Le migliori domande e risposte su BigQuery per i colloqui nel 2026

Che cos'è Dremel e come abilita le prestazioni rapide delle query di BigQuery?

Perché viene chiesto: per valutare la tua conoscenza di Dremel, il motore di query sottostante di BigQuery, e di come il suo modello di esecuzione ad albero e colonnare abiliti analisi dei dati ad alte prestazioni.

Dremel è un motore distribuito di esecuzione delle query che alimenta BigQuery. A differenza dei database tradizionali che usano l'elaborazione basata su righe, Dremel utilizza un formato di archiviazione colonnare e un modello di esecuzione delle query ad albero per ottimizzare velocità ed efficienza.

Come Dremel rende le query veloci:

• Archiviazione colonnare: invece di leggere intere righe, Dremel scansiona solo le colonne necessarie, riducendo la quantità di dati elaborati.
• Esecuzione ad albero: le query sono suddivise in frammenti ed eseguite in parallelo su migliaia di nodi. I risultati sono aggregati in una struttura ad albero gerarchica, minimizzando la latenza.
• Allocazione serverless delle risorse: Dremel assegna dinamicamente slot di calcolo alle query in base alla complessità, garantendo un uso efficiente delle risorse.

Benefici chiave di Dremel:

• Query velocissime su dataset in scala petabyte.
• Elaborazione conveniente eseguendo la scansione delle sole colonne rilevanti.
• Parallelizzazione automatica per carichi di lavoro elevati senza tuning manuale.

Puoi saperne di più su Dremel nella documentazione ufficiale di Google.

Come funziona la denormalizzazione in BigQuery e quando andrebbe usata?

Perché viene chiesto: per valutare la tua comprensione delle strategie di modellazione dei dati e del loro impatto sulle prestazioni delle query nei database analitici.

La denormalizzazione in BigQuery introduce intenzionalmente ridondanza unendo tabelle e duplicando dati per ottimizzare le prestazioni delle query. A differenza della normalizzazione, che minimizza la ridondanza tramite tabelle più piccole e correlate, la denormalizzazione riduce la necessità di join complessi, con conseguenti tempi di lettura più rapidi. Questo approccio è particolarmente utile in data warehousing e analytics, dove le operazioni di lettura sono più frequenti delle scritture. Tuttavia, la denormalizzazione aumenta i requisiti di storage, motivo per cui BigQuery raccomanda di usare campi annidati e ripetuti per strutturare in modo efficiente i dati denormalizzati riducendo al minimo l'overhead di archiviazione.

Confronto tra diverse strategie di normalizzazione dei dati. Immagine di Google Cloud. 

Domande specifiche su SQL

Una volta che hai una solida comprensione dell'architettura di BigQuery e delle tecniche di ottimizzazione, la prossima area critica su cui concentrarsi è la padronanza di SQL. SQL è la spina dorsale del lavoro con BigQuery e spesso gli intervistatori testano la tua capacità di scrivere, ottimizzare e risolvere i problemi delle query. Per prepararti al meglio, ti incoraggio a iscriverti ai corsi SQL di DataCamp.

Come esegui un'operazione di JOIN in BigQuery?

Perché viene chiesto: per valutare la tua capacità di combinare dati da più tabelle usando le operazioni SQL JOIN.

BigQuery supporta vari tipi di JOIN per combinare dati da più tabelle in base a una colonna condivisa. Ad esempio, per recuperare i dettagli dei prodotti insieme alle relative informazioni di vendita, puoi usare un INNER JOIN tra la TABELLA DELLE VENDITE e la TABELLA DEI PRODOTTI sulla Product_Id:

SELECT 
    s.Id AS Sales_Id, 
    p.Product, 
    p.Price, 
    s.Purchase_date
FROM sales_table s
JOIN product_table p 
    ON s.Product_Id = p.Id;

Per ulteriori dettagli, come le date di consegna, puoi unire la TABELLA DELLE CONSEGNE:

SELECT 
    s.Id AS Sales_Id, 
    p.Product, 
    p.Price, 
    s.Purchase_date, 
    d.Deliver_date
FROM sales_table s
JOIN product_table p ON s.Product_Id = p.Id
JOIN delivery_table d ON s.Id = d.Sales_Id;

Scrivi una query SQL per selezionare i 10 prodotti più costosi.

