Dans le premier module, nous examinons les défis analytiques auxquels sont confrontés les analystes de données et comparons les Big data sur site et sur le Cloud. Nous présentons ensuite BigQuery, l'Entrepôt de données d'entreprise de Google Cloud, et passons en revue ses fonctionnalités qui en font une excellente option pour vos besoins en matière d'analyse de données. Enfin, nous nous appuierons sur des cas d'utilisation réels d'entreprises transformées par l'analyse sur le Cloud.

Ce module porte sur l'exploration de vos données à l'aide de SQL, ou Langage de requête structuré. Nous passons d'instructions de sélection très simples à des requêtes plus complexes qui explorent divers ensembles de données.

Dans ce module, nous abordons les principes relatifs à l'intégrité des données, puis nous voyons comment utiliser SQL pour nettoyer, préparer et transformer vos données. La dernière section de ce module présente également brièvement d'autres produits comme Dataprep, Cloud Data Fusion, Dataflow, Dataproc et Dataform qui peuvent aider à la préparation et à la transformation des données.

Ce module traite de l'ingestion et du stockage des données dans le stockage natif de BigQuery. Nous discutons du moment où il faut utiliser les approches Extract and Load, versus Extract, Load and Transform, versus Extract Transform and Load pour charger des données dans BigQuery.Nous couvrons également les sources de données externes, où vous pouvez exécuter votre requête dans BigQuery, mais les données sont hébergées en dehors de BigQuery.

C'est dans ce module que tout le travail d'ingestion, de nettoyage, de préparation et de transformation de vos données porte ses fruits, car vous pouvez visualiser les informations issues de vos données en créant des tableaux de bord et des rapports percutants. Nous commençons par un peu de théorie de la visualisation et quelques bonnes pratiques, puis nous examinons des outils, tels que Looker Studio et Connected Sheets, qui peuvent se connecter à BigQuery et aider à créer des visualisations percutantes pour capturer et transmettre vos informations. Bien que SQL soit un puissant langage de requête, les langages de programmation tels que Python, Java ou R fournissent des syntaxes et un large éventail de fonctions statistiques intégrées que les analystes de données pourraient trouver plus expressives et plus faciles à manipuler pour certains types d'analyse de données. De tels outils incluent des applications web Open Source telles que les Bloc-notes Jupyter, et nous en discutons également.

La création, la maintenance et la gestion des versions des pipelines SQL représentent un travail considérable. Et bien souvent, les analystes de données doivent utiliser plusieurs outils pour y parvenir. Ainsi, dans ce module, nous présentons Dataform, un nouveau produit qui offre une expérience unifiée de bout en bout pour développer, contrôler les versions et orchestrer les pipelines SQL dans BigQuery.

Dans ce module, nous commencerons par expliquer ce qu'est BigQuery Studio et la raison pour laquelle nous l'avons créé. Ensuite, nous décrirons un peu plus en détail toutes les possibilités offertes par BigQuery Studio. Enfin, nous conclurons le module par une démonstration qui vous fera découvrir les fonctionnalités les plus intéressantes et vous montrera comment l'utiliser.

Ce module récapitule les principaux thèmes abordés dans le cours.