Im ersten Modul befassen wir uns mit den analytischen Herausforderungen, mit denen Fachkräfte für Datenanalyse konfrontiert sind, und vergleichen Big Data vor Ort und in der Cloud. Anschließend stellen wir BigQuery vor, das Enterprise Data Warehouse von Google Cloud, und besprechen die Funktionen, die BigQuery zu einer hervorragenden Option für Ihre Data Analytics-Anforderungen machen. Und schließlich werden wir von realen Anwendungsfällen von Unternehmen lernen, die durch Analysen in der Cloud transformiert wurden.

In diesem Modul geht es um die Untersuchung Ihrer Daten mit SQL, der strukturierten Abfragesprache. Wir gehen von sehr einfachen Select-Anweisungen zu komplexeren Abfragen, die verschiedene Datensätze untersuchen.

In diesem Modul werden die Grundsätze der Datenintegrität erörtert, und anschließend wird erläutert, wie Sie SQL zum Bereinigen, Vorbereiten und Umwandeln Ihrer Daten verwenden können. Im letzten Abschnitt dieses Moduls werden auch andere Produkte wie Dataprep, Cloud Data Fusion, Dataflow, Dataproc und Dataform kurz vorgestellt, die bei der Datenvorbereitung und -umwandlung helfen können.

In diesem Modul geht es um das Einlesen und Speichern von Daten in den nativen Speicher von BigQuery. Wir erörtern, wann Extrahieren und Laden und wann Extrahieren, Laden und Transformieren und wann Extrahieren, Transformieren und Laden für das Laden von Daten in BigQuery verwendet werden sollten und behandeln auch externe Datenquellen, bei denen Sie Ihre Abfrage in BigQuery ausführen können, die Daten aber außerhalb von BigQuery gehostet werden.

In diesem Modul kommt all die harte Arbeit rund um das Einlesen, Bereinigen, Aufbereiten und Umwandeln Ihrer Daten zum Tragen, denn Sie können die Erkenntnisse aus Ihren Daten visualisieren, indem Sie aufschlussreiche Dashboards und Berichte erstellen. Wir beginnen mit einer kleinen Visualisierungstheorie und einigen Best Practices und sehen uns dann Tools wie Looker Studio und Connected Sheets an, die mit BigQuery verbunden werden können und dabei helfen, beeindruckende Visualisierungen zu erstellen, um Ihre Erkenntnisse zu erfassen und zu vermitteln. Obwohl SQL eine leistungsstarke Abfragesprache ist, bieten Programmiersprachen wie Python, Java oder R Syntaxen und eine große Auswahl an integrierten statistischen Funktionen, die Fachkräfte für Datenanalyse möglicherweise als aussagekräftiger und einfacher zu handhaben empfinden. Zu diesen Tools gehören auch webbasierte Open Source-Anwendungen wie Jupyter Notebooks, auf die wir ebenfalls eingehen.

Die Erstellung, Pflege und Versionierung von SQL-Pipelines ist harte Arbeit. Und oft müssen Fachkräfte für Datenanalyse mehrere Tools verwenden, um dies zu erreichen. In diesem Modul stellen wir Dataform vor, ein neues Produkt, das eine einheitliche End-to-End-Lösung für die Entwicklung, Versionskontrolle und Orchestrierung von SQL-Pipelines in BigQuery bietet.

In diesem Modul werden wir zunächst darüber sprechen, was BigQuery Studio ist und warum wir es entwickelt haben. Als Nächstes beschreiben wir die großartigen Funktionen von BigQuery Studio etwas ausführlicher. Am Ende schließen wir das Modul mit einer Demo ab, in der wir Ihnen die coolen Funktionen vorstellen und Ihnen zeigen, wie Sie sie verwenden können.

Dieses Modul fasst die wichtigsten im Kurs behandelten Themen zusammen.