32 Pertanyaan & Jawaban Wawancara Snowflake Teratas untuk 2026

Pertanyaan Wawancara Snowflake Dasar

Mari mulai dengan pertanyaan dasar tentang konsep kunci di Snowflake.

1. Fitur esensial apa saja dari Snowflake?

Snowflake adalah platform gudang data berbasis cloud yang memisahkan komputasi dari penyimpanan, sehingga pengguna dapat menskalakan sumber daya pemrosesan dan penyimpanan data secara independen. Proses ini lebih hemat biaya dan menghasilkan kinerja tinggi.

Salah satu fitur utamanya adalah penskalaan otomatis, yang memungkinkan penyesuaian sumber daya berdasarkan permintaan beban kerja dan mendukung lingkungan multi-cloud. Fitur penting lainnya adalah pendekatan platform terhadap berbagi data, memastikan akses data di seluruh organisasi aman dan mudah, tanpa perlu memindahkan data.

2. Dapatkah Anda menjelaskan arsitektur Snowflake?

Arsitektur Snowflake adalah keunggulan utamanya. Platform ini dirancang untuk cloud, dengan fitur seperti arsitektur data bersama multi-kluster dan kemampuan penyimpanan yang unggul. Arsitektur Snowflake terbagi menjadi tiga lapisan:

• Lapisan Penyimpanan Basis Data: Pada lapisan ini, data terstruktur dan semi-terstruktur disimpan dan secara otomatis dikompresi, dienkripsi, serta diatur ke dalam mikro-partisi. Hal ini dilakukan untuk mengoptimalkan penyimpanan dan meningkatkan kinerja kueri.
• Lapisan Komputasi: Dikenal juga sebagai gudang virtual, lapisan ini terdiri atas satu atau lebih kluster komputasi yang bertanggung jawab menjalankan semua tugas pemrosesan data. Kluster-kluster ini tidak saling terhubung, memastikan beban kerja tidak lagi saling memengaruhi.
• Lapisan Layanan Cloud: Lapisan ini terdiri atas berbagai layanan seperti manajemen infrastruktur, pengoptimal kueri, pengelola metadata, dan keamanan. Layanan-layanan ini mengoordinasikan interaksi antara pengguna dan sistem serta memastikan layanan yang sepenuhnya terkelola.

Arsitektur tingkat tinggi Snowflake. Sumber gambar: dokumentasi Snowflake.

3. Apa itu mikro-partisi di Snowflake, dan bagaimana kontribusinya terhadap efisiensi penyimpanan data platform?

Mikro-partisi adalah aspek fundamental dari pendekatan penyimpanan data Snowflake. Ini adalah unit penyimpanan kolumnar yang dikompresi dan dikelola, yang digunakan Snowflake untuk menyimpan data berukuran 50MB hingga 150MB. Format kolumnar memungkinkan kompresi data dan skema pengodean yang efisien.

Kemampuan mikro-partisi untuk mengompresi data memungkinkan volume data besar dikelola secara efisien karena mengurangi ruang penyimpanan fisik yang diperlukan, sekaligus menurunkan biaya penyimpanan. Kinerja kueri juga meningkat berkat pruning data, yakni hanya mikro-partisi relevan yang diakses. Pendekatan akses selektif ini sangat bermanfaat untuk pengambilan dan analitik data.

Mikro-partisi dikelola secara otomatis oleh Snowflake, sehingga tidak diperlukan partisi atau pengindeksan data secara manual, memastikan penyimpanan data optimal dan memangkas biaya administrasi.

4. Dapatkah Anda menjelaskan bagaimana gudang virtual memengaruhi skalabilitas, kinerja, dan pengelolaan biaya tugas pemrosesan data?

Gudang virtual bertanggung jawab menjalankan semua tugas pemrosesan data. Karena itu, pengaruhnya sangat besar terhadap skalabilitas, kinerja, dan pengelolaan biaya tugas pemrosesan data.