Perché viene chiesto: per valutare la tua capacità di recuperare e ordinare i dati in modo efficiente.

Per trovare i 10 prodotti più costosi, usa ORDER BY per ordinare per prezzo in ordine decrescente e LIMIT per limitare il risultato:

SELECT 
    Product, 
    Price 
FROM product_table
ORDER BY Price DESC
LIMIT 10;

Scrivi una query SQL per calcolare il numero medio di vendite al mese.

Perché viene chiesto: per valutare la tua capacità di eseguire aggregazioni basate sul tempo.

Per calcolare il numero medio di vendite al mese, usa la funzione EXTRACT per raggruppare le vendite per mese e COUNT per contare il numero di vendite al mese:

SELECT 
    EXTRACT(MONTH FROM Purchase_date) AS Month, 
    COUNT(Id) AS Total_Sales, 
    AVG(COUNT(Id)) OVER () AS Average_Sales
FROM sales_table
GROUP BY Month;

Scrivi una query SQL per trovare il numero totale di consegne per prodotto.

Perché viene chiesto: per valutare la tua capacità di aggregare i dati utilizzando GROUP BY e COUNT.

Per contare le consegne per ciascun prodotto:

SELECT 
    p.Product, 
    COUNT(d.Id) AS Total_Deliveries
FROM delivery_table d
JOIN product_table p 
    ON d.Product_Id = p.Id
GROUP BY p.Product;

Scrivi una query SQL per trovare il numero totale di consegne per ciascun prodotto.

Perché viene chiesto: per valutare la tua capacità di filtrare dati basati sul tempo.

Per ottenere i record di vendita degli ultimi 30 giorni:

SELECT * 
FROM sales_table
WHERE Purchase_date >= DATE_SUB(CURRENT_DATE(), INTERVAL 30 DAY);

Scrivi una query SQL per contare il numero di prodotti unici venduti nell'ultima settimana.

Perché viene chiesto: per valutare la tua capacità di eseguire conteggi distinti su dati basati sul tempo.

Per contare i prodotti distinti venduti negli ultimi 7 giorni:

SELECT COUNT(DISTINCT Product_Id) AS Unique_Products_Sold
FROM sales_table
WHERE Purchase_date >= DATE_SUB(CURRENT_DATE(), INTERVAL 7 DAY);

Scrivi una query SQL per raggruppare i dati di vendita per prodotto e calcolare il ricavo totale per ciascuno.

Perché viene chiesto: per testare la tua capacità di usare GROUP BY e di aggregare le vendite.

Per calcolare il ricavo totale per prodotto:

SELECT 
    p.Product, 
    SUM(p.Price) AS Total_Revenue
FROM sales_table s
JOIN product_table p 
    ON s.Product_Id = p.Id
GROUP BY p.Product;

Scrivi una query SQL per calcolare la percentuale delle vendite totali attribuita a ciascun prodotto.

Perché viene chiesto: per valutare la tua capacità di calcolare percentuali con SQL.

Per determinare la percentuale delle vendite totali per prodotto:

SELECT 
    p.Product, 
    SUM(p.Price) AS Product_Sales,
    (SUM(p.Price) / (SELECT SUM(Price) FROM product_table)) * 100 AS Sales_Percentage
FROM sales_table s
JOIN product_table p 
    ON s.Product_Id = p.Id
GROUP BY p.Product;

Scrivi una query SQL per classificare i prodotti in base alle vendite totali.

Perché viene chiesto: per valutare la tua capacità di usare funzioni finestra per il ranking.

