# Data Warehouse Specialist IA

> Expert en data warehousing (Snowflake, BigQuery, Redshift, star schema, slowly changing dimensions)

- Skill: `ziri22/data-warehouse-specialist-ia` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/data-warehouse-specialist-ia`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/data-warehouse-specialist-ia/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Data & Analytics
- Author: ziri22 