Fitur skalabilitas dinamisnya memungkinkan pengguna menambah atau mengurangi sumber daya komputasi berdasarkan kebutuhan beban kerja. Saat permintaan pemrosesan data meningkat, Anda dapat menyediakan sumber daya komputasi tambahan tanpa mengganggu operasi yang sedang berjalan.

Setiap gudang virtual tidak memengaruhi yang lain, sehingga kinerja tinggi dan konsistensi tetap terjaga untuk tugas pemrosesan data spesifik seperti analitik sensitif waktu. Saat menangani tugas pemrosesan data, Anda membayar sumber daya komputasi yang digunakan, sehingga menyediakan fitur pengelolaan biaya dibanding solusi gudang data tradisional.

Tabel berikut membandingkan gudang virtual dengan sumber daya komputasi tradisional:

5. Dapatkah Anda membahas bagaimana kompatibilitas Snowflake dengan standar ANSI SQL memengaruhi kemampuan kueri dan manipulasi data?

ANSI SQL adalah singkatan dari American National Standards Institute Structured Query Language dan merupakan bahasa standar untuk sistem manajemen basis data relasional.

Ini berarti pengguna Snowflake dapat menggunakan sintaks dan operasi SQL yang familier untuk melakukan kueri data, seperti JOIN, sehingga menjadi fitur hebat bagi pengguna berpengalaman SQL untuk beralih ke Snowflake. Fitur lain dari kompatibilitas ANSI SQL adalah integrasi mulus berbagai tipe data, memungkinkan pengguna mengkueri data tanpa perlu mentransformasi atau memuatnya terlebih dahulu ke dalam skema pradefinisi.

Jika Anda ingin meraih sertifikasi penggunaan platform Snowflake, lihat Which is the Best Snowflake Certification For 2026?

6. Apa itu fitur Time Travel Snowflake, dan bagaimana manfaatnya bagi pengguna?

Fitur Time Travel Snowflake memungkinkan pengguna mengakses dan mengkueri data historis untuk jangka waktu tertentu, biasanya hingga 90 hari, tergantung tipe akun. Fitur ini berguna untuk pemulihan data, keperluan audit, dan perbandingan data. Misalnya, pengguna dapat memulihkan tabel yang terhapus secara tidak sengaja atau meninjau keadaan data sebelumnya.

Time Travel meminimalkan kebutuhan pencadangan eksternal dan menyederhanakan versi data, menyediakan kemampuan pemulihan data dan analisis retrospektif bawaan.

7. Bagaimana cara kerja berbagi data Snowflake, dan apa keuntungan utamanya?

Fitur berbagi data Snowflake memungkinkan organisasi berbagi data langsung secara aman dan real time dengan pengguna atau mitra eksternal tanpa membuat salinan data tambahan. Ini dicapai melalui fungsi Secure Data Sharing Snowflake, yang menggunakan arsitektur data bersama multi-kluster Snowflake untuk memberikan akses langsung ke data.

Keuntungan berbagi data meliputi:

• Mengurangi biaya penyimpanan dan ETL.
• Menjaga keterbaruan data.
• Meningkatkan kolaborasi lintas departemen atau dengan mitra eksternal, karena data dapat diakses tanpa mengekspor atau mengimpor file.

8. Apa itu zero-copy cloning di Snowflake, dan mengapa penting?

Zero-copy cloning adalah fitur di Snowflake yang memungkinkan pengguna membuat salinan basis data, skema, atau tabel tanpa menduplikasi penyimpanan dasarnya. Saat klon zero-copy dibuat, ia merujuk ke data asli dan hanya menyimpan perubahan yang dilakukan pada data hasil kloning, sehingga menghemat penyimpanan secara signifikan. Fitur ini berharga untuk membuat lingkungan pengembangan dan pengujian atau menghasilkan snapshot historis tanpa meningkatkan biaya penyimpanan. Ini meningkatkan efisiensi pengelolaan data dengan memungkinkan duplikasi data yang cepat dan hemat biaya untuk berbagai kasus penggunaan.