Per classificare i prodotti in base alle vendite totali:

SELECT 
    p.Product, 
    SUM(p.Price) AS Total_Sales, 
    RANK() OVER (ORDER BY SUM(p.Price) DESC) AS Sales_Rank
FROM sales_table s
JOIN product_table p 
    ON s.Product_Id = p.Id
GROUP BY p.Product;

Scrivi una query SQL per calcolare il tempo medio di consegna per ciascun prodotto.

Perché viene chiesto: per valutare la tua capacità di lavorare con differenze di date in SQL.

Per calcolare il tempo medio di consegna per prodotto:

SELECT 
    p.Product, 
    AVG(DATE_DIFF(d.Deliver_date, s.Purchase_date, DAY)) AS Avg_Delivery_Time
FROM sales_table s
JOIN delivery_table d 
    ON s.Id = d.Sales_Id
JOIN product_table p 
    ON s.Product_Id = p.Id
GROUP BY p.Product;

Domande avanzate e basate su scenari

Oltre alle conoscenze di base e alla padronanza di SQL, le capacità di problem solving nel mondo reale sono cruciali per lavorare con BigQuery su larga scala. 

Le domande avanzate dei colloqui si concentrano spesso sulla gestione di grandi dataset, sull'ottimizzazione delle prestazioni, sulla gestione delle pipeline di dati e sulla risoluzione dei problemi più comuni negli ambienti di produzione.

Puoi descrivere la tua esperienza nell'implementazione di pipeline di dati in BigQuery?

Perché viene chiesto: per valutare la tua conoscenza pratica nella creazione, gestione e ottimizzazione di pipeline di dati in BigQuery, inclusi ingestione, trasformazione, orchestrazione e monitoraggio.

L'intervistatore cerca indicazioni sulla tua esperienza pratica nella progettazione e implementazione di pipeline di dati in BigQuery. Dovresti parlare di:

• Ingestione dei dati: metodi usati (BigQuery Data Transfer Service, Cloud Storage, ingestione in streaming).
• Trasformazione dei dati: uso di trasformazioni basate su SQL, query pianificate o strumenti come Dataflow e dbt.
• Orchestrazione: come gestisci i workflow di pipeline usando Cloud Composer (Apache Airflow), Cloud Functions o Cloud Scheduler.
• Monitoraggio e ottimizzazione: come tracci le prestazioni della pipeline, risolvi i problemi e ottimizzi i costi delle query.

Una risposta solida dovrebbe includere esempi reali di sfide affrontate e di come le hai risolte, come la gestione di grandi dataset, l'ottimizzazione delle prestazioni delle query o la garanzia dell'integrità dei dati nelle pipeline di produzione.

Alcune buone risorse per implementare un progetto di questo tipo sono: 

• La seguente guida YouTube su pipeline ETL batch con BigQuery.
• Il seguente repo GitHub di pipeline end-to-end.
• Il seguente repo GitHub di una pipeline ETL con Airflow e BigQuery.

Come puoi rimuovere record duplicati da una colonna in una grande tabella BigQuery mantenendo il nome della tabella?

Perché viene chiesto: per valutare la tua capacità di gestire in modo efficiente dati duplicati in BigQuery senza modificare la struttura della tabella.

Quando lavori con una tabella contenente milioni di righe e valori duplicati in una specifica colonna, l'approccio migliore è usare la funzione finestra ROW_NUMBER() per identificare e mantenere solo la prima occorrenza di ciascun duplicato, rimuovendo le altre. 

Puoi ottenere questo risultato sovrascrivendo la tabella con una versione deduplicata usando un'istruzione CREATE OR REPLACE TABLE:

CREATE OR REPLACE TABLE tableX AS 
SELECT * EXCEPT(row_number)
FROM (
    SELECT *, 
           ROW_NUMBER() OVER (PARTITION BY troubleColumn ORDER BY someOtherColumn) AS row_number 
    FROM tableX
) 
WHERE row_number = 1;

Ecco come funziona:

• ROW_NUMBER() assegna un numero di riga univoco a ciascun record all'interno dello stesso valore di troubleColumn, garantendo che venga mantenuto un solo record per gruppo di duplicati.

