Looker LookML Developer
Ein Looker LookML-Entwickler arbeitet mit Datasets und LookML und ist mit SQL und BI-Tools vertraut. LookML-Entwickler sind mit der Modellverwaltung vertraut, einschließlich der Behebung vorhandener Modellfehler, der Implementierung von Datensicherheitsanforderungen, der Erstellung von LookML-Objekten und der Aufrechterhaltung des Zustands von LookML-Projekten. LookML-Entwickler entwerfen neue LookML-Dimensionen und -Maße und erstellen Explores für Nutzer, um Geschäftsfragen zu beantworten. LookML-Entwickler haben Erfahrung im Qualitätsmanagement, von der Implementierung der Versionsverwaltung über die Bewertung der Codequalität bis hin zum Einsatz von SQL-Runner zur Datenvalidierung.
In der Looker-LookML-Developerprüfung werden folgende Fähigkeiten geprüft:
- LookML-Code verwalten und Fehler beheben
- Nutzerfreundliche Explores erstellen
- Robuste Modelle entwerfen
- Caching-Richtlinien definieren
- Verschiedene Datensätze und zugehörige Schemata verstehen
- Looker-Tools wie Looker IDE, SQL Runner und LookML Validator verwenden
Die Looker-LookML-Developerprüfung wurde am 1. April 2022 eingestellt.
Quick Links
In der Prüfung wurden Fähigkeiten und Kenntnisse zu folgenden Themen beurteilt:
Abschnitt 1: Modellverwaltung
1.1 Fehler in bestehenden Datenmodellen beheben. Beispiel:
a. Fehlerquellen ermitteln.
b. Wenden Sie verfahrenstechnische Konzepte an, um Fehler zu beheben.
1.2 Verfahren anwenden, um Anforderungen an die Datensicherheit zu implementieren. Beispiel:
a. Berechtigungen für Nutzer implementieren.
b. Entscheiden Sie, welche Looker-Features zum Implementieren der Datensicherheit verwendet werden sollen (z.B. Zugriffsfilter, Zugriffssteuerungen auf Feldebene und Zugriffssteuerungen auf Zeilenebene).
1.3 Datenmodelle und Geschäftsanforderungen analysieren, um LookML-Objekte zu erstellen. Beispiel:
a. Die zu verwendenden Ansichten und Tabellen festlegen.
b. Bestimmen Sie, wie Ansichten in Explores verbunden werden sollen.
c. Sie können projektbasierte Anforderungen erstellen (z. B. Datenquellen, Replikationen oder von Kunden bereitgestellte Scheinberichte).
1.4 Die LookML-Projekte in einem bestimmten Szenario aufrechterhalten. Beispiel:
a. Prüfen Sie, ob vorhandene Inhalte funktionieren. Verwenden Sie beispielsweise Inhaltsvalidierung, Auditing oder Fehlersuche.
b. Fehler beheben.
Abschnitt 2: Anpassung
2.1 Neue LookML-Dimensionen oder -Messwerte mit vorgegebenen Anforderungen entwerfen. Beispiel:
a. Übersetzen Sie Geschäftsanforderungen (spezifische Messwerte) in die entsprechenden LookML-Strukturen (z. B. Dimensionen, Messwerte und abgeleitete Tabellen).
b. Ändern Sie die bestehende Projektstruktur, um den neuen Berichtsanforderungen Rechnung zu tragen.
c. SQL-Anweisungen zur Verwendung mit neuen Dimensionen und Maßen erstellen.
2.2 Erstellen Sie Explores für Nutzer, um geschäftliche Fragen zu beantworten. Beispiel:
a. Analysieren Sie Geschäftsanforderungen und bestimmen Sie die Implementierung von LookML-Code, um die Anforderungen zu erfüllen (z. B. Modelle, Ansichten, Join-Strukturen).
b. Bestimmen Sie, welche zusätzlichen Funktionen zur Datenverfeinerung verwendet werden sollen (z.B. sql_always_where, always_filter; mit hidden:fields: werden nur bestimmte Felder angezeigt usw.).
Abschnitt 3: Optimierung
3.1 Wenden Sie Verfahrenskonzepte an, um Abfragen und Berichte auf Leistung zu optimieren. Beispiel:
a. Ermitteln Sie anhand der Auswirkungen auf die Leistung, welche Lösung verwendet wird (z. B. Explores, zusammengeführte Ergebnisse, abgeleitete Tabellen).
b. Anwendung von Konzepten zur Bewertung der Leistung von Abfragen und Berichten.
c. Basierend auf den Abfrageleistungsquellen und Berichtleistungsquellen bestimmen Sie, welche Methoden verwendet werden sollen (z.B. A/B Testing, SQL-Prinzipien)
3.2 Wenden Sie Verfahrenskonzepte an, um persistente abgeleitete Tabellen und Caching-Richtlinien basierend auf den Anforderungen zu implementieren. Beispiel:
a. Legen Sie geeignete Caching-Einstellungen anhand der Updatehäufigkeit des Data Warehouse fest (z. B. stündlich, wöchentlich, basierend auf dem ETL-Abschluss).
b. Bestimmen Sie, wann persistente abgeleitete Tabellen verwendet werden sollen, basierend auf der Laufzeit und der Komplexität von Explore-Abfragen sowie auf den Anforderungen der Nutzer.
c. Ermitteln Sie geeignete Lösungen zur Verbesserung der Datenverfügbarkeit (z. B. Abfragedaten im Cache speichern, persistente Tabellen, Kombinationslösungen).
Abschnitt 4: Qualität
4.1 Versionsverwaltung basierend auf vorgegebenen Anforderungen implementieren. Beispiel:
a. Geeignete Einrichtung für Git-Zweige (z.B. gemeinsam genutzte Zweige, Abruf aus Remote-Produktion) ermitteln
b. Merge-Konflikte mit anderen Entwicklerzweigen abgleichen (z. B. mehrere Nutzer verwalten).
c. Validieren des Pull-Anfrageprozesses.
4.2 Codequalität bewerten. Beispiel:
a. Beheben von Validierungsfehlern und Warnungen.
b. Verwenden Sie Funktionen zur Verbesserung der Nutzerfreundlichkeit (z. B. Beschreibungen, Labels, Gruppenlabels).
c. Verwenden Sie eine geeignete Codierung für Projektdateien (z. B. eine Ansicht pro Datei).
4.3 SQL Runner zur Datenvalidierung in einem vorgegebenen Szenario nutzen. Beispiel:
a. Bestimmen Sie anhand der generierten SQL-Inhalte in SQL Runner, warum bestimmte Abfragen Ergebnisse zurückgeben.
b. Lösen Sie Inkonsistenzen, die im System oder der Analyse gefunden wurden (z. B. andere Ergebnisse als erwartet, nicht eindeutige Primärschlüssel).
c. Optimieren Sie SQL auf Kosten und Effizienz gemäß Ihren Geschäftsanforderungen.