Você usará o Athena para transformar dados catalogados em respostas de negócio. As consultas serão avaliadas por correção e também por scan, legibilidade, reconciliação e capacidade de revelar anomalias.
flowchart LR
A[S3 Parquet particionado] --> B[Glue Data Catalog]
B --> C[Athena Workgroup]
C --> D[SQL analítico]
D --> E[Indicadores reconciliados]
C --> F[Resultados no S3]
- Escrever consultas com filtros, agregações, joins, CTEs e janelas.
- Reconciliar vendas, pagamentos e devoluções antes de apresentar indicadores.
- Reduzir bytes lidos com Parquet, partições e seleção de colunas.
- Como o Amazon Athena funciona
- Criando as primeiras consultas SQL
- Construindo análises de negócio
- Otimizando custo e desempenho
- PDF complementar
- Laboratório guiado
- Desafio prático
- Quiz de revisão
- Referências complementares
- Dataset: clientes.csv
- Dataset: produtos.csv
- Dataset: vendas.csv
- Dataset: pagamentos.csv
- Dataset: devolucoes.csv
- Consultas do capstone: analytics.sql
- Projeto relacionado: 02-pipeline-serverless
Reserve de 5 a 7 horas, incluindo leitura das aulas, prática do laboratório, resposta ao desafio e revisão do quiz.
Você conseguirá consultar dados catalogados com SQL, responder perguntas de negócio e controlar custo por organização dos arquivos.
Leia uma aula por vez, faça pequenas anotações e só avance para o laboratório quando conseguir explicar o fluxo com suas próprias palavras. Nos módulos com AWS, valide conta, região e custo antes de executar qualquer ação.
- Reconciliamos total, unicidade e integridade antes dos KPIs.
- Usei CTE, join e função de janela com granularidade correta.
- Filtrei partições e selecionei apenas colunas necessárias.
- Comparei bytes lidos entre abordagens.
- Athena consulta objetos no S3 por meio do catálogo.
- Parquet, partições e seleção de colunas controlam scan e custo.
- O próximo passo é integrar os componentes no primeiro projeto.