Pertanyaan Wawancara Snowflake Lanjutan

Sudah percaya diri dengan pertanyaan dasar? Mari beralih ke beberapa pertanyaan yang lebih mendalam.

9. Dapatkah Anda menjelaskan pendekatan keamanan data Snowflake, khususnya enkripsi always-on?

Snowflake bertujuan memastikan tingkat perlindungan dan keamanan data tertinggi bagi penggunanya dengan menerapkan proses enkripsi always-on. Ini adalah enkripsi data otomatis tanpa perlu pengaturan atau konfigurasi pengguna, memastikan semua jenis data dari data mentah hingga metadata dienkripsi dengan algoritma enkripsi yang kuat. Enkripsi dikelola melalui model kunci hierarkis di mana kunci master mengenkripsi kunci lainnya dan Snowflake melakukan rotasi kunci untuk meningkatkan keamanan.

Saat mentransfer data, Snowflake menggunakan proses TLS (Transport Layer Security) untuk mengenkripsi data yang transit antara Snowflake dan klien. Enkripsi end-to-end ini memastikan data selalu terenkripsi, di mana pun posisinya dalam siklus hidup, sehingga mengurangi risiko kebocoran dan pelanggaran data.

10. Dapatkah Anda menjelaskan dukungan Snowflake untuk proses ETL dan ELT?

Proses Extract, Transform, Load (ETL) dan Extract, Load, Transform (ELT) banyak digunakan di platform Snowflake karena arsitektur dan kemampuannya. Platform ini memenuhi beragam kebutuhan integrasi dan transformasi data, memungkinkan organisasi mengoptimalkan alur pemrosesan data secara lebih efektif.

Dalam ETL, data diekstrak dari berbagai sumber lalu ditransformasi ke format yang diinginkan pengguna sebelum dimuat ke gudang data. Snowflake adalah mesin SQL yang kuat yang memungkinkan transformasi kompleks menggunakan kueri SQL setelah data dimuat.

Dalam ELT, data dimuat terlebih dahulu ke gudang data dalam bentuk mentah lalu ditransformasi di dalam gudang. Fitur pemisahan komputasi dan penyimpanan Snowflake memungkinkan data mentah dimuat dengan cepat ke gudang data. Transformasi data dilakukan menggunakan gudang virtual. Snowflake juga mendukung format data semi-terstruktur seperti JSON dan XML sehingga memudahkan pemuatan data mentah ke gudang data tanpa harus ditransformasi terlebih dahulu.

11. Sebutkan minimal 5 alat ETL yang kompatibel dengan Snowflake.

Snowflake mendukung beragam alat ETL, memungkinkan organisasi menggunakan alat pilihan mereka untuk tugas integrasi dan transformasi data. Alat berikut dapat digunakan di platform data cloud Snowflake untuk memroses dan memindahkan data ke Snowflake untuk analisis lebih lanjut:

• Informatica
• Talend
• Matillion
• Fivetran
• Stitch
• Apache Airflow
• dbt
• StreamSets
• Microsoft Azure Data Factory
• AWS Glue

12. Dapatkah Anda menjelaskan bagaimana fitur lanjutan Snowpipe digunakan untuk ingestion data berkelanjutan?

Snowpipe adalah layanan ingestion data berkelanjutan dari Snowflake yang dapat memuat file dalam hitungan menit. Dengan Snowpipe Anda dapat memuat data dalam kelompok kecil (micro-batches), memungkinkan pengguna di seluruh organisasi mengakses data dalam beberapa menit, sehingga lebih mudah dianalisis.

Pengguna menentukan path penyimpanan cloud tempat file data akan ditempatkan dan juga tabel target di Snowflake tempat data akan dimuat. Ini adalah proses pemuatan data otomatis di mana Snowpipe secara otomatis mendeteksi saat file baru ditambahkan ke path penyimpanan. Setelah file baru terdeteksi, Snowpipe mengingest data ke Snowflake dan memuatnya ke tabel yang ditentukan.