• La clausola PARTITION BY troubleColumn raggruppa le righe in base ai duplicati in quella colonna.

• La clausola ORDER BY someOtherColumn (ad es., Purchase_date) garantisce che venga mantenuto un record specifico.

• La query esterna filtra solo la prima occorrenza (row_number = 1), rimuovendo di fatto i duplicati.

• L'istruzione CREATE OR REPLACE TABLE garantisce che la tabella mantenga lo stesso nome sostituendola con i dati puliti.

Questo approccio elimina in modo efficiente i duplicati senza creare una nuova tabella o influire sulla struttura complessiva della tabella.

Come usi BigQuery per la visualizzazione dei dati e la reportistica, e quali sono gli strumenti più comuni?

Perché viene chiesto: per valutare la tua capacità di integrare BigQuery con strumenti di visualizzazione e comunicare efficacemente gli insight tramite reportistica.

BigQuery funge da potente backend per la visualizzazione dei dati e la reportistica, consentendo connessioni dirette con strumenti come Google Looker Studio (ex Data Studio), Tableau e Power BI. 

Questi strumenti permettono di interrogare i dati in tempo reale e creare dashboard, grafici e report personalizzati senza esportazioni manuali dei dati. Le tecniche chiave per la visualizzazione includono:

• Aggregare e trasformare i dati in BigQuery usando SQL prima della visualizzazione.
• Costruire dashboard interattivi con filtri dinamici e funzionalità di drill-down.
• Ottimizzare query e viste materializzate per migliorare le prestazioni dei dashboard.

Una risposta efficace dovrebbe evidenziare casi d'uso reali, come: 

• Monitoraggio delle KPI aziendali
• Monitoraggio dei trend
• Generazione di report automatici

Per implementare un tuo progetto di Data Visualization, puoi seguire i progetti specializzati di DataCamp sull'Analisi delle abitudini di ricarica dei veicoli elettrici e sull'Esplorazione della rete di trasporti di Londra con BigQuery.

Domande sulle best practice e sull'ottimizzazione in BigQuery

Lavorare in modo efficiente con BigQuery va oltre la scrittura di query SQL: richiede di ottimizzare le prestazioni, gestire i costi e implementare best practice per garantire operazioni sui dati fluide. Poiché BigQuery opera con un modello a consumo, capire come minimizzare le scansioni dei dati, sfruttare partizionamento e clustering e ottimizzare l'esecuzione delle query è cruciale sia per le prestazioni che per l'efficienza dei costi.

Quali sono le best practice per gestire in modo efficiente i costi di BigQuery?

Perché viene chiesto: per valutare la tua capacità di ottimizzare i costi lavorando con grandi dataset in BigQuery.

Per gestire efficacemente i costi di BigQuery, dovresti:

• Ottimizzare le query per scansionare solo le colonne e le righe necessarie, evitando SELECT *.

• Usare tabelle partizionate e clusterizzate per minimizzare la scansione dei dati e migliorare le prestazioni delle query.

• Sfruttare gli strumenti di monitoraggio dei costi come budget, avvisi e policy di controllo dei costi in Google Cloud.

• Sfruttare le prenotazioni di slot per una tariffazione più prevedibile e risparmi sui costi.

• Pulire regolarmente tabelle e partizioni inutilizzate per ottimizzare i costi di archiviazione.

Una strategia di gestione dei costi ben strutturata aiuta a controllare le spese mantenendo efficiente l'esecuzione delle query.

Quali sono le best practice per ottimizzare le prestazioni delle query in BigQuery?

