Looker LookML Developer
Un Looker LookML Developer travaille avec des ensembles de données et LookML. Il maîtrise les outils SQL et d'informatique décisionnelle, ainsi que la gestion des modèles, y compris la résolution des erreurs de modèle existantes, la mise en œuvre des exigences de sécurité des données, la création d'objets LookML et la maintenance de l'état des projets LookML. Il conçoit de nouvelles dimensions et mesures LookML, et crée des explorations pour permettre aux utilisateurs de répondre aux questions métier. Il a les compétences nécessaires pour assurer la gestion de la qualité (aussi bien pour la mise en œuvre du contrôle des versions que pour l'évaluation de la qualité du code ou l'utilisation de l'exécuteur SQL pour valider les données).
L'examen Looker LookML Developer a évalué les compétences suivantes :
- Gestion et débogage du code LookML
- Création d'explorations conviviales
- Conception de modèles robustes
- Définition de règles de mise en cache
- Compréhension de différents ensembles de données et des schémas associés
- Utilisation des outils Looker tels que Looker IDE, SQL Runner et LookML Validator
L'examen Looker LookML Developer a été supprimé le 1er avril 2022.
Liens rapides
L'examen a évalué les compétences suivantes :
Section 1 : Gestion des modèles
1.1 Résoudre les erreurs des modèles de données existants. Exemple :
a. Déterminer les sources d'erreur
b. Appliquer des concepts procéduraux pour résoudre des erreurs
1.2 Appliquer des concepts procéduraux afin de mettre en œuvre les exigences de sécurité des données. Exemple :
a. Implémenter des autorisations pour les utilisateurs
b. Choisir les fonctionnalités Looker à utiliser pour mettre en œuvre la sécurité des données (par exemple, des filtres d'accès, des contrôles d'accès au niveau des champs et des contrôles d'accès au niveau des lignes)
1.3 Analyser les modèles de données et les exigences métier pour créer des objets LookML. Exemple :
a. Déterminer les vues et les tables à utiliser
b. Déterminer comment associer des vues pour créer des explorations
c. Créer des besoins basés sur les projets (sources de données, réplication, rapports fictifs fournis par les clients, etc.)
1.4 Maintenir l'intégrité des projets LookML dans un scénario donné. Exemple :
a. Vérifier que les contenus existants fonctionnent (ex. : utiliser le programme de validation de contenu, réaliser des audits et rechercher les erreurs)
b. Corriger les erreurs
Section 2 : Personnalisation
2.1 Concevoir de nouvelles dimensions ou mesures LookML en respectant les exigences spécifiées. Exemple :
a. Convertir les exigences métier (des métriques spécifiques) en structures LookML appropriées (ex. : dimensions, mesures et tables dérivées)
b. Modifier la structure de projet existante pour tenir compte des nouveaux besoins concernant la création de rapports
c. Construire des instructions SQL à utiliser avec de nouvelles dimensions et mesures
2.2 Créer des explorations pour permettre aux utilisateurs de répondre aux questions métier. Exemple :
a. Analyser les besoins de l'entreprise et déterminer la mise en œuvre du code LookML permettant de répondre aux exigences (ex. : modèles, vues, structures JOIN)
b. Déterminer les fonctionnalités supplémentaires à utiliser pour affiner les données (ex. : sql_always_where, always_filter, n'afficher que certains champs à l'aide de "hidden:", "fields:", etc.)
Section 3 : Optimisation
3.1 Appliquer des concepts procéduraux afin d'optimiser les requêtes et les rapports dans une optique de performance. Exemple :
a. Déterminer la solution à utiliser en fonction des implications en termes de performances (ex. : explorations, résultats fusionnés et tables dérivées)
b. Appliquer les concepts procéduraux permettant d'évaluer les performances des requêtes et des rapports
c. Déterminer la méthodologie à utiliser en fonction de la requête et des sources de performances des rapports (ex. : tests A/B, principes SQL, etc.)
3.2 Appliquer des concepts procéduraux pour mettre en œuvre des tables dérivées persistantes et des règles de mise en cache en fonction des exigences. Exemple :
a. Déterminer les paramètres de mise en cache appropriés en fonction de la fréquence de mise à jour de l'entrepôt de données (ex. : toutes les heures, toutes les semaines ou en fonction de la fin de l'ETL)
b. Déterminer le moment auquel utiliser des tables dérivées persistantes en fonction de l'environnement d'exécution et de la complexité des requêtes d'exploration, ainsi que des besoins des utilisateurs
c. Déterminer des solutions appropriées pour améliorer la disponibilité des données (ex. : mettre en cache les données des requêtes, utiliser des tables persistantes, associer des solutions)
Section 4 : Qualité
4.1 Mettre en œuvre le contrôle des versions en fonction d'exigences spécifiques. Exemple :
a. Déterminer la configuration appropriée pour les branches Git (ex. : branches partagées, pull à partir d'une production distante)
b. Corriger les conflits de fusion avec les branches d'autres développeurs (ex. : gérer plusieurs utilisateurs)
c. Valider le processus de demande d'extraction
4.2 Évaluer la qualité du code. Exemple :
a. Résoudre les erreurs de validation et les avertissements
b. Utiliser des fonctionnalités pour améliorer la facilité d'utilisation (ex. : descriptions, libellés, libellés de groupes)
c. Utiliser un code approprié pour les fichiers de projet (ex. : une vue par fichier)
4.3 Utiliser l'exécuteur SQL pour valider les données dans un scénario donné. Exemple :
a. Déterminer pourquoi des requêtes spécifiques renvoient des résultats en examinant le code SQL généré dans l'exécuteur SQL
b. Résoudre les incohérences détectées dans le système ou l'analyse (ex. : résultats différents de ceux attendus, clés primaires non uniques)
c. Optimiser SQL en termes de coûts ou d'efficacité en fonction des exigences de l'entreprise