Proses near real-time ini memastikan data tersedia secepat mungkin. Snowpipe beroperasi pada arsitektur tanpa server (serverless), artinya secara otomatis mengelola sumber daya komputasi yang diperlukan khusus untuk proses ingestion data.

Arsitektur tingkat tinggi Snowpipe Streaming. Sumber gambar: dokumentasi Snowflake.

13. Bagaimana pendekatan Snowflake terhadap OLTP dan OLAP?

Snowflake dirancang sebagai solusi gudang data yang dioptimalkan untuk beban kerja Online Analytical Processing (OLAP). OLAP adalah teknologi perangkat lunak yang digunakan untuk menganalisis data bisnis dari berbagai sudut pandang. Hal ini menjadikan Snowflake standar emas karena desain arsitekturnya beserta fitur-fiturnya disesuaikan untuk mendukung tugas data skala besar, kueri kompleks, dan lainnya. Fitur pendekatan OLAP Snowflake meliputi pemisahan komputasi dan penyimpanan, pemrosesan paralel masif (MPP), serta dukungan beragam struktur data untuk memfasilitasi pemrosesan analitik yang efisien.

Ada juga beban kerja Online Transaction Processing (OLTP), yang secara tradisional bukan fokus desain Snowflake. Beban kerja OLTP terjadi ketika basis data menerima permintaan data sekaligus banyak perubahan pada data tersebut dari beberapa pengguna seiring waktu, dan modifikasi ini disebut transaksi. Ciri-cirinya adalah volume tinggi transaksi pendek seperti insert dan update. Fitur-fitur ini lebih berfokus pada basis data operasional dibanding solusi gudang data seperti Snowflake.

14. Bagaimana cara kerja clustering Snowflake, dan kapan Anda perlu menggunakan clustering manual?

Di Snowflake, clustering mengatur data dalam mikro-partisi untuk mengoptimalkan kinerja kueri. Secara default, Snowflake menangani clustering secara otomatis, tetapi untuk tabel besar dengan urutan alami (misalnya data deret waktu), clustering manual bisa menguntungkan.

Clustering manual melibatkan pembuatan kunci kluster pada kolom yang sering digunakan dalam kueri. Ini memungkinkan pruning data yang lebih efisien, karena Snowflake dapat melewati partisi yang tidak relevan saat kueri dijalankan. Namun, clustering manual sebaiknya digunakan hanya ketika manfaat kinerja kueri lebih besar daripada biaya re-clustering dataset besar, karena dapat berdampak pada biaya penyimpanan dan komputasi.

15. Jelaskan konsep fail-safe di Snowflake dan bagaimana perbedaannya dengan Time Travel.

Fail-safe adalah fitur pemulihan data di Snowflake yang dirancang untuk memulihkan data yang telah dihapus atau diubah melampaui periode retensi Time Travel. Sementara Time Travel memungkinkan pengguna mengakses data historis dalam jangka waktu tertentu (hingga 90 hari), fail-safe adalah periode tujuh hari setelah Time Travel di mana Snowflake menyimpan data semata-mata untuk pemulihan bencana.

Berbeda dengan Time Travel, pengguna tidak dapat mengakses data fail-safe secara langsung karena memerlukan intervensi dari Snowflake Support.

Fail-safe memberikan lapisan perlindungan data tambahan namun menimbulkan biaya lebih tinggi dan sebaiknya digunakan sebagai upaya terakhir setelah Time Travel.

16. Bagaimana cara kerja materialized view di Snowflake, dan apa saja kasus penggunaannya?

Materialized view di Snowflake menyimpan hasil kueri secara fisik, sehingga pengambilan untuk kueri kompleks atau yang sering digunakan menjadi lebih cepat. Tidak seperti standard view yang dihitung ulang setiap kali dikueri, materialized view mempertahankan himpunan hasil hingga data diperbarui. Ini dapat meningkatkan kinerja kueri secara signifikan, terutama untuk beban kerja analitik yang melibatkan tabel besar.

