{"course":{"productid":35251,"modality":1,"active":true,"language":"de","title":"Data Warehousing for Partners","productcode":"DWP","vendorcode":"GO","vendorname":"Google","fullproductcode":"GO-DWP","courseware":{"has_ekit":false,"has_printkit":true,"language":""},"url":"https:\/\/portal.flane.ch\/course\/google-dwp","objective":"<ul>\n<li>Diskussion der Schl&uuml;sselelemente des Google Data Warehouse-L&ouml;sungsportfolios und der Strategie.<\/li><li>Abbildung der Konzepte und Komponenten von Enterprise Data Warehouses auf BigQuery und Google-Datendienste.<\/li><li>Identifizierung von Best Practices f&uuml;r die Migration von Data Warehouses zu BigQuery und Demonstration der wichtigsten F&auml;higkeiten, die f&uuml;r eine erfolgreiche Migration erforderlich sind.<\/li><li>Implementieren Sie Datenlade- und -umwandlungspipelines f&uuml;r ein BigQuery Data Warehouse unter Verwendung der Datenverarbeitungs- und Integrationsdienste von Google.<\/li><li>Implementierung einer Streaming-Analyse-L&ouml;sung mit Pub\/Sub, Dataflow und BigQuery.<\/li><li>Verwenden Sie Looker und LookML, um Berichte zu erstellen und Einblicke zu gewinnen.<\/li><li>Entdecken Sie die GIS-, GIS-Visualisierungs- und Machine Learning-Erweiterungen von BigQuery.<\/li><\/ul>","essentials":"<p><strong>Erforderlich:<\/strong>\n<\/p>\n<ul>\n<li>Sie haben die Schulung Data Engineering on Google Cloud abgeschlossen.<\/li><li>Sie sind ein Google Cloud Certified Professional Data Engineer oder verf&uuml;gen &uuml;ber gleichwertige Kenntnisse im Bereich Data Engineering.<\/li><li>Sie haben Zugang zu Cloud Connect - Partner.<\/li><\/ul><p><strong>Empfohlen:<\/strong>\n<\/p>\n<ul>\n<li>Erfahrung im Aufbau von Datenverarbeitungspipelines.<\/li><li>Erfahrung mit Apache Beam und Apache Hadoop.<\/li><li>Programmierkenntnisse in Java oder Python.<\/li><\/ul><p><strong>Organisatorische Anforderungen:<\/strong>\n<\/p>\n<ul>\n<li>Die Cloud-Partner-Organisation muss zuvor mindestens eine Data-Warehouse-L&ouml;sung auf einer beliebigen Data-Warehouse-Plattform implementiert haben.<\/li><\/ul>","audience":"<p>Die Hauptzielgruppe f&uuml;r diesen Kurs sind Google Cloud Partner mit den folgenden relevanten Aufgabenbereichen:\n<\/p>\n<ul>\n<li>Data Warehouse-Entwicklungsingenieure<\/li><li>Data-Warehouse-Berater<\/li><li>Data-Warehouse-Architekten<\/li><\/ul><p>Auch wenn diese Rollen nicht zur Kernzielgruppe geh&ouml;ren, kann der Kurs f&uuml;r sie relevant sein, wenn sie die Anforderungen erf&uuml;llen:\n<\/p>\n<ul>\n<li>Technische Projektleiter<\/li><li>Technische Projektleiter<\/li><li>Daten-\/Business-Analysten<\/li><\/ul>","outline":"<h4>Modul 1 - Data Warehouse-L&ouml;sungen in der Google Cloud<\/h4><p>\n<strong>Themen:<\/strong>\n<\/p>\n<ul>\n<li>Implementierung von Big Data-L&ouml;sungen in der Google Cloud<\/li><li>Kundenbed&uuml;rfnisse<\/li><li>Beispiel-Architekturen<\/li><li>Migrationsstrategien und -planung<\/li><li>Arbeiten mit