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.

Stream e Change Data Capture

Interrogare uno Stream

Scegliere il tipo di stream giusto

Task e orchestrazione dei DAG

Pianificazione dei task e dipendenze

Opzioni

Attività basata su warehouse

Attività serverless

Attività basate su warehouse vs serverless

Tabelle dinamiche

TARGET_LAG e refresh delle Dynamic Table

Stream + Task

Dynamic Tables

Entrambi

Scegliere il meccanismo di orchestrazione

Progettare una pipeline end-to-end

Tabelle esterne e Iceberg

Quando usare le External Tables

Tabella Snowflake nativa

Tabella esterna

Tabella Iceberg

Tipi di tabelle per storage e motore

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

Dati archiviati in micro-partizioni gestite da Snowflake con pruning completo delle partizioni

Accesso completo in lettura e scrittura via SQL; Snowflake gestisce compressione e clustering

I dati restano nell'object storage del cloud; Snowflake legge i file al momento della query

Le prestazioni della query dipendono dalle colonne di partizione derivate dalla struttura del percorso dei file

Archiviata come file Parquet con un livello di metadati; leggibile da Spark, Flink e Trino senza conversione

I dati non sono vincolati a un singolo motore di query

Tipi di tabelle per storage e motore

Automazione delle pipeline dati in Snowflake

Esercizio pratico interattivo