Kasus penggunaan materialized view meliputi dasbor pelaporan dan hasil kueri teragregasi di mana data jarang berubah. Namun, materialized view memerlukan pemeliharaan berkala dan dapat meningkatkan biaya penyimpanan, sehingga paling cocok untuk dataset statis atau berubah perlahan.

Berikut tabel yang membahas kasus penggunaan materialized view vs. standard view di Snowflake:

Pertanyaan Wawancara Snowflake untuk Arsitek

Berdasarkan arsitektur unik Snowflake, Anda harus memahami seluk-beluknya dan menguji pengetahuan Anda.

17. Apa perbedaan antara arsitektur shared-disk dan shared-nothing?

Shared-disk dan shared-nothing adalah dua pendekatan berbeda dalam desain basis data dan gudang data. Perbedaan utama di antara keduanya adalah bagaimana mereka mengelola penyimpanan dan pemrosesan data di beberapa node dalam suatu sistem.

Dalam arsitektur shared-disk, node-node dalam sistem memiliki akses ke penyimpanan disk, yang berarti node mana pun dalam sistem dapat membaca atau menulis ke disk mana pun dalam sistem tersebut. Ini memungkinkan ketersediaan tinggi karena kegagalan satu node tidak menyebabkan kehilangan data atau ketidaktersediaan. Selain itu, proses manajemen data menjadi lebih sederhana karena data tidak perlu dipartisi atau direplikasi di antara node.

Di sisi lain, arsitektur shared-nothing adalah ketika setiap node dalam sistem memiliki penyimpanan pribadi yang tidak dibagikan dengan node lain. Data dipartisi di antara node, yang berarti setiap node bertanggung jawab atas sebagian data. Ini memberikan skalabilitas karena memungkinkan penambahan lebih banyak node, masing-masing dengan penyimpanan sendiri, sehingga meningkatkan kinerja.

18. Definisikan ‘Staging’ di Snowflake

Saat Anda memuat data ke sebuah stage di Snowflake, ini dikenal sebagai ‘Staging.’ Staging eksternal adalah ketika data disimpan di wilayah cloud lain, dan staging internal adalah ketika data disimpan di dalam Snowflake. Staging internal terintegrasi dalam lingkungan Snowflake dan menyimpan file serta data untuk dimuat ke tabel Snowflake. Platform Snowflake menggunakan penyedia lokasi penyimpanan eksternal seperti AWS, Google Cloud Platform, dan Azure untuk menyimpan data yang perlu dimuat atau disimpan.

19. Apa saja tipe caching yang berbeda di Snowflake?

Snowflake memiliki tiga jenis caching. Berikut tabel perbandingan sekaligus menyoroti beberapa kasus penggunaan masing-masing:

20. Definisikan berbagai status Snowflake Virtual Warehouse.

Ada 3 status berbeda untuk Snowflake Virtual Warehouse:

• Cold Virtual Warehouse: Jika Anda menjalankan kueri saat gudang virtual tidak aktif, sistem akan memulai instance baru dari gudang virtual ‘Cold’.
• Warm Virtual Warehouse: Jika gudang virtual Anda saat ini aktif dan telah memproses kueri, ini disebut gudang virtual ‘Warm’.
• Hot Virtual Warehouse: Jika gudang virtual aktif dan telah memproses kueri, ini disebut gudang virtual ‘Hot’.

