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.

Stage, formati di file e COPY INTO

Opzioni

User Stage (@~)

Table Stage (%table_name)

Named Stage (@stage_name)

Classificare i tipi di stage

Gestione errori con COPY INTO

Snowpipe e Snowpipe Streaming

Scegliere il meccanismo di ingestione giusto

COPY INTO

Snowpipe

Snowpipe Streaming

Caratteristiche dei metodi di ingestion

Esportazione dei dati e connettività

Esportare dati su Cloud Storage

Options

Ingestion

Transformation

BI / Reporting

Meccanismi di connettività

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

Crea pipeline dati end-to-end in Snowflake. Impara a ingerire dati con COPY INTO, Snowpipe e Snowpipe Streaming, quindi ad automatizzare i workflow con stream, task e dynamic table. Inoltre, imparerai a interrogare dati semi-strutturati, applicare funzioni finestra e ottimizzare le prestazioni delle query usando gli strumenti di profilazione e i livelli di cache di Snowflake.

Padroneggia gli strumenti e le tecniche per creare pipeline dati affidabili e automatizzate in Snowflake. Inizierai imparando come acquisire dati su larga scala — configurando stage e formati di file, caricando i dati con COPY INTO e scegliendo tra caricamento batch, Snowpipe e Snowpipe Streaming in base ai diversi requisiti di latenza e volume.
Da lì, svilupperai competenze di orchestrazione end-to-end delle pipeline: acquisendo le modifiche a livello di riga con gli stream, concatenando workflow multi-step con i DAG di task e creando pipeline dichiarative, con aggiornamento automatico, tramite tabelle dinamiche. Imparerai anche quando utilizzare tabelle esterne e tabella Iceberg per scenari multi-engine e cloud-native.
La seconda metà del corso affina le tue competenze di query e trasformazione — estraendo e annidando JSON semi-strutturato dalle colonne VARIANT, applicando estensioni di raggruppamento e funzioni finestra per analisi avanzate, e incapsulando logica riutilizzabile in UDF e stored procedure.
Infine, affronterai le prestazioni delle query: leggere il Query Profile di Snowflake per individuare i colli di bottiglia, scegliere lo strumento di ottimizzazione giusto — Search Optimization, Query Acceleration Service, chiavi di clustering o viste materializzate — e scrivere SQL compatibile con la cache che evita i comuni anti-pattern che degradano silenziosamente le prestazioni.

Carica, automatizza e ottimizza pipeline dati in Snowflake con COPY INTO, Snowpipe, stream e task.

Automazione delle pipeline dati in Snowflake

Essentials for Snowflake SnowPro® Core Certification

Ideale per carichi batch notturni quando sono accettabili alcune ore di latenza

Eseguito su richiesta o attivato da uno scheduler esterno

Si attiva automaticamente quando un nuovo file arriva in un bucket di cloud storage

Carica i dati entro pochi minuti dall’arrivo dei file in uno stage

Accetta righe direttamente da un’applicazione senza fare staging dei file prima

Latenza misurata in secondi, non in minuti

Caratteristiche dei metodi di ingestion

Automazione delle pipeline dati in Snowflake

Esercizio pratico interattivo