Beheers Snowflake's data-innamepijplijn — van het steken van bestanden in stages via COPY INTO, Snowpipe en Snowpipe Streaming — en koppel Snowflake aan het bredere data-ecosysteem via connectors, drivers en exporttools.

Stages, bestandsindelingen en COPY INTO

Stagetypen classificeren

Foutafhandeling met COPY INTO

Snowpipe en Snowpipe Streaming

De juiste ingestiemethode kiezen

Kenmerken van laadmethoden

Data exporteren en connectiviteit

Data uitladen naar cloudopslag

Connectiviteitsmechanismen

Data laden, inname en connectiviteit

Bouw robuuste datapijplijnen met Snowflake-native orkestratie — streams voor het vastleggen van wijzigingen, tasks voor planning, dynamische tabellen voor declaratieve transformatie, en externe en Iceberg-tabellen voor opslag in open formaat.

Streams en Change Data Capture

Een stream bevragen

De juiste streamtype kiezen

Tasks en DAG-orkestratie

Taakplanning en afhankelijkheden

Warehouse-based vs. Serverless-taken

Dynamische tabellen

Dynamic Table TARGET_LAG en verversen

De juiste orkestratiemechanismen kiezen

Een end-to-end-pijplijn ontwerpen

External en Iceberg-tabellen

Wanneer gebruik je externe tabellen

Tabeltypen per opslag en engine

Pipeline-orkestratie en data-objecten

Query semi-gestructureerde JSON met dotnotatie en FLATTEN, aggregeer data met GROUPING SETS, ROLLUP en CUBE, bereken windowfuncties, en kapsel herbruikbare logica in UDF's en stored procedures in.

Semi-gestructureerde data opvragen

Geneste velden extraheren

JSON-arrays unnesten

Gemiddelde aggregatiefuncties

Een ROLLUP-query schrijven

De juiste grouping-extensie kiezen

Vensterfuncties

Records rangschikken met ROW_NUMBER

RANK vs DENSE_RANK

Period-over-period-verandering met LAG

Doorlopende totalen met SUM

User-Defined Functions en stored procedures

Een SQL UDF maken en aanroepen

UDF vs Stored Procedure

Data opvragen en transformeren

Profileer queries in Snowsight, identificeer knelpunten met QUERY_HISTORY, pas Search Optimization, Query Acceleration Service, Automatic Clustering en Materialized Views toe, en schrijf SQL die profiteert van Snowflake's drie cachinglagen.

Queryprofiel, -geschiedenis en inzichten

Navigeren in Query Profile

Queries identificeren met QUERY_HISTORY

Langzame queries onderzoeken

Optimalisatiemethoden

Opties

Search Optimization

Query Acceleration Service (QAS)

Automatic Clustering

Optimalisatietools koppelen aan querypatronen

Kiezen tussen optimalisatietools

Welke methode werkt het best

Hoe caching werkt in Snowflake

De cachinglaag identificeren

Verbreekt hergebruik van result cache

Voorkomt partition pruning

SQL-patronen: cache vs. pruning

Gefeliciteerd!

Queryprestaties en optimalisatie

Bouw end-to-end datapijplijnen in Snowflake. Leer data inladen met COPY INTO, Snowpipe en Snowpipe Streaming, en automatiseer vervolgens workflows met streams, tasks en dynamische tabellen. Je leert ook semi-gestructureerde data te query'en, windowfuncties toe te passen en queryprestaties te optimaliseren met de profilingtools en cachinglagen van Snowflake.

Beheers de tools en technieken voor het bouwen van betrouwbare, geautomatiseerde datapijplijnen in Snowflake. Je begint met het leren hoe je data op schaal kunt inladen — stages en bestandsindelingen configureren, data laden met COPY INTO, en kiezen tussen batchladen, Snowpipe en Snowpipe Streaming voor verschillende vereisten op het gebied van latency en volume.
Van daaruit ontwikkel je end-to-end pipeline-orchestratievaardigheden: rij-niveau wijzigingen vastleggen met streams, meerstapsworkflows koppelen met task DAG's en declaratieve, automatisch vernieuwde pipelines maken met dynamische tabellen. Je leert ook wanneer je externe en Iceberg-tabellen moet gebruiken voor multi-engine- en cloud-native scenario's.
De tweede helft van de cursus scherpt je query- en transformatieskills aan — semi-gestructureerde JSON uit VARIANT-kolommen extraheren en unnesten, grouping extensions en windowfuncties toepassen voor geavanceerde analyses, en herbruikbare logica encapsuleren in UDF’s en stored procedures.
Ten slotte pak je queryprestaties aan: je leert Snowflake's Query Profile lezen om knelpunten te pinpointen, het juiste optimalisatietool te kiezen — Search Optimization, Query Acceleration Service, clustering keys of materialized views — en cachevriendelijke SQL te schrijven die de veelvoorkomende anti-patronen vermijdt die de prestaties stilletjes verslechteren.

Laad, automatiseer en optimaliseer gegevenspijplijnen in Snowflake met COPY INTO, Snowpipe, streams en taken.

Automatisering van datapijplijnen in Snowflake

Laad, automatiseer en optimaliseer datapijplijnen in Snowflake met COPY INTO, Snowpipe, streams, tasks, dynamische tabellen en queryprestatiehulpmiddelen.

Essentials for Snowflake SnowPro® Core Certification

Queries die filteren op shipment_id = 'SHP-12345' over een tabel met 500 miljoen rijen

Point-lookups op een UUID-kolom carrier_id die één of twee rijen teruggeven

Eenmalige aggregatiequeries door finance die onvoorspelbaar 18 maanden aan bezorgdata scannen

Ad-hocrapporten die zonder waarschuwing binnenkomen en het warehouse op maandagochtend overweldigen

Elke dashboardquery filtert delivery_events op region en dispatch_date

Een tabel met 300 miljoen rijen waar 90% van de queries filtert op dezelfde datumreeks-kolom

Optimalisatietools koppelen aan querypatronen

Automatisering van datapijplijnen in Snowflake

Interactieve oefening met praktijkervaring