Lab Analytics Engineering : transforme des données brutes en tables fiables
Pratique le SQL moderne sur des cas data réels : ingestion, transformation, modélisation, tests qualité, SCD, chargements incrémentaux, cohortes et funnels. 102 exercices progressifs, directement dans ton navigateur.
Déjà 850+ professionnels de la data se forment ici.
Exercices
Modules
Pensé pour les data analysts, analytics engineers et candidats aux certifications data modernes.
Dans ce lab, tu apprends les patterns SQL réellement utilisés en analytics engineering : QUALIFY, window functions, SCD, tests qualité, chargements incrémentaux et modélisation.
Tu apprends un motif, pas un dialecte
Les exercices tournent sur un moteur SQL dans ton navigateur. Chaque correction se termine par ce qui change, et ce qui ne change pas, sur ton entrepôt.
Filtrer les vrais changements avec QUALIFY + IS DISTINCT FROM
Garder uniquement les lignes qui marquent un vrai changement de segment, et jeter celles qui répètent l’état précédent.
Et sur ton entrepôt ?
Telle quelle, cette requête tourne sur Snowflake, BigQuery et DuckDB. Sur Postgres, QUALIFY n’existe pas : la même logique passe par une sous-requête et un WHERE. Le raisonnement ne bouge pas, l’écriture s’adapte, et la correction te dit toujours comment.
Les 102 exercices du parcours portent cette note de portage.
Écris, exécute, emporte le motif
La même boucle sur chaque exercice, et une correction qui ne s'arrête pas à la bonne réponse.
- 1
Écris la requête en entier
Un vrai moteur SQL dans ton navigateur, des fichiers Parquet et CSV chargés. Pas de texte à trous : tu écris la transformation complète.
- 2
Exécute et compare
Ta requête tourne sur les données de l’exercice et ton résultat est comparé à celui attendu, ligne à ligne.
- 3
Emporte le motif
Chaque correction se termine par une note de portage : ce qui change, et ce qui ne change pas, sur Snowflake, BigQuery ou Databricks.
Un parcours progressif en 12 modules
Du SQL moderne à l'architecture en couches, en passant par les tests qualité, l'historisation, les chargements incrémentaux et les cohortes.
Prendre en main un entrepôt inconnu
Tu arrives chez Datacathlon, douze magasins et un site. L’entrepôt n’a jamais été relu. Cadre le périmètre, découvre qu’il y a trois chiffres d’affaires possibles, puis sors le tableau de bord mensuel.
Ingestion de fichiers : Parquet, CSV et JSON
Un export Excel avec ses lignes de titre, un partenaire qui date à l’envers, un fichier vide qui passe inaperçu. Tu lis, tu contrôles, tu consolides.
Architecture médaillon : Bronze, Silver, Gold
Ton collègue annonce un chiffre d’affaires six fois supérieur au tien. Une seule jointure explique l’écart. Tu ranges l’entrepôt pour que ça n’arrive plus.
Fenêtrage avancé : cumuls, cadres et rangs
Le cadre que tu n’écris pas n’est pas celui que tu crois, et 85 % de tes lignes sont fausses sans que rien ne le signale.
Jointures du métier : ASOF, SEMI, LATERAL, FULL OUTER
Soixante clients deviennent deux cent soixante-dix-neuf après une jointure, et la clé du partenaire ne joint sur rien sans qu’aucune erreur ne s’affiche.
Tableaux croisés : pivot, marges et format long
Le zéro d’un magasin pas encore ouvert et celui d’un magasin sans vente s’écrivent pareil, et ton comité lit les deux comme un échec.
JSON en base : trois formats, un seul catalogue
Quatre fournisseurs, quatre façons d’écrire les mêmes attributs, et une comparaison qui rend zéro ligne sur six produits.
Schéma en étoile : faits, dimensions et calendrier
Une liaison ordinaire vers la dimension des magasins laisse 248 commandes sur 478 au bord de la route.
Slowly Changing Dimensions : versions, bornes et rejeu
Le jour d’une bascule, six clients sortent en double et le total du tableau n’en dit rien.