21. Dapatkah Anda menjelaskan dampak status berbeda gudang virtual terhadap kinerja kueri?

• Proses kueri pada gudang virtual ‘Cold’ membutuhkan waktu lebih lama dibanding gudang virtual warm dan hot. Ini karena menggunakan disk jarak jauh sehingga local disk cache dan result cache tidak digunakan.
• Proses kueri pada gudang virtual ‘Warm’ lebih cepat daripada gudang cold namun membutuhkan waktu lebih lama dibanding gudang hot. Ini karena menggunakan disk lokal. Namun, tidak menggunakan disk jarak jauh dan result cache.
• Proses kueri pada gudang virtual ‘Hot’ membutuhkan waktu paling sedikit dibanding gudang cold dan warm. Ia tidak menggunakan disk jarak jauh maupun local disk cache, dan hasil dikembalikan menggunakan result cache. Ini adalah cara paling efisien untuk memperoleh hasil kueri.

22. Bagaimana Snowflake menangani distribusi dan pemartisian data dalam arsitekturnya?

Snowflake menangani distribusi data melalui mikro-partisi, yang dibuat dan dikelola secara otomatis oleh Snowflake. Mikro-partisi ini adalah unit penyimpanan kecil (masing-masing 50–150 MB) yang menyimpan data dalam format kolumnar.

Clustering otomatis Snowflake memastikan distribusi data yang efisien, meminimalkan kebutuhan pemartisian manual. Penggunaan mikro-partisi memungkinkan pruning data, di mana hanya partisi relevan yang diakses saat kueri, sehingga meningkatkan kinerja. Berbeda dengan basis data tradisional, Snowflake mengabstraksikan pemartisian data, sehingga pengguna tidak perlu mengelola distribusi data secara manual, memungkinkan skalabilitas dan kemudahan penggunaan yang lebih baik.

Berikut tabel yang membandingkan mekanisme ini:

23. Dapatkah Anda menjelaskan peran Metadata Service di Snowflake dan kontribusinya terhadap kinerja?

Metadata Service di Snowflake merupakan bagian dari Cloud Services Layer, dan berperan penting dalam pengoptimalan kueri dan manajemen data. Layanan ini melacak lokasi penyimpanan data, pola akses, dan metadata untuk tabel, kolom, dan partisi. Dengan mengambil metadata secara cepat, layanan ini memungkinkan pruning data selama eksekusi kueri, yang mengurangi jumlah data yang dipindai dan meningkatkan kinerja.

Selain itu, Metadata Service mengelola dan memperbarui Result Cache, memungkinkan pengambilan kueri lebih cepat saat kueri serupa dijalankan dalam rentang waktu singkat. Secara keseluruhan, Metadata Service meningkatkan efisiensi kueri dan mengurangi konsumsi sumber daya.

24. Bagaimana cara kerja fitur auto-suspend dan auto-resume Snowflake, dan mengapa bermanfaat?

Fitur auto-suspend dan auto-resume Snowflake membantu mengoptimalkan penggunaan sumber daya komputasi dan mengurangi biaya. Ketika gudang virtual tetap menganggur selama periode tertentu, auto-suspend akan secara otomatis mematikan gudang untuk menghindari biaya komputasi yang tidak perlu.

Sebaliknya, fitur auto-resume akan memulai gudang secara otomatis saat kueri baru diterima. Ini memastikan pengguna hanya membayar waktu komputasi ketika gudang secara aktif memproses kueri.

Fitur-fitur ini sangat bermanfaat di lingkungan dengan beban kerja sporadis, karena mengoptimalkan efisiensi biaya sambil mempertahankan ketersediaan.

