Data Engineer - SQL für Data Engineers

Datenpipelines stehen und fallen mit der Qualität ihrer SQL-Abfragen. Diese Weiterbildung legt einen systematischen Grundstein für alle, die in Datenbankentwicklung und Data Engineering tätig werden möchten: von den ersten Grundlagen relationaler Datenbankmodelle über fortgeschrittene SQL-Techniken bis hin zur Integration in moderne Azure-Cloud-Architekturen. Ergänzend wird Python für Automatisierungsaufgaben eingeführt, damit Teilnehmende nicht nur Abfragen schreiben, sondern Datenprozesse zuverlässig steuern können. Der Kurs bereitet auf die Microsoft-Zertifizierungen DP-900 und DP-203 vor und schließt mit dem Entwurf vollständiger Datenarchitekturen.

SQL Grundlagen — Datenbankdesign und erste Abfragen Jede Datenpipeline beginnt mit einer sauber modellierten Datenbank. Dieser Block führt von den konzeptionellen Grundlagen des relationalen Datenbankmodells bis zu den ersten praxisrelevanten SELECT-Abfragen — schrittweise und mit konkretem Unternehmenskontext.

• Grundbegriffe: Tabellen, Spalten, Datentypen, Primärschlüssel, Fremdschlüssel
• DDL-Anweisungen: CREATE TABLE, ALTER TABLE, DROP TABLE
• DML-Anweisungen: SELECT, INSERT, UPDATE, DELETE
• Filtern und Sortieren: WHERE, ORDER BY, LIMIT
• Aggregationsfunktionen: COUNT, SUM, AVG, MIN, MAX mit GROUP BY und HAVING
• Praxisbeispiel: Entwurf und Befüllung einer relationalen Kundendatenbank

Erweiterte SQL-Techniken — Joins, Unterabfragen und Optimierung Sobald Grundlagen sitzen, geht es um die Abfragen, die im Arbeitsalltag von Data Engineers tatsächlich gebraucht werden: mehrstufige Joins, komplexe Unterabfragen und performante Query-Strukturen.

• JOIN-Typen: INNER JOIN, LEFT JOIN, RIGHT JOIN, FULL OUTER JOIN
• Unterabfragen: korrelierte und nicht-korrelierte Subqueries, EXISTS, IN
• Common Table Expressions (CTEs) und Window Functions
• Datenmodellierung: Normalisierung bis 3NF, Denormalisierung für Analytics
• Query-Optimierung: EXPLAIN / Execution Plans lesen, Indexstrategien
• Praxisbeispiel: Komplexes Reporting mit mehrstufigen Joins über Verkaufs-, Kunden- und Produkttabellen

Python für Data Engineers — Automatisierung und Datenintegration Reine SQL-Kenntnisse reichen für professionelles Data Engineering nicht aus. Python ist das Werkzeug, um Pipelines zu automatisieren, Datentransformationen zu skripten und externe Quellen anzubinden.

• Python-Grundsyntax: Datentypen, Kontrollstrukturen, Funktionen, Fehlerbehandlung
• Datenbankanbindung mit SQLAlchemy und psycopg2
• Pandas für Datentransformation: Bereinigung, Reshape, Merge, Aggregation
• NumPy für numerische Operationen in Datenpipelines
• Automatisierte Datenaufbereitung: Skript-Scheduling, Logging, Fehlerprotokollierung
• Praxisbeispiel: Automatisierte Bereinigung und Weiterleitung von täglich eingehenden CSV-Datensätzen

Datenfundament in der Cloud — Microsoft DP-900 Cloud-Datenplattformen haben On-Premise-Datenbankserver in vielen Organisationen abgelöst. Dieses Modul vermittelt die konzeptionellen Grundlagen moderner Cloud-Datenverwaltung auf der Basis von Microsoft Azure.

• Relationale Azure-Dienste: Azure SQL Database, Azure Database for PostgreSQL
• NoSQL-Dienste: Azure Cosmos DB, Azure Table Storage
• Analytische Dienste: Azure Synapse Analytics, Azure Databricks (Überblick)
• Datenlebenszyklus in Azure: Ingestion, Speicherung, Transformation, Ausgabe
• Praxisbeispiel: Verwaltung und Abfrage von Kundendaten in Azure SQL

Datenintegration und Big Data Engineering — Microsoft DP-203 Dieser fortgeschrittene Block befasst sich mit den Architekturen, die hinter modernen Daten-Plattformen stehen — von der Echtzeit-Ingestion bis zur Batch-Verarbeitung großer Datenmengen in Azure.

