Summary  
This chapter explains how to organize data resources hierarchically into projects, datasets, and tables, configure metadata such as location and expiration, upload data, and manage access permissions.

General domain of usage  
Cloud data warehousing

In **BigQuery** wird die Datenorganisation durch eine klare dreistufige Struktur gewährleistet: **Projekte**, **Datasets** und **Tabellen**. Diese Hierarchie unterstützt ein konsistentes Management von Zugriff, Abrechnung und Datenorganisation.

**Projekte** dienen als übergeordnete Container. Sie steuern die Abrechnung, Berechtigungen und den Zugriff auf alle BigQuery-Ressourcen. Jedes Dataset und jede Tabelle ist einem bestimmten Projekt zugeordnet.

**Datasets** fassen zusammengehörige Tabellen zusammen und definieren wichtige Eigenschaften wie den Speicherort der Daten. Die Wahl des richtigen Speicherorts ist entscheidend für die Leistungsoptimierung und die Einhaltung gesetzlicher Vorgaben.

**Tabellen** speichern die eigentlichen Daten und ermöglichen effiziente Abfragen im großen Maßstab. BigQuery erleichtert das Hochladen von Daten aus verschiedenen Quellen und Formaten. Zur Unterstützung des automatisierten Datenlebenszyklus-Managements können Tabellen mit **Ablaufeinstellungen** konfiguriert werden, wodurch veraltete Daten automatisch entfernt und Speicherkosten reduziert werden.

Was ist die Hauptaufgabe eines Projekts in BigQuery?

Warum ist der Speicherort bei der Einrichtung von Projekten und Datasets wichtig?

Was bewirkt die Funktion zum Ablauf von Tabellen?

Tauchen Sie ein in die Grundlagen der BigQuery-Plattform und verändern Sie Ihren Umgang mit Cloud-Daten. Beherrschen Sie die Fähigkeiten, die für die Navigation in der Konsole, das Verwalten von Projekten und die Optimierung von Abfragekosten erforderlich sind. Sammeln Sie praktische Erfahrungen mit BigQuery-spezifischen Funktionen wie Array-Operationen, geografischen Daten und Datumsfunktionen. Entdecken Sie fortgeschrittene Optimierungstechniken und erfahren Sie die Geheimnisse des Aufbaus von Machine-Learning-Modellen direkt im Data Warehouse mit BigQuery ML.

Erwerben Sie ein fundiertes Verständnis der BigQuery-Umgebung, die sich von traditionellen Datenbanken unterscheidet. Lernen Sie, die Konsole zu navigieren, Projekte und Datasets zu verwalten sowie Kosten effektiv zu analysieren. Stärken Sie Ihr Vertrauen beim Einrichten Ihres Arbeitsbereichs für eine effiziente Datenanalyse.

Erkunden Sie die Grundlagen der Abfrage-Engine zur effizienten Datenabfrage. Beherrschen Sie Techniken zur Datenauswahl und lernen Sie die Analyse spezifischer Produktmetriken. Entdecken Sie Leistungsmerkmale und Methoden zur Überprüfung von Abfragen, um eine schnelle und präzise Analyse sicherzustellen.

Erweitern Sie Ihr Wissen durch das Beherrschen der einzigartigen Datentypen von BigQuery.
Umgang mit komplexen Array-Operationen und Manipulation von Datums- und Zeitfunktionen.
Erkundung geografischer Funktionen zur Lösung standortbezogener Herausforderungen wie der Berechnung von Städtedistanzen.

Optimieren Sie Ihren Arbeitsablauf durch das Verwalten großer Tabellen und die Verbesserung der Abfrageleistung.
Erkenntnisse über effektives Fehlerhandling zur schnellen Problemlösung.
Beherrschung der Fähigkeiten zur Aufrechterhaltung einer leistungsstarken Datenbankumgebung.

Wenden Sie Ihr Wissen in realen Szenarien an. Erfahren Sie, wie umfassende Berichte erstellt und BigQuery mit externen Tools integriert wird. Verwandeln Sie Rohdaten durch praktische Anwendung und Berichtsstrategien in umsetzbare Geschäftseinblicke.

Tauchen Sie ein in die Grundlagen von BigQuery ML. Erfahren Sie, wie Sie Machine-Learning-Modelle mit Standard-SQL erstellen und ausführen, ohne Daten zu verschieben. Sammeln Sie praktische Erfahrungen mit Modell-Durchläufen, um Vorhersagen direkt innerhalb der Plattform zu treffen.

Projekte und Datasets

1. Was ist die Hauptaufgabe eines Projekts in BigQuery?

2. Warum ist der Speicherort bei der Einrichtung von Projekten und Datasets wichtig?

3. Was bewirkt die Funktion zum Ablauf von Tabellen?