Pertanyaan Wawancara Snowflake untuk Coding

25. Bagaimana cara membuat gudang virtual?

Gudang virtual dapat dibuat melalui antarmuka web atau menggunakan SQL. Berikut 3 metodenya:

• Snowsight: Pilih Admin > Warehouses > Warehouse
• Classic Console: Pilih Warehouses > Create
• SQL: Jalankan perintah CREATE WAREHOUSE seperti di bawah ini:

CREATE [ OR REPLACE ] WAREHOUSE [ IF NOT EXISTS ] <name>
       [ [ WITH ] objectProperties ]
       [ [ WITH ] TAG ( <tag_name> = '<tag_value>' [ , <tag_name> = '<tag_value>' , ... ] ) ]
       [ objectParams ]

26. Bagaimana Anda membangun tugas Snowflake yang memanggil Stored Procedure?

Untuk membuat tugas Snowflake, Anda harus menggunakan “CREATE TASK”. Anda perlu mendefinisikan pernyataan SQL atau stored procedure dalam definisi tugas dan memastikan Anda memiliki izin yang diperlukan untuk membuat tugas. Langkah-langkahnya sebagai berikut:

• Buat tugas baru menggunakan perintah ‘CREATE TASK’, diikuti nama tugas Anda.
• Tentukan gudang virtual yang akan digunakan Snowflake untuk mengeksekusi tugas menggunakan ‘WAREHOUSE’
• Dengan ekspresi cron, tentukan kapan tugas akan dieksekusi, misalnya pukul 1:00 AM UTC setiap hari di ‘SCHEDULE’.
• Masukkan pernyataan SQL yang akan dijalankan tugas dengan kata kunci ‘AS’.
• Tentukan aksi yang akan dilakukan tugas menggunakan ‘CALL’ pada stored procedure.

Contoh:

CREATE TASK daily_sales_datacamp
  WAREHOUSE = 'datacampwarehouse'
  SCHEDULE = 'USING CRON 0 1 * * * UTC'
  AS
  CALL daily_sales_datacamp();

27. Anda memiliki kolom data JSON dalam tabel yang menyimpan umpan balik pelanggan DataCamp dengan kunci: “customer_id”, “feedback_text”, dan “timestamp”. Tulis kueri untuk mengekstrak dan menampilkan feedback_text dan timestamp untuk customer_id tertentu.

Kueri ini menunjukkan cara bekerja dengan data JSON semi-terstruktur di Snowflake:

SELECT
    feedback_details:customer_id::INT AS customer_id,
    feedback_details:feedback_text::STRING AS feedback_text,
    feedback_details:timestamp::TIMESTAMP AS feedback_timestamp
FROM
    customer_feedback
WHERE
    feedback_details:customer_id::INT = 123; -- Replace 123 with the specific customer_id you're interested in

28. Bagaimana Anda memverifikasi riwayat tugas dari sebuah Snowflake Task?

Untuk memverifikasi riwayat sebuah tugas Snowflake, Anda dapat menggunakan fungsi tabel ‘TASK_HISTORY’. Ini akan memberi Anda informasi terperinci tentang riwayat eksekusi tugas dalam rentang waktu tertentu.

SELECT *
FROM TABLE(INFORMATION_SCHEMA.TASK_HISTORY(
    TASK_NAME => '<task_name>',
    START_TIME => '<start_time>',
    END_TIME => '<end_time>'
))
ORDER BY SCHEDULED_TIME DESC;

29. Bagaimana Anda membuat tabel sementara di Snowflake?

Anda perlu menggunakan pernyataan ‘CREATE TEMPORARY TABLE’ di Snowflake. Ini akan membuat tabel spesifik-sesi yang hanya ada selama durasi yang ditentukan pengguna.

CREATE TEMPORARY TABLE table_name (
    column_name1 data_type1,
    column_name2 data_type2,
    ...
);

30. Tulis kueri untuk mengonversi kolom timestamp ke zona waktu lain di Snowflake.

Snowflake menyediakan fungsi CONVERT_TIMEZONE untuk mengonversi timestamp antar zona waktu. Berikut contoh cara mengonversi timestamp dari UTC ke Eastern Standard Time (EST):

SELECT 
    customer_id,
    CONVERT_TIMEZONE('UTC', 'America/New_York', order_timestamp) AS order_timestamp_est
FROM 
    orders;

Dalam kueri ini, ganti customer_id dan order_timestamp dengan kolom spesifik di tabel Anda. Fungsi ini memungkinkan konversi zona waktu yang fleksibel, ideal untuk pelaporan global.

