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 Kueri, Riwayat, dan Insight

Menavigasi Query Profile

Mengidentifikasi kueri dengan QUERY_HISTORY

Menyelidiki kueri lambat

Metode Optimisasi

Options

Search Optimization

Query Acceleration Service (QAS)

Automatic Clustering

Mencocokkan Alat Optimisasi dengan Pola Kueri

Memilih Antara Alat Optimasi

Metode Mana yang Paling Tepat

Cara Kerja Caching di Snowflake

Mengidentifikasi Lapisan Cache

Opsi

Memutus pemanfaatan ulang result cache

Mencegah partition pruning

Pola SQL: Cache vs Pruning

Selamat!

Query Performance and Optimization

Bangun pipeline data ujung ke ujung di Snowflake. Pelajari cara mengimpor data menggunakan COPY INTO, Snowpipe, dan Snowpipe Streaming, lalu otomatisasikan alur kerja dengan streams, tasks, dan dynamic tables. Anda juga akan menguasai kueri data semi-terstruktur, menerapkan window functions, dan mengoptimalkan kinerja kueri menggunakan alat pemprofilan serta lapisan cache Snowflake.

Kuasai alat dan teknik untuk membangun pipeline data yang andal dan otomatis di Snowflake. Anda akan mulai dengan mempelajari cara mengingest data dalam skala besar — mengonfigurasi stage dan format file, memuat data dengan COPY INTO, serta memilih antara batch loading, Snowpipe, dan Snowpipe Streaming untuk berbagai kebutuhan latensi dan volume.
Dari sana, Anda akan membangun keterampilan orkestrasi pipeline end-to-end: menangkap perubahan tingkat baris dengan stream, merangkai alur kerja multi-langkah dengan DAG tugas, dan membuat pipeline deklaratif yang diperbarui otomatis dengan dynamic tables. Anda juga akan mempelajari kapan harus menggunakan tabel eksternal dan Iceberg untuk skenario multi-engine dan cloud-native.
Paruh kedua kursus ini mempertajam keterampilan kueri dan transformasi Anda — mengekstrak dan meng-unnest JSON semi-terstruktur dari kolom VARIANT, menerapkan ekstensi pengelompokan dan fungsi window untuk analitik lanjutan, serta mengenkapsulasi logika yang dapat digunakan kembali dalam UDF dan stored procedure.
Akhirnya, Anda akan menangani performa query: membaca Query Profile Snowflake untuk mengidentifikasi hambatan, memilih alat optimasi yang tepat — Search Optimization, Query Acceleration Service, clustering keys, atau materialized views — dan menulis SQL yang ramah cache yang menghindari anti-pola umum yang diam-diam menurunkan performa.

Muat, otomatisasi, dan optimalkan pipeline data di Snowflake dengan COPY INTO, Snowpipe, stream, dan tugas.

Otomatisasi Pipeline Data di Snowflake

Muat, otomatisasi, dan optimalkan pipeline data di Snowflake menggunakan COPY INTO, Snowpipe, streams, tasks, dynamic tables, dan alat performa kueri.

Essentials for Snowflake SnowPro® Core Certification

Kueri yang memfilter shipment_id = 'SHP-12345' pada tabel berisi 500 juta baris

Pencarian titik pada kolom UUID carrier_id yang mengembalikan satu atau dua baris

Kueri agregasi satu kali dari tim finance yang memindai 18 bulan data pengiriman secara tidak terduga

Laporan ad-hoc yang datang tanpa pemberitahuan dan membebani warehouse pada Senin pagi

Setiap kueri dasbor memfilter delivery_events berdasarkan region dan dispatch_date

Tabel berisi 300 juta baris di mana 90% kueri memfilter pada kolom rentang tanggal yang sama

Mencocokkan Alat Optimisasi dengan Pola Kueri

Otomatisasi Pipeline Data di Snowflake

Latihan interaktif praktis