Dans le premier module, nous allons aborder les problématiques d'analyse rencontrées par les analystes de données, et comparer le big data sur site au big data dans le cloud. Nous allons ensuite présenter BigQuery, l'entrepôt de données d'entreprise de Google Cloud, et passer en revue les fonctionnalités qui en font une solution idéale pour vos besoins d'analyse de données. Pour finir, nous allons étudier des cas d'utilisation concrets d'entreprises qui se sont transformées grâce à l'analyse dans le cloud.

Dans ce module, vous allez explorer vos données avec le langage SQL (Structured Query Language). Nous commencerons par de simples instructions, puis nous utiliserons des requêtes plus complexes afin de parcourir différents ensembles de données.

Dans ce module, nous allons discuter des principes concernant l'intégrité des données, puis nous verrons comment utiliser SQL pour nettoyer, préparer et transformer vos données. La dernière section du module introduit brièvement d'autres produits tels que Dataprep, Cloud Data Fusion, Dataflow, Dataproc et Dataform, qui peuvent vous aider à préparer et à transformer vos données.

Ce module traite de l'ingestion et du stockage des données dans l'espace de stockage natif de BigQuery. Vous apprendrez dans quelles conditions utiliser les approches "extraction et chargement", "extraction, chargement et transformation" et "extraction, transformation et chargement" pour charger les données dans BigQuery. Nous aborderons également les sources de données externes, qui vous permettent d'exécuter votre requête dans BigQuery lorsque les données n'y sont pas hébergées.

Dans ce module, ce que vous avez appris sur l'ingestion, le nettoyage, la préparation et la transformation de vos données se concrétise. Vous allez pouvoir visualiser les insights issus de vos données en créant des tableaux de bord et des rapports informatifs. Nous allons commencer par aborder la théorie sous-jacente de la visualisation et quelques bonnes pratiques. Ensuite, nous verrons les outils (Looker Studio et les feuilles connectées) qui peuvent se connecter à BigQuery et vous permettre de créer des visualisations percutantes pour capturer et transmettre vos insights. Bien que SQL soit un langage de requête puissant, les langages de programmation tels que Python, Java ou R fournissent des syntaxes et de nombreuses fonctions statistiques intégrées que les analystes de données pourraient trouver plus expressives et plus faciles à manipuler pour certains types d'opérations d'analyse de données. Ces outils incluent des applications Web Open Source, telles que les notebooks Jupyter, dont nous parlerons également.

Créer, entretenir et gérer les versions des pipelines SQL est un travail de taille. Et bien souvent, les analystes de données doivent utiliser plusieurs outils pour y parvenir. Dans ce module, nous allons présenter Dataform, un nouveau produit qui offre une expérience unifiée de bout en bout pour vous permettre de développer, contrôler les versions et orchestrer les pipelines SQL dans BigQuery.

Dans ce module, nous allons commencer par discuter de BigQuery Studio et de son utilité, puis nous verrons un peu plus en détail ses fonctionnalités. Nous conclurons le module par une démonstration pour vous présenter les fonctionnalités intéressantes et vous montrer comment les utiliser.

Ce module récapitule les principaux sujets abordés dans le cours.