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.

Profil de requête, historique et insights

Explorer le Query Profile

Identifier les requêtes avec QUERY_HISTORY

Analyser les requêtes lentes

Méthodes d’optimisation

Options

Search Optimization

Query Acceleration Service (QAS)

Automatic Clustering

Associer les outils d’optimisation aux modèles de requêtes

Choisir entre les outils d’optimisation

Quelle méthode fonctionne le mieux

Comment fonctionne la mise en cache dans Snowflake

Identifier la couche de cache

Rompt la réutilisation du cache de résultats

Empêche l’élagage des partitions

Modèles SQL : cache vs élagage

Félicitations !

Query Performance and Optimization

18:05Claude responded: Build end-to-end data pipelines in Snowflake.Build end-to-end data pipelines in Snowflake. Learn to ingest data using COPY INTO, Snowpipe, and Snowpipe Streaming, then automate workflows with streams, tasks, and dynamic tables. You'll also master querying semi-structured data, applying window functions, and optimizing query performance using Snowflake's profiling tools and caching layers.

Maîtrisez les outils et les techniques pour créer des pipelines de données fiables et automatisés dans Snowflake. Vous commencerez par apprendre à ingérer des données à grande échelle — en configurant les stages et les formats de fichiers, en chargeant les données avec COPY INTO, et en choisissant entre le chargement par lots, Snowpipe et Snowpipe Streaming selon les exigences de latence et de volume.
À partir de là, vous développerez des compétences en orchestration de pipelines de bout en bout : capture des modifications au niveau des lignes avec des streams, enchaînement de workflows multi-étapes avec des DAG de tâches, et création de pipelines déclaratifs, actualisés automatiquement, avec des tables dynamiques. Vous apprendrez également quand utiliser des tables externes et Iceberg pour des scénarios multi-moteurs et cloud-native.
La seconde moitié du cours affine vos compétences en requête et en transformation — extraction et dénesting de JSON semi-structuré à partir de colonnes VARIANT, application d’extensions de regroupement et de fonctions de fenêtre pour des analyses avancées, et encapsulation de logique réutilisable dans des UDF et des procédures stockées.
Enfin, vous aborderez les performances des requêtes : lire le profil de requête de Snowflake pour identifier les goulots d’étranglement, choisir le bon outil d’optimisation — Search Optimization, Query Acceleration Service, clés de clustering ou vues matérialisées — et écrire du SQL compatible avec le cache qui évite les anti-patterns courants qui dégradent silencieusement les performances.

Chargez, automatisez et optimisez les pipelines de données dans Snowflake avec COPY INTO, Snowpipe, et plus.

Automatisation des pipelines de données dans Snowflake

Essentials for Snowflake SnowPro® Core Certification

`SELECT region, SUM(credits_used), CURRENT_DATE() AS run_date FROM warehouse_usage GROUP BY region`

`WHERE YEAR(dispatch_date) = 2024 AND region = 'EMEA'`

`WHERE CAST(shipment_id AS VARCHAR) = 'SHP-0001'`

Modèles SQL : cache vs élagage

Automatisation des pipelines de données dans Snowflake

Exercice interactif pratique