31. Bagaimana Anda membuat klon dari tabel yang sudah ada di Snowflake?

Anda dapat membuat klon zero-copy dari sebuah tabel di Snowflake menggunakan pernyataan CREATE TABLE ... CLONE. Klon ini berbagi penyimpanan yang sama di bawahnya, sehingga menghemat biaya dan ruang penyimpanan.

CREATE TABLE cloned_table_name CLONE original_table_name;

Sebagai contoh, untuk mengklon tabel bernama sales_data, sintaksnya sebagai berikut:

CREATE TABLE sales_data_clone CLONE sales_data;

Tabel hasil kloning ini akan memiliki data dan skema yang sama dengan tabel asli pada saat pengklonan. Perubahan apa pun yang dilakukan pada tabel klon setelah dibuat tidak akan memengaruhi tabel asli.

32. Tulis kueri untuk menampilkan 5 nilai yang paling sering muncul dalam sebuah kolom.

Anda dapat menggunakan klausa GROUP BY dengan ORDER BY dan LIMIT untuk mengambil 5 nilai paling sering muncul dalam kolom tertentu. Misalnya, jika Anda ingin menemukan 5 produk paling umum pada kolom product_id:

SELECT 
    product_id, 
    COUNT(*) AS frequency
FROM 
    sales
GROUP BY 
    product_id
ORDER BY 
    frequency DESC
LIMIT 5;

Kueri ini mengelompokkan kolom product_id berdasarkan frekuensi, mengurutkannya secara menurun, dan membatasi hasil ke 5 teratas, menampilkan produk yang paling sering terjual.

Persiapan untuk Wawancara

Saat mempersiapkan wawancara apa pun, penting untuk melakukan hal berikut:

1. Riset perusahaan: Pelajari seluk-beluk perusahaan, kapan perusahaan berdiri, dan nilai-nilai mereka. Ini akan membuktikan bahwa Anda telah melakukan riset dan sudah mengenal perusahaan bahkan sebelum Anda melangkah ke proses seleksi.
2. Tinjau deskripsi pekerjaan: Deskripsi pekerjaan akan memberi gambaran yang baik tentang tugas Anda sehari-hari. Dalam deskripsi ini, alat dan keterampilan akan dicantumkan, yang dapat Anda sebutkan saat wawancara untuk menunjukkan kemampuan Anda.
3. Spesifik tentang pencapaian Anda: Memiliki sertifikasi dan pengetahuan saat melamar pekerjaan Snowflake itu bagus. Namun, Anda perlu memastikan bahwa Anda dapat mendukung keterampilan dan keahlian Anda dengan bukti dari pekerjaan dan proyek sebelumnya.
4. Bahas topik yang luas: Pastikan Anda benar-benar siap untuk ditanya berbagai pertanyaan tentang beragam konsep Snowflake, mulai dari integrasi data hingga pertanyaan coding. Pemberi kerja mencari orang yang benar-benar memahami perangkat lunak dan siap menangani proyek apa pun.

Terakhir namun tak kalah penting, percaya dirilah dan berikan yang terbaik!

Kesimpulan

Dalam artikel ini kami telah membahas pertanyaan wawancara Snowflake untuk 4 level berbeda:

• Dasar
• Lanjutan
• Arsitek
• Coding

Jika Anda mencari sumber daya untuk menyegarkan kembali atau menguji keterampilan Snowflake Anda, lihat tutorial kami tentang Introduction to Snowflake dan Getting Started with Data Analysis in Snowflake using Python and SQL serta kursus Introduction to NoSQL, di mana Anda akan mempelajari cara menggunakan Snowflake untuk bekerja dengan big data.

Selain itu, dengarkan episode podcast kami bersama mantan CEO Snowflake Bob Muglia tentang ‘Mengapa AI Akan Mengubah Segalanya’.