerne, Daten mit COPY INTO, Snowpipe und Snowpipe Streaming zu laden und Workflows anschließend mit Streams, Tasks und Dynamic Tables zu automatisieren. Außerdem beherrschst du das Abfragen halbstrukturierter Daten, den Einsatz von Window-Funktionen und die Optimierung der Abfrageleistung mit den Profiling-Tools und Caching-Ebenen von Snowflake.

Beherrschen Sie die Tools und Techniken zum Aufbau zuverlässiger, automatisierter Daten-Pipelines in Snowflake. Du lernst zunächst, wie du Daten in großem Umfang aufnimmst — indem du Stages und Dateiformate konfigurierst, Daten mit COPY INTO lädst und je nach Latenz- und Volumenanforderungen zwischen Batch-Loading, Snowpipe und Snowpipe Streaming wählst.
Von dort aus baust du End-to-End-Fähigkeiten in der Pipeline-Orchestrierung auf: Zeilenänderungen mit Streams erfassen, mehrstufige Workflows mit Task-DAGs verketten und deklarative, automatisch aktualisierte Pipelines mit dynamischen Tabellen erstellen. Außerdem lernst du, wann du für Multi-Engine- und Cloud-native-Szenarien auf externe und Iceberg-Tabellen zurückgreifen solltest.
Die zweite Hälfte des Kurses schärft Ihre Abfrage- und Transformationsfähigkeiten — indem Sie halbstrukturierte JSON-Daten aus VARIANT-Spalten extrahieren und entnesten, Gruppierungserweiterungen und Window-Funktionen für fortgeschrittene Analysen anwenden und wiederverwendbare Logik in UDFs und gespeicherten Prozeduren kapseln.
Schließlich befassen Sie sich mit der Abfrageleistung: Sie lesen das Query Profile von Snowflake, um Engpässe zu identifizieren, wählen das richtige Optimierungstool – Search Optimization, Query Acceleration Service, Clustering-Keys oder materialisierte Views – und schreiben cachefreundliches SQL, das die häufigen Anti-Patterns vermeidet, die die Leistung unbemerkt verschlechtern.

Laden, automatisieren und optimieren Sie Datenpipelines in Snowflake mit COPY INTO, Snowpipe und Streams.

Automatisierung von Datenpipelines in Snowflake

Datenpipelines in Snowflake mit COPY INTO, Snowpipe, Streams, Tasks, dynamischen Tabellen und Tools zur Abfrageleistung laden, automatisieren und optimieren.

Essentials for Snowflake SnowPro® Core Certification

Abfragen, die auf shipment_id = 'SHP-12345' in einer Tabelle mit 500 Mio. Zeilen filtern

Punktabfragen auf einer UUID-Spalte carrier_id, die eine oder zwei Zeilen zurückgeben

Einmalige Aggregationsabfragen aus dem Finanzbereich, die unvorhersehbar 18 Monate Lieferdaten scannen

Ad-hoc-Berichte, die ohne Vorwarnung eintreffen und montagmorgens das Warehouse überlasten

Jede Dashboard-Abfrage filtert delivery_events nach region und dispatch_date

Eine Tabelle mit 300 Mio. Zeilen, bei der 90 % der Abfragen auf derselben Datumsbereichsspalte filtern

Optimierungstools den Abfragemustern zuordnen

Interaktive praktische Übung