PSO<\/li><\/ul><p><strong>Zielsetzungen:<\/strong>\n<\/p>\n<ul>\n<li>Beschreiben Sie das Google-Portfolio an Data Warehouse- und Datenverarbeitungsdiensten<\/li><li>Identifizierung der Google-Strategie f&uuml;r Data Warehouse-Produkte und -Dienstleistungen<\/li><li>Suche nach technischen Ressourcen f&uuml;r Data Warehouse-Partner<\/li><\/ul><h4>Modul 2 - BigQuery f&uuml;r Data Warehousing-Profis<\/h4><p>\n<strong>Themen:<\/strong>\n<\/p>\n<ul>\n<li>BigQuery-Konzepte<\/li><li>BigQuery-Berechtigungen und Sicherheit<\/li><li>&Uuml;berwachung und Rechnungspr&uuml;fung<\/li><li>Schema-Entwurf<\/li><li>Partitionierung und Clustering<\/li><li>Datenerfassung und Ladeauftr&auml;ge<\/li><li>Umgang mit Ver&auml;nderungen und langsam wechselnden Dimensionen<\/li><li>Daten abfragen<\/li><li>Verwaltung von Arbeitslasten und Gleichzeitigkeit<\/li><li>Analysieren von Daten<\/li><li>Dimensionierung und Kostenmanagement<\/li><li>Optimierung von Abfragen<\/li><li>Optimierung der Speicherung<\/li><\/ul><p><strong>Zielsetzungen:<\/strong>\n<\/p>\n<ul>\n<li>Beschreiben Sie die Schl&uuml;sselkomponenten einer erfolgreichen Data Warehouse-Implementierung auf BigQuery<\/li><li>Identifizieren von Best Practices f&uuml;r die Implementierung eines Data Warehouse mit BigQuery<\/li><li>Verwenden Sie die Google Cloud-Konsole f&uuml;r den Zugriff auf &ouml;ffentliche Datens&auml;tze<\/li><li>Durchf&uuml;hrung von Abfragen &uuml;ber die Konsole und Analyse der Abfrageergebnisse mit Hilfe von Client-Bibliotheken<\/li><li>Kombinieren Sie E-Commerce-Datens&auml;tze, um erweiterte Datens&auml;tze mit BigQuery-Joins und Unions zu erstellen.<\/li><\/ul><h4>Modul 3 - Umstellung auf BigQuery<\/h4><p>\n<strong>Themen:<\/strong>\n<\/p>\n<ul>\n<li>Phasen der Migration<\/li><li>Sicherheit<\/li><li>Google Cloud Data Warehouse Architektur<\/li><li>Postmigration<\/li><li>Benutzerakzeptanz<\/li><\/ul><p><strong>Zielsetzungen:<\/strong>\n<\/p>\n<ul>\n<li>Bewertung eines bestehenden Data Warehouse und Entwicklung einer Strategie f&uuml;r die Migration zu BigQuery<\/li><li>Beschreiben Sie bew&auml;hrte Verfahren f&uuml;r die Migration bestehender Data Warehouses zu BigQuery<\/li><li>Identifizierung der wichtigsten Ressourcen, Tools und Partner f&uuml;r die Migration zu BigQuery<\/li><li>Migrieren von SQL Server-Beispieldaten zu BigQuery mit Striim<\/li><li>Ermittlung von Ressourcen zur &Uuml;bersetzung produktspezifischer SQL-Abfragen in BigQuery Standard SQL<\/li><\/ul><h4>Modul 4 - ETL-Werkzeuge und Positionierung<\/h4><p>\n<strong>Themen:<\/strong>\n<\/p>\n<ul>\n<li>Dataproc<\/li><li>Cloud Data Fushion<\/li><li>Datenfluss<\/li><\/ul><p><strong>Zielsetzungen:<\/strong>\n<\/p>\n<ul>\n<li>Beschreiben Sie die wichtigsten Funktionen von Dataproc, Cloud Data Fusion und Dataflow<\/li><li>Apache Spark-Auftr&auml;ge zu Dataproc migrieren<\/li><li>Best Practices f&uuml;r die Erstellung von Dataflow-Workflows mithilfe von Dataflow-Vorlagen ermitteln<\/li><li>Konfigurieren Sie Cloud Data Fusion, um eine Datenumwandlungspipeline zu erstellen, die mehrere Quellen mit BigQuery als Ausgabedaten-Senke verbindet.