Objectif général : Développement des compétences

À l'issue de la formation, le participant sera capable de? Mettre en uvre une stack d'Analytics Engineer : conception et optimisation de pipelines de données, transformations (ETL/ELT) et modélisation orientée usages métiers. Assurer la qualité et la gouvernance des données (tests, validation, suivi) et documenter les modèles pour l'équipe data. Déployer des modèles de données et des produits data exploitables par les analystes et les parties prenantes business (tableaux de bord, tables analytiques) Contribuer à un projet data collaboratif en appliquant les bonnes pratiques de développement : gestion de versions avec Git, création de branches, pull requests et revues de code..

Contenu

Ce programme, réparti en 9 modules, permet une montée en compétences sur le rôle d'analytics engineer et aux technologies de la modern data stack en combinant vidéos courtes, travaux pratiques guidés, projets fil-rouge professionnalisants et 6 heures de mentoring individuel. Les modules s'articulent autour de snowflake, dbt, airflow, docker, git, python et dataviz pour une montée en compétences progressive et opérationnelle en 7 semaines.module 1 - sql : jointures complexes, sous-requêtes, fonctions analytiques (window functions) cte, optimisation de requêtes, agrégations avancées, logiques conditionnelles et bonnes pratiques de modélisation. mise en pratique via un projet data complet.module 2 - snowflake : conception d'un pipeline de données temps réel (streaming) chargement et transformation de données, procédures stockées et fonctions (sql/python) orchestration d'un dag natif, gestion des accès (rbac) déploiement via snowflake cli.module 3 - git & collaboration : gestion de versions et collaboration en environnement professionnel. configuration de l'environnement, gestion des dépôts, commandes essentielles (commit, push, branch, merge) concepts avancés (rebase, stash) résolution de conflits, workflows d'entreprise.module 4 - dbt : bases de l'analytics engineering en conditions professionnelles. dbt cloud et dbt core, cas d'usage et bonnes pratiques d'implémentation. mise en place d'un environnement avec snowflake, configuration de dbt et connexion d'un projet à un entrepôt de données.module 5 - airflow : orchestration de pipelines de données, niveau avancé. conception de workflows robustes, dépendances complexes, pipelines etl/elt et processus de machine learning. dags, opérateurs, stratégies de reprise sur erreur. projet basé sur des données réelles avec duckdb.module 6 - cube : couche sémantique avec cube.js. modélisation de métriques et dimensions, structuration d'une api analytique, connexion à des outils de bi ou applications custom. gestion du caching, des performances et des accès.module 7 - tableau : niveau avancé en data visualisation. analyses complexes et dashboards performants. préparation de données, calculs avancés (lod, table calculations) optimisation des performances, modélisation des sources, visualisations interactives.module 8 - docker : construction et utilisation d'images docker, gestion de conteneurs, communication entre services. environnement multi-services avec docker compose. projet avec une api fastapi, une base postgres et une application streamlit.module 9 - python avancé : niveau pro en python. poo, type hinting, dataclasses (dont pydantic) gestion des exceptions, context managers, bonnes pratiques de code. testing, logging, gestion des dépendances (poetry) linting (black, isort, mypy)