Perché viene chiesto: per valutare la tua capacità di scrivere query efficienti che riducano tempi di esecuzione e costi.

Per ottimizzare le prestazioni delle query in BigQuery:

• Progetta uno schema efficiente, selezionando tipi di dati appropriati ed evitando una normalizzazione eccessiva.

• Usa partizionamento e clustering per ridurre la quantità di dati scansionati.

• Evita SELECT *, recuperando solo le colonne necessarie.

• Ottimizza le operazioni di JOIN e GROUP BY, assicurandoti di seguire le best practice per query su larga scala.

• Sfrutta caching e viste materializzate per archiviare risultati precomputati e migliorare le prestazioni.

• Usa funzioni di aggregazione approssimative, come APPROX_COUNT_DISTINCT, quando non è richiesta precisione assoluta.

Seguendo queste pratiche, puoi velocizzare le query, ridurre i costi di calcolo e migliorare l'efficienza complessiva.

Cosa sono gli slot di BigQuery e come influiscono sulle prestazioni delle query?

Perché viene chiesto: per valutare la tua comprensione delle risorse computazionali di BigQuery e del loro effetto sull'esecuzione delle query.

Gli slot di BigQuery sono unità di capacità computazionale usate per elaborare query SQL. Vengono allocati dinamicamente in base alle esigenze del carico di lavoro, garantendo un utilizzo efficiente delle risorse. Le organizzazioni possono scegliere tra:

• Slot on-demand, che si adattano automaticamente in base alle necessità delle query.
• Slot riservati, che offrono prestazioni più prevedibili e risparmi per carichi di lavoro costanti.

Una gestione efficiente degli slot può ridurre i tempi di esecuzione delle query, ottimizzare l'allocazione delle risorse e abbassare i costi complessivi.

Come puoi monitorare e ottimizzare efficacemente i costi di BigQuery?

Perché viene chiesto: per valutare la tua capacità di tracciare e controllare le spese di BigQuery.

Per monitorare e ottimizzare i costi in BigQuery:

• Analizza l'esecuzione delle query usando la cronologia delle query e i piani EXPLAIN per identificare operazioni costose.
• Abilita i log di audit per tracciare i pattern di utilizzo e individuare query inefficienti.
• Imposta budget e avvisi sui costi per prevenire spese impreviste.
• Ottimizza l'uso degli slot, sfruttando slot riservati per carichi stabili per ridurre i costi.
• Pulisci regolarmente tabelle e partizioni inutilizzate per evitare costi di storage non necessari.

Implementando queste strategie, puoi assicurare un'elaborazione dei dati conveniente mantenendo prestazioni e scalabilità.

Suggerimenti aggiuntivi per superare il tuo colloquio su BigQuery

Ecco alcuni ultimi consigli per affrontare al meglio il tuo prossimo colloquio su BigQuery.

Padroneggia i fondamenti. Comprendi l'architettura di BigQuery, incluso il design serverless, la separazione tra storage e compute e il motore di query Dremel con il nostro corso introduttivo su BigQuery. Impara dataset, tabelle, viste e viste materializzate per gestire e strutturare i dati in modo efficiente. Il nostro tutorial sulle viste materializzate in SQL ti sarà d'aiuto. 

Affina le tue abilità in SQL e nell'ottimizzazione delle query. Esercitati con le funzioni SQL specifiche di BigQuery (ARRAY, STRUCT, funzioni finestra) per query complesse con il nostro code-along Getting Started with BigQuery. Ottimizza le query con partizionamento, clustering e funzioni approssimative per ridurre i costi e migliorare le prestazioni seguendo la documentazione ufficiale di Google.

Fai esperienza pratica. Lavora su progetti reali usando dataset pubblici e crea report con Looker Studio, Tableau o Power BI con i progetti DataCamp. Provare Analyzing Electric Vehicle Charging Habits e Exploring London's Travel Network sono entrambi ottimi modi per migliorare le tue abilità SQL.