Master Snowflake's data ingestion pipeline — from staging files through COPY INTO, Snowpipe, and Snowpipe Streaming — and connect Snowflake to the broader data ecosystem through connectors, drivers, and export tools.

Stages, File Formats, and COPY INTO

Classifying Stage Types

COPY INTO Error Handling

Snowpipe and Snowpipe Streaming

Choosing the Right Ingestion Mechanism

Ingestion Method Characteristics

Data Unloading and Connectivity

Unloading Data to Cloud Storage

Connectivity Mechanisms

Data Loading, Ingestion, and Connectivity

Build robust data pipelines using Snowflake-native orchestration — streams for change capture, tasks for scheduling, dynamic tables for declarative transformation, and external and Iceberg tables for open-format storage.

Streams and Change Data Capture

Querying a Stream

Choosing the Right Stream Type

Tasks and DAG Orchestration

Task Scheduling and Dependencies

Warehouse-Based vs Serverless Tasks

Dynamic Tables

Dynamic Table TARGET_LAG and Refresh

Choosing Your Orchestration Mechanism

Designing an End-to-End Pipeline

External and Iceberg Tables

When to Use External Tables

Table Types by Storage and Engine

Pipeline Orchestration and Data Objects

Query semi-structured JSON with dot notation and FLATTEN, aggregate data with GROUPING SETS, ROLLUP, and CUBE, compute window functions, and encapsulate reusable logic in UDFs and stored procedures.

Semi-Structured Data Querying

Extracting Nested Fields

Unnesting JSON Arrays

Intermediate Aggregate Functions

Writing a ROLLUP Query

Choosing the Right Grouping Extension

Window Functions

Ranking Records with ROW_NUMBER

RANK vs DENSE_RANK

Period-over-Period Change with LAG

Running totals with SUM

User-Defined Functions and Stored Procedures

Creating and Calling a SQL UDF

UDF vs Stored Procedure

Querying and Transforming Data

Profile queries in Snowsight, identify bottlenecks with QUERY_HISTORY, apply Search Optimization, Query Acceleration Service, Automatic Clustering, and Materialized Views, and write SQL that benefits from Snowflake's three caching layers.

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!

Query Performance and Optimization

18:05Claude responded: Erstelle End-to-End-Datenpipelines in Snowflake. Erstelle End-to-End-Datenpipelines in Snowflake. Lerne, Daten mit COPY INTO, Snowpipe und Snowpipe Streaming zu laden, und automatisiere Workflows mit Streams, Tasks und Dynamic Tables. Außerdem lernst du, halbstrukturierte Daten abzufragen, Window-Funktionen anzuwenden und die Abfrageleistung mit den Profiling-Tools und Caching-Ebenen von Snowflake zu optimieren.

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

Automatisierung von Datenpipelines in Snowflake

Interaktive Übung