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, formatos de archivo y COPY INTO

Opciones

Stage de usuario (@~)

Stage de tabla (%table_name)

Stage con nombre (@stage_name)

Clasificar tipos de Stage

Gestión de errores con COPY INTO

Snowpipe y Snowpipe Streaming

Elegir el mecanismo de ingesta adecuado

COPY INTO

Snowpipe

Snowpipe Streaming

Características de los métodos de ingesta

Exportación de datos y conectividad

Descarga de datos a almacenamiento en la nube

Ingesta

Transformación

BI / Informes

Mecanismos de conectividad

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, and Insights

Navigating Query Profile

Identifying  queries with QUERY_HISTORY

Investigating slow queries

Optimization Methods

Matching Optimization Tools to Query Patterns

Choosing Between Optimization Tools

What Method Works Best

How Caching Works in Snowflake

Identifying the Caching Layer

SQL Patterns: Cache vs Pruning

Congratulations!

Query Performance and Optimization

18:05Claude responded: Crea canalizaciones de datos de extremo a extremo en Snowflake. Crea canalizaciones de datos de extremo a extremo en Snowflake. Aprende a ingerir datos con COPY INTO, Snowpipe y Snowpipe Streaming, y luego automatiza los flujos de trabajo con streams, tasks y dynamic tables. También dominarás las consultas sobre datos semiestructurados, el uso de funciones de ventana y la optimización del rendimiento de consultas con las herramientas de perfilado y las capas de caché de Snowflake.

Domina las herramientas y técnicas para crear canalizaciones de datos fiables y automatizadas en Snowflake. Empezarás aprendiendo a ingerir datos a gran escala: configurando etapas y formatos de archivo, cargando datos con COPY INTO y eligiendo entre carga por lotes, Snowpipe y Snowpipe Streaming para distintos requisitos de latencia y volumen.
A partir de ahí, desarrollarás habilidades de orquestación de canalizaciones de extremo a extremo: capturando cambios a nivel de fila con streams, encadenando flujos de trabajo de varios pasos con DAG de tareas y creando canalizaciones declarativas con actualización automática mediante tablas dinámicas. También aprenderás cuándo recurrir a tablas externas y Iceberg para escenarios multiengine y cloud-native.
La segunda mitad del curso afina tus habilidades de consulta y transformación: extraer y desanidar JSON semiestructurado de columnas VARIANT, aplicar extensiones de agrupación y funciones de ventana para analítica avanzada, y encapsular lógica reutilizable en UDF y procedimientos almacenados.
Por último, abordarás el rendimiento de las consultas: leer el Query Profile de Snowflake para identificar cuellos de botella, seleccionar la herramienta de optimización adecuada — Search Optimization, Query Acceleration Service, claves de clustering o vistas materializadas — y escribir SQL compatible con la caché que evite los anti-patrones habituales que degradan el rendimiento de forma silenciosa.

Carga, automatiza y optimiza datos en Snowflake con COPY INTO, Snowpipe, streams, tasks y tablas dinámicas.

Automatización de canalizaciones de datos en Snowflake

Essentials for Snowflake SnowPro® Core Certification

Ideal para cargas por lotes nocturnas donde unas horas de latencia son aceptables

Se ejecuta bajo demanda o activado por un planificador externo

Se activa automáticamente cuando llega un nuevo archivo a un bucket de almacenamiento en la nube

Carga datos en cuestión de minutos desde que los archivos llegan a un stage

Acepta filas directamente desde una aplicación sin preparar archivos en un stage primero

Latencia medida en segundos en lugar de minutos

Características de los métodos de ingesta

Automatización de canalizaciones de datos en Snowflake

Ejercicio interactivo práctico