<\/li><li>Erstellen von Datenpipelines, die Daten aus dem Cloud-Speicher in BigQuery mithilfe von Dataflow einlesen<\/li><\/ul><h4>Modul 5 - Streaming-Analytik<\/h4><p>\n<strong>Themen:<\/strong>\n<\/p>\n<ul>\n<li>Warum Streaming-Analytik?<\/li><li>Der Pub\/Sub-Dienst<\/li><li>Datenflussfenster und Ausl&ouml;ser<\/li><li>Datenfluss-Quellen und -Senken<\/li><li>Herausforderungen bei Migration und &Uuml;bernahme<\/li><\/ul><p><strong>Zielsetzungen:<\/strong>\n<\/p>\n<ul>\n<li>Identifizierung der Komponenten einer Streaming-Analytics-L&ouml;sung in der Google Cloud<\/li><li>Erstellen einer IoT-Streaming-Pipeline mit Pub\/Sub und Kafka<\/li><li>Erforschung von Entwurfsmustern und Optimierungs&uuml;berlegungen f&uuml;r Streaming-Analytics-L&ouml;sungen<\/li><li>Erstellen und Ausf&uuml;hren einer Streaming-Dataflow-Pipeline, die Daten von Pub\/Sub zu BigQuery &uuml;bertr&auml;gt, unter Verwendung einer Dataflow-Vorlage<\/li><\/ul><h4>Modul 6 - Einf&uuml;hrung in Looker als Datenplattform<\/h4><p>\n<strong>Themen:<\/strong>\n<\/p>\n<ul>\n<li>&Uuml;berblick &uuml;ber die Looker-Plattform<\/li><li>Architektur der Looker-Plattform<\/li><li>Paradigmenwechsel: Modellierungssprache versus hartkodiertes SQL<\/li><li>Analytische Kernkonzepte<\/li><\/ul><p><strong>Zielsetzungen:<\/strong>\n<\/p>\n<ul>\n<li>Navigieren auf der Looker-Plattform<\/li><li>Beschreiben Sie die Architektur der Looker-Plattform<\/li><li>Entdecken Sie die Vorteile der Looker Modeling Language (LookML) gegen&uuml;ber hart kodiertem SQL<\/li><li>Beschreiben Sie die vier wichtigsten analytischen Konzepte in Looker<\/li><li>Analysieren und Visualisieren von Daten mit Explores in Looker<\/li><\/ul><h4>Modul 7 - Erweiterte BigQuery-Funktionen<\/h4><p>\n<strong>Themen:<\/strong>\n<\/p>\n<ul>\n<li>BigQuery GIS<\/li><li>BigQuery ML<\/li><\/ul><p><strong>Zielsetzungen:<\/strong>\n<\/p>\n<ul>\n<li>Beschreiben Sie die Hauptmerkmale von BigQuery GIS und BigQuery ML<\/li><li>Analysieren Sie Daten mit BigQuery-GIS-Funktionen und visualisieren Sie die Ergebnisse mit BigQuery Geo Viz<\/li><li>Trainieren und Bewerten eines ML-Modells mit BigQuery ML zur Vorhersage von Taxitarifen<\/li><\/ul>","comments":"<p><em>Dieser Text wurde automatisiert &uuml;bersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <span class=\"cms-link-marked\"><a class=\"fl-href-prod\" href=\"\/swisscom\/en\/course\/google-dwp\"><svg role=\"img\" aria-hidden=\"true\" focusable=\"false\" data-nosnippet class=\"cms-linkmark\"><use xlink:href=\"\/css\/img\/icnset-linkmarks.svg#linkmark\"><\/use><\/svg>hier<\/a><\/span>.<\/em><\/p>","summary":"<p>Dieser technische Deep-Dive-Kurs bietet technische Schulungen f&uuml;r Enterprise Data Warehouses (EDW)-L&ouml;sungen mit BigQuery.