Préparation certification dbt Analytics Engineering - En français
La certification dbt Analytics Engineering valide tes compétences sur dbt Core et dbt Cloud. Prépare-toi avec des questions en français couvrant les modèles, les tests, la documentation, Jinja, les macros et le déploiement de projets dbt.
Pourquoi passer la certification dbt ?
dbt est devenu incontournable
dbt (data build tool) s'est impose comme l'outil de reference pour la transformation de données dans le stack data moderne. Utilisé par des milliers d'entreprises, il permet aux analytics engineers de transformer les données brutes en modèles analytiques fiables, testés et documentés.
Une compétence très demandée
La demande pour les profils maîtrisant dbt explose sur le marché de l'emploi. La certification dbt Analytics Engineering prouve ta maîtrise de l'outil et te distingue auprès des recruteurs. C'est un atout majeur pour les postes d'analytics engineer, data engineer et data analyst.
Détails de l'examen dbt Analytics Engineering
Nombre de questions
65
Durée
90 minutes
Score minimum
63% de bonnes réponses
Coût de l'examen
$200 USD
Format
QCM en ligne
Prérequis
Aucun (recommandé : 6 mois de pratique dbt)
Les domaines de la certification dbt
Développer des modèles dbt
30%Modèles SQL, materializations (table, view, incremental, ephemeral), ref() et sources.
Tester et documenter
20%Tests génériques et singuliers, schema.yml, documentation des modèles et des colonnes.
Déployer des projets dbt
20%Environnements, dbt Cloud, CI/CD, dbt build, selectors et tags.
Concepts fondamentaux de l'analytics engineering
15%Role de l'analytics engineer, ELT vs ETL, data warehouse moderne, couches de transformation.
Utiliser Jinja et les macros
15%Syntaxe Jinja, macros personnalisées, packages dbt, variables et hooks.
Exemples de questions dbt
Aperçu du type de questions que tu retrouveras sur la plateforme.
Domaine : Modèles dbt
Quelle materialization dbt est la plus adaptée pour une table de faits volumineuse qui reçoit des nouvelles lignes chaque jour sans modifier les anciennes ?
Explication
La materialization incremental est idéale pour les tables volumineuses qui reçoivent des ajouts réguliers. Au lieu de reconstruire toute la table à chaque run, dbt n'insère que les nouvelles lignes (filtrées par is_incremental()). Cela réduit considérablement le temps d'exécution et les coûts de calcul.
Domaine : Tests et documentation
Quels sont les 4 tests génériques inclus par défaut dans dbt Core ? (Choisis toutes les bonnes réponses)
Explication
Les 4 tests génériques inclus dans dbt Core sont : unique (vérifie l'unicité), not_null (vérifie l'absence de valeurs nulles), accepted_values (vérifie que les valeurs sont dans une liste définie) et relationships (vérifie l'intégrité référentielle avec une autre table).
Domaine : Jinja et macros
Dans un modele dbt, quelle est la difference entre {{ ref('model_name') }} et {{ source('source_name', 'table_name') }} ?
Explication
ref() crée une dépendance vers un autre modèle dbt et gère automatiquement l'ordre d'exécution dans le DAG. source() référence une table brute (raw data) définie dans un fichier sources.yml et permet d'activer le source freshness testing. Les deux sont essentiels pour un projet dbt bien structuré.
Bientôt disponible
La préparation dbt Analytics Engineering arrive prochainement. Inscris-toi pour être parmi les premiers à y accéder. En attendant, entraîne-toi sur les certifications déjà disponibles comme SnowPro Core.
S'inscrire gratuitement