Tests de qualité : contrat, fraîcheur et sévérités
Deux de tes tests sont au vert depuis leur écriture, et l’un d’eux passe à côté de 273 lignes.
Charges incrémentales : repère, fenêtre et rejeu
Cinq lignes en double à chaque exécution, et sept corrections de mai que ton chargement ne verra jamais.
Cohortes et rétention : matrice, troncature et entonnoir
Ton effectif actif tient de 53 à 58 sur le trimestre, et pendant ce temps l’acquisition tombe de 53 à 1.
Les bases SQL ne sont pas encore solides ? Commence par le SQL Lab
Où tu en es, et ce que tu gagnes
Ce lab commence là où s'arrête un parcours SQL classique. Reconnais-toi dans une situation, tu sauras si c'est le bon moment.
Tu maîtrises les bases du SQL
SELECT, JOIN et GROUP BY sont acquis. Ici tu attaques la suite : QUALIFY, window functions avancées, joins spécialisés, données semi-structurées.
Tu veux des tables fiables
Tests qualité, SCD, chargements incrémentaux : les patterns qui font qu'un dashboard affiche des chiffres justes.
Tu vises un poste d'analytics engineer
Modélisation dimensionnelle, architecture Bronze/Silver/Gold, incrémental : le socle technique du poste, pratiqué exercice par exercice.
Tu prépares une certif data moderne
dbt, Snowflake, Databricks : leurs examens testent ces patterns SQL. Le lab complète les banques de questions de la plateforme.
À la fin du parcours, tu sais :
- Nettoyer et structurer des données brutes
- Construire des tables analytiques fiables
- Écrire des requêtes SQL modernes avec CTEs, window functions et QUALIFY
- Manipuler des fichiers Parquet, CSV et JSON
- Modéliser des tables de faits et dimensions
- Gérer l'historique avec des Slowly Changing Dimensions
- Mettre en place des tests qualité data
- Construire des modèles incrémentaux
- Mesurer cohortes, rétention, funnels et LTV
Aucune de ces situations ? Regarde le programme module par module
Ce qu'en disent les utilisateurs
« Je' n'ai pas vu mieux pour bien préparer la certification SnowPro Core en français. Je le recommande 100% »
Badou N. · Avis Trustpilot
« Intuitive et facile à prendre en main, franchement top ! je recommande à 100% »
Pablo C. · Avis Trustpilot
« Très intéressant pour évaluer son niveau et s'entraîner. Je recommande fortement. »
Abdel · Avis Trustpilot
Déjà 850+ professionnels de la data se forment ici.
Questions fréquentes
Quelle est la différence entre apprendre SQL et apprendre l'analytics engineering ?
Apprendre SQL consiste surtout à savoir interroger des données. L'analytics engineering va plus loin : tu apprends à transformer, tester, historiser et modéliser les données pour produire des tables fiables utilisées par les dashboards, les équipes métier et les analyses produit.
Le lab est-il adapté aux débutants ?
Le lab commence par les fondations du SQL moderne, mais il est surtout conçu pour les personnes qui veulent aller au-delà des bases : data analysts, étudiants data, analytics engineers ou personnes en reconversion ayant une maitrise de SQL.
Dois-je installer un outil ou une base de données ?
Non. Les exercices s'exécutent directement dans le navigateur. Tu écris tes requêtes, tu les exécutes et tu obtiens une validation automatique.
Quels sujets sont couverts ?
Le lab couvre SQL moderne, architecture Bronze/Silver/Gold, fichiers Parquet/CSV/JSON, window functions, joins spécialisés, données semi-structurées, modélisation dimensionnelle, SCD, tests qualité, chargements incrémentaux, cohortes, rétention et funnels.
Est-ce utile pour préparer une certification data ?
Oui, le lab aide à pratiquer des compétences utiles pour plusieurs certifications et rôles data modernes, notamment autour de l'analytics engineering, de la modélisation, de la qualité des données et du SQL avancé.
Prêt à écrire du SQL de production ?
2 modules sont gratuits, sans limite de temps et sans carte bancaire. Tu commences par le SQL moderne et tu vas jusqu'aux cohortes.
Créer mon compte gratuit2 modules gratuits · Aucune carte bancaire requise