<\/p>\n<p>Der Kurs bietet Anleitung und Schulung zu technischen Herausforderungen, die bei der Migration bestehender EDW- und ETL-Pipelines zu Google Cloud auftreten k&ouml;nnen. Die Teilnehmer erhalten praktische Erfahrungen mit realen Migrationsaufgaben, wie z. B. Datenmigration, Schemaoptimierung und Konvertierung und Optimierung von SQL-Abfragen.<\/p>\n<p>Der Kurs behandelt auch die wichtigsten Aspekte der Migration von ETL-Pipelines auf Dataproc und die Verwendung von Pub\/Sub, Dataflow und Cloud Data Fusion.<\/p>","objective_plain":"- Diskussion der Schl\u00fcsselelemente des Google Data Warehouse-L\u00f6sungsportfolios und der Strategie.\n- Abbildung der Konzepte und Komponenten von Enterprise Data Warehouses auf BigQuery und Google-Datendienste.\n- Identifizierung von Best Practices f\u00fcr die Migration von Data Warehouses zu BigQuery und Demonstration der wichtigsten F\u00e4higkeiten, die f\u00fcr eine erfolgreiche Migration erforderlich sind.\n- Implementieren Sie Datenlade- und -umwandlungspipelines f\u00fcr ein BigQuery Data Warehouse unter Verwendung der Datenverarbeitungs- und Integrationsdienste von Google.\n- Implementierung einer Streaming-Analyse-L\u00f6sung mit Pub\/Sub, Dataflow und BigQuery.\n- Verwenden Sie Looker und LookML, um Berichte zu erstellen und Einblicke zu gewinnen.\n- Entdecken Sie die GIS-, GIS-Visualisierungs- und Machine Learning-Erweiterungen von BigQuery.","essentials_plain":"Erforderlich:\n\n\n\n- Sie haben die Schulung Data Engineering on Google Cloud abgeschlossen.\n- Sie sind ein Google Cloud Certified Professional Data Engineer oder verf\u00fcgen \u00fcber gleichwertige Kenntnisse im Bereich Data Engineering.\n- Sie haben Zugang zu Cloud Connect - Partner.\nEmpfohlen:\n\n\n\n- Erfahrung im Aufbau von Datenverarbeitungspipelines.\n- Erfahrung mit Apache Beam und Apache Hadoop.\n- Programmierkenntnisse in Java oder Python.\nOrganisatorische Anforderungen:\n\n\n\n- Die Cloud-Partner-Organisation muss zuvor mindestens eine Data-Warehouse-L\u00f6sung auf einer beliebigen Data-Warehouse-Plattform implementiert haben.","audience_plain":"Die Hauptzielgruppe f\u00fcr diesen Kurs sind Google Cloud Partner mit den folgenden relevanten Aufgabenbereichen:\n\n\n\n- Data Warehouse-Entwicklungsingenieure\n- Data-Warehouse-Berater\n- Data-Warehouse-Architekten\nAuch wenn diese Rollen nicht zur Kernzielgruppe geh\u00f6ren, kann der Kurs f\u00fcr sie relevant sein, wenn sie die Anforderungen erf\u00fcllen:\n\n\n\n- Technische Projektleiter\n- Technische Projektleiter\n- Daten-\/Business-Analysten","outline_plain":"Modul 1 - Data Warehouse-L\u00f6sungen in der Google Cloud\n\n\nThemen:\n\n\n\n- Implementierung von Big Data-L\u00f6sungen in der Google Cloud\n- Kundenbed\u00fcrfnisse\n- Beispiel-Architekturen\n- Migrationsstrategien und -planung\n- Arbeiten mit PSO\nZielsetzungen:\n\n\n\n- Beschreiben Sie das Google-Portfolio an Data Warehouse- und Datenverarbeitungsdiensten\n- Identifizierung der Google-Strategie f\u00fcr Data Warehouse-Produkte und -Dienstleistungen\n- Suche nach technischen Ressourcen f\u00fcr Data