Data Pipeline ด้วย Apache Airflow และ dbt

รายละเอียดหลักสูตร

อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง รูปแบบบรรยายพร้อมปฏิบัติจริง (Hands-on Lab) ทุกหัวข้อ ระดับ Intermediate ผู้เรียนจะได้ Lab Guide, โค้ด DAG และโปรเจกต์ dbt ตัวอย่างครบทุก Lab, ชุดข้อมูลฝึก และ Checklist คุณภาพข้อมูล กลับไปใช้งานจริง เครื่องมือทั้งหมดเป็นโอเพนซอร์สที่นำไปใช้ต่อในองค์กรได้

Day 1: สถาปัตยกรรมข้อมูลและ Airflow

Section 1: สถาปัตยกรรมข้อมูลสมัยใหม่

• ปัญหาที่พบบ่อย: ดึงข้อมูลด้วยมือ ตัวเลขไม่ตรงกัน และไม่รู้ที่มาของข้อมูล
• ความต่างระหว่าง ETL และ ELT และเหตุผลที่ ELT เป็นที่นิยมในยุคคลังข้อมูลสมัยใหม่
• องค์ประกอบของ Data Platform: แหล่งข้อมูล, การนำเข้า, คลังข้อมูล, การแปลง และ BI
• การออกแบบชั้นข้อมูลแบบ Staging, Intermediate และ Mart

Section 2: การติดตั้งและใช้งาน Apache Airflow

• องค์ประกอบของ Airflow: Scheduler, Webserver, Worker, Metadata Database และ Executor
• การติดตั้ง Airflow ด้วย Docker Compose และการใช้งานหน้าเว็บ
• แนวคิด DAG, Task และ Task Instance และการอ่านสถานะงานบนหน้าจอ
• Lab: ติดตั้ง Airflow และรัน DAG ตัวอย่างตัวแรก

Section 3: การเขียน DAG และ Operator

• การเขียน DAG ด้วย Python และการใช้ Decorator แบบใหม่ (TaskFlow API)
• Operator ที่ใช้บ่อย: Python, Bash, SQL และ Sensor สำหรับรอเงื่อนไข
• การส่งค่าระหว่าง Task ด้วย XCom และการใช้ Variable และ Connection อย่างปลอดภัย
• Lab: เขียน DAG ดึงข้อมูลจากไฟล์และ API แล้วบันทึกลงฐานข้อมูล

Section 4: การจัดตารางเวลาและการจัดการงานล้มเหลว

• การตั้งตารางเวลา (Schedule) และแนวคิด Data Interval และ Catchup
• การกำหนดลำดับงาน (Dependency) และการรันงานแบบขนาน
• การลองใหม่อัตโนมัติ (Retry) การแจ้งเตือนเมื่อล้มเหลว และการรันย้อนหลัง (Backfill)
• Lab: ตั้งตารางงานรายวันและทดสอบสถานการณ์งานล้มเหลวและการรันย้อนหลัง

Day 2: การนำเข้าข้อมูลและ dbt

Section 5: การดึงข้อมูลเข้าคลังข้อมูล

• การดึงข้อมูลจากฐานข้อมูลเชิงสัมพันธ์ ไฟล์ CSV และ API
• การนำเข้าแบบเต็ม (Full Load) เทียบกับแบบเพิ่มเฉพาะที่เปลี่ยน (Incremental Load)
• การจัดการข้อมูลที่ล้มเหลวกลางทางและการทำให้รันซ้ำได้ผลเหมือนเดิม (Idempotency)
• Lab: สร้าง DAG ดึงข้อมูลจากหลายแหล่งเข้าสู่ชั้น Raw ในคลังข้อมูล

Section 6: รู้จัก dbt และการสร้าง Model

• dbt คืออะไร และเปลี่ยนการแปลงข้อมูลด้วย SQL ให้เป็นงานที่มีระเบียบอย่างไร
• การตั้งค่าโปรเจกต์ dbt, profiles และการเชื่อมต่อคลังข้อมูล
• การเขียน Model, การใช้ ref และ source และการทำ Materialization แบบ View และ Table
• Lab: สร้าง Model ชั้น Staging จากข้อมูลดิบที่ดึงเข้ามา

Section 7: การทดสอบข้อมูลและเอกสาร

• การเขียน Test มาตรฐาน: not_null, unique, accepted_values และ relationships
• การเขียน Test แบบกำหนดเองด้วย SQL สำหรับกฎทางธุรกิจ
• การสร้างเอกสารอัตโนมัติและการดู Lineage ว่าข้อมูลมาจากไหนและไปที่ใด
• Lab: เพิ่ม Test และเอกสารให้ Model และทดลองให้ Test จับข้อมูลผิด

Section 8: Incremental Model และการจัดโครงสร้าง

• การทำ Incremental Model เพื่อประมวลผลเฉพาะข้อมูลใหม่และลดเวลาประมวลผล
• การจัดโครงสร้างโปรเจกต์เป็นชั้น Staging, Intermediate และ Mart
• การใช้ Macro และ Jinja ลดการเขียน SQL ซ้ำ และการใช้ Seed สำหรับตารางอ้างอิง
• Lab: แปลง Model ให้เป็น Incremental และวัดเวลาที่ประหยัดได้

Day 3: การเชื่อมระบบและ Production

Section 9: การเชื่อม Airflow เข้ากับ dbt

• รูปแบบการเรียก dbt จาก Airflow และการแยกขั้นตอน run และ test ให้เห็นผลชัดเจน
• การออกแบบ DAG ให้ครบวงจร: ดึงข้อมูล แปลงข้อมูล ทดสอบ และแจ้งผล
• การจัดการ Dependency ระหว่างงานนำเข้าและงานแปลงข้อมูล
• Lab: สร้าง Pipeline ครบวงจรที่ Airflow เรียก dbt ทำงานต่อเนื่องอัตโนมัติ

Section 10: คุณภาพข้อมูลและการเฝ้าระวัง

• การวางจุดตรวจคุณภาพข้อมูลในแต่ละชั้นและการกำหนดว่าเมื่อใดควรหยุด Pipeline
• การแจ้งเตือนเมื่อข้อมูลผิดปกติหรือ Pipeline ล้มเหลว ผ่านอีเมลหรือช่องทางของทีม
• การติดตามความสดของข้อมูล (Freshness) และการสื่อสารกับผู้ใช้รายงาน
• Lab: ตั้งการตรวจคุณภาพและการแจ้งเตือนให้ Pipeline ของตนเอง

Section 11: การนำขึ้นใช้งานจริง

• การแยกสภาพแวดล้อม Dev และ Production และการจัดการ Credential อย่างปลอดภัย
• การเก็บโค้ด Pipeline ใน Git และการตรวจทานผ่าน Pull Request
• แนวทาง CI/CD สำหรับงานข้อมูลและการทดสอบก่อนขึ้น Production
• การวางแผนดูแล Pipeline ระยะยาวและการส่งมอบให้ทีม

Section 12: Capstone และการต่อยอด

• โจทย์: สร้าง Data Pipeline ครบวงจรจากข้อมูลดิบจนถึงตารางที่พร้อมต่อเข้า BI
• การนำเสนอสถาปัตยกรรมที่ออกแบบและเหตุผลของการตัดสินใจ
• การต่อยอดสู่ Data Warehouse บนคลาวด์ และเครื่องมืออื่นในสาย Data Engineering
• Workshop: นำเสนอ Pipeline ที่สร้างและทบทวนร่วมกันกับวิทยากร