• Azure Data Factory: Pipelines erstellen, Datenquellen verbinden, Transformationen konfigurieren
• Azure Data Lake Storage Gen2: Hierarchisches Namespace-Konzept, Zugriffssteuerung
• Azure Synapse Analytics: Dedicated SQL Pools, Serverless SQL, Integration mit Data Lake
• Stream-Verarbeitung mit Azure Event Hubs und Azure Stream Analytics
• Partitionierungsstrategien für große Datensätze
• Praxisbeispiel: End-to-End-Integration von IoT-Sensordaten über Azure Data Factory in Azure Data Lake

Praxisblock: Data Engineering Projekte

• Vollständiges Datenbankprojekt: Entwurf, Aufbau und Befüllung einer relationalen Datenbank für ein fiktives E-Commerce-Unternehmen
• SQL-Performance-Analyse: Slow Query identifizieren, Execution Plan lesen, Index hinzufügen und Verbesserung messen
• Python-Automatisierungsskript: tägliche CSV-Datei einlesen, bereinigen, in Azure SQL laden
• Azure Data Factory Pipeline: Daten aus REST-API extrahieren und in Data Lake speichern
• Azure Synapse Abfrage: Datenabfrage über Serverless SQL Pool gegen Data Lake
• Datenbankmigrationsplan: Konzeption einer On-Premise-zu-Azure-Migration
• Window-Function-Analyse: gleitender Durchschnitt und Ranking auf Verkaufsdaten
• CTE-gestütztes Reporting: mehrstufige Aggregation über Zeitreihen
• Dokumentation einer Datenpipeline: Datenflussdiagramm, Datenqualitäts-Checks, SLA
• Peer-Review von Datenbankdesign-Entscheidungen im Gruppenformat
• Abschlussprojekt: Konzeption und Implementierung einer vollständigen Datenpipeline in Azure

Die Projekte folgen dem Prinzip der realen Komplexität: Fehlerhafte Eingangsdaten, inkonsistente Formate und Performance-Probleme sind Bestandteile der Übungen — nicht Ausnahmen, die ausgeblendet werden.

Die Weiterbildung richtet sich an Einsteigerinnen und Einsteiger sowie fortgeschrittene Lernende, die im Data-Engineering-Bereich tätig werden möchten.

• IT-Fachkräfte mit allgemeiner Systemerfahrung, die sich auf Datenbankentwicklung spezialisieren möchten
• Datenbankadministratorinnen und -administratoren, die ihre SQL-Kenntnisse in Richtung Cloud und Data Engineering erweitern wollen
• Data Analysts, die über Abfragen hinaus vollständige Pipelines planen und umsetzen möchten
• Entwicklerinnen und Entwickler mit Interesse an datenorientierten Backend-Architekturen
• Fachkräfte, die gezielt auf DP-900 und DP-203 hinarbeiten

Lehrphasen und Praxisarbeit wechseln sich im Combined-Learning-Format ab. Theoretische Konzepte werden in moderierten Online-Sitzungen eingeführt und sofort in Übungsaufgaben vertieft, die auf realen Datenszenarien basieren. In den Projektphasen arbeiten Teilnehmende weitgehend eigenständig; Lehrende geben gezieltes Feedback auf Zwischenergebnisse und stehen für technische Fragen zur Verfügung. Der Kurs wird überwiegend in Teilzeit durchgeführt, mit Vollzeit-Varianten für bestimmte Durchführungen.

Die Weiterbildung wird überwiegend in Teilzeit angeboten; Vollzeitvarianten sind verfügbar. Gesamtdauer und Stundenumfang hängen vom gewählten Format ab; verbindliche Angaben sind bei den anbietenden Instituten erhältlich.

Nach Abschluss des Kurses wird eine qualifizierte Teilnahmebescheinigung ausgestellt. Der Kurs bereitet gezielt auf die Zertifizierungsprüfungen Microsoft DP-900 (Azure Data Fundamentals) und Microsoft DP-203 (Data Engineering on Microsoft Azure) vor, die separat bei akkreditierten Testcentern abgelegt werden. Prüfungsgebühren sind nicht im Kurspreis enthalten.

Data Engineering ist eine der am schnellsten wachsenden Spezialisierungen im IT-Bereich — und gleichzeitig ein Engpass für viele Unternehmen, die ihre Daten zuverlässig und skalierbar verarbeiten möchten. SQL ist dabei kein Auslaufmodell, sondern die Grundsprache, die in Cloud-Plattformen, Analysetools und modernen Datenbankarchitekturen überall erwartet wird. Wer SQL sicher beherrscht und das um Azure-Kenntnisse ergänzt, ist für einen breiten Arbeitsmarkt qualifiziert. Die Kombination aus DP-900 und DP-203 bildet ein klar gestaffeltes Kompetenzprofil: Fundamentswissen über Cloud-Datendienste plus die praktische Fähigkeit, Datenpipelines in Azure aufzubauen und zu betreiben. Dieser Nachweis ist besonders wertvoll in Unternehmen, die ihre Infrastruktur in die Azure-Cloud verlagern oder bereits dort betreiben. Langfristig positioniert die Weiterbildung für Rollen als Data Engineer, Database Developer oder Cloud-Data-Spezialist — und schafft die Grundlage für eine Spezialisierung in Richtung Data Architecture, DataOps oder Big-Data-Plattformentwicklung.