Warehouse-Partner\nModul 2 - BigQuery f\u00fcr Data Warehousing-Profis\n\n\nThemen:\n\n\n\n- BigQuery-Konzepte\n- BigQuery-Berechtigungen und Sicherheit\n- \u00dcberwachung und Rechnungspr\u00fcfung\n- Schema-Entwurf\n- Partitionierung und Clustering\n- Datenerfassung und Ladeauftr\u00e4ge\n- Umgang mit Ver\u00e4nderungen und langsam wechselnden Dimensionen\n- Daten abfragen\n- Verwaltung von Arbeitslasten und Gleichzeitigkeit\n- Analysieren von Daten\n- Dimensionierung und Kostenmanagement\n- Optimierung von Abfragen\n- Optimierung der Speicherung\nZielsetzungen:\n\n\n\n- Beschreiben Sie die Schl\u00fcsselkomponenten einer erfolgreichen Data Warehouse-Implementierung auf BigQuery\n- Identifizieren von Best Practices f\u00fcr die Implementierung eines Data Warehouse mit BigQuery\n- Verwenden Sie die Google Cloud-Konsole f\u00fcr den Zugriff auf \u00f6ffentliche Datens\u00e4tze\n- Durchf\u00fchrung von Abfragen \u00fcber die Konsole und Analyse der Abfrageergebnisse mit Hilfe von Client-Bibliotheken\n- Kombinieren Sie E-Commerce-Datens\u00e4tze, um erweiterte Datens\u00e4tze mit BigQuery-Joins und Unions zu erstellen.\nModul 3 - Umstellung auf BigQuery\n\n\nThemen:\n\n\n\n- Phasen der Migration\n- Sicherheit\n- Google Cloud Data Warehouse Architektur\n- Postmigration\n- Benutzerakzeptanz\nZielsetzungen:\n\n\n\n- Bewertung eines bestehenden Data Warehouse und Entwicklung einer Strategie f\u00fcr die Migration zu BigQuery\n- Beschreiben Sie bew\u00e4hrte Verfahren f\u00fcr die Migration bestehender Data Warehouses zu BigQuery\n- Identifizierung der wichtigsten Ressourcen, Tools und Partner f\u00fcr die Migration zu BigQuery\n- Migrieren von SQL Server-Beispieldaten zu BigQuery mit Striim\n- Ermittlung von Ressourcen zur \u00dcbersetzung produktspezifischer SQL-Abfragen in BigQuery Standard SQL\nModul 4 - ETL-Werkzeuge und Positionierung\n\n\nThemen:\n\n\n\n- Dataproc\n- Cloud Data Fushion\n- Datenfluss\nZielsetzungen:\n\n\n\n- Beschreiben Sie die wichtigsten Funktionen von Dataproc, Cloud Data Fusion und Dataflow\n- Apache Spark-Auftr\u00e4ge zu Dataproc migrieren\n- Best Practices f\u00fcr die Erstellung von Dataflow-Workflows mithilfe von Dataflow-Vorlagen ermitteln\n- Konfigurieren Sie Cloud Data Fusion, um eine Datenumwandlungspipeline zu erstellen, die mehrere Quellen mit BigQuery als Ausgabedaten-Senke verbindet.\n- Erstellen von Datenpipelines, die Daten aus dem Cloud-Speicher in BigQuery mithilfe von Dataflow einlesen\nModul 5 - Streaming-Analytik\n\n\nThemen:\n\n\n\n- Warum Streaming-Analytik?\n- Der Pub\/Sub-Dienst\n- Datenflussfenster und Ausl\u00f6ser\n- Datenfluss-Quellen und -Senken\n- Herausforderungen bei Migration und \u00dcbernahme\nZielsetzungen:\n\n\n\n- Identifizierung der Komponenten einer Streaming-Analytics-L\u00f6sung in der Google Cloud\n- Erstellen einer IoT-Streaming-Pipeline mit Pub\/Sub und Kafka\n- Erforschung von Entwurfsmustern und Optimierungs\u00fcberlegungen f\u00fcr Streaming-Analytics-L\u00f6sungen\n- Erstellen und Ausf\u00fchren einer Streaming-Dataflow-Pipeline, die Daten von Pub\/Sub zu BigQuery \u00fcbertr\u00e4gt, unter Verwendung einer Dataflow-Vorlage\nModul 6 - Einf\u00fchrung in Looker als Datenplattform\n\n\nThemen:\n\n\n\n- \u00dcberblick \u00fcber die Looker-Plattform\n- Architektur der Looker-Plattform\n- Paradigmenwechsel: Modellierungssprache versus hartkodiertes SQL\n- Analytische Kernkonzepte\nZielsetzungen:\n\n\n\n- Navigieren auf der Looker-Plattform\n- Beschreiben Sie die Architektur der Looker-Plattform\n- Entdecken Sie die Vorteile der Looker Modeling Language (LookML) gegen\u00fcber hart kodiertem SQL\n- Beschreiben Sie die vier wichtigsten analytischen Konzepte in Looker\n- Analysieren und Visualisieren von Daten mit Explores in Looker\nModul 7 - Erweiterte BigQuery-Funktionen\n\n\nThemen:\n\n\n\n- BigQuery GIS\n- BigQuery ML\nZielsetzungen:\n\n\n\n- Beschreiben Sie die Hauptmerkmale von BigQuery GIS und BigQuery ML\n- Analysieren Sie Daten mit BigQuery-GIS-Funktionen und visualisieren Sie die Ergebnisse mit BigQuery Geo Viz\n- Trainieren und Bewerten eines ML-Modells mit BigQuery ML zur Vorhersage von Taxitarifen","comments_plain":"Dieser Text wurde automatisiert \u00fcbersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.","summary_plain":"Dieser technische Deep-Dive-Kurs bietet technische Schulungen f\u00fcr Enterprise Data Warehouses (EDW)-L\u00f6sungen mit BigQuery.\n\nDer Kurs bietet Anleitung und Schulung zu technischen Herausforderungen, die bei der Migration bestehender EDW- und ETL-Pipelines zu Google Cloud auftreten k\u00f6nnen. Die Teilnehmer erhalten praktische Erfahrungen mit realen Migrationsaufgaben, wie z. B. Datenmigration, Schemaoptimierung und Konvertierung und Optimierung von SQL-Abfragen.\n\nDer Kurs behandelt auch die wichtigsten Aspekte der Migration von ETL-Pipelines auf Dataproc und die Verwendung von Pub\/Sub, Dataflow und Cloud Data Fusion.","skill_level":"Intermediate","version":"1.6.2","duration":{"unit":"d","value":4,"formatted":"4 Tage"},"pricelist":{"List Price":{"US":{"country":"US","currency":"USD","taxrate":null,"price":2495},"IT":{"country":"IT","currency":"EUR","taxrate":20,"price":2600},"DE":{"country":"DE","currency":"EUR","taxrate":19,"price":2600},"SE":{"country":"SE","currency":"EUR","taxrate":25,"price":2600},"GB":{"country":"GB","currency":"GBP","taxrate":20,"price":2640},"AT":{"country":"AT","currency":"EUR","taxrate":20,"price":2600},"CA":{"country":"CA","currency":"CAD","taxrate":null,"price":3445},"FR":{"country":"FR","currency":"EUR","taxrate":19.6,"price":3170},"CH":{"country":"CH","currency":"CHF","taxrate":8.1,"price":2600}}},"lastchanged":"2025-09-30T15:54:54+02:00","parenturl":"https:\/\/portal.flane.ch\/swisscom\/json-courses","nexturl_course_schedule":"https:\/\/portal.flane.ch\/swisscom\/json-course-schedule\/35251","source_lang":"de","source":"https:\/\/portal.flane.ch\/swisscom\/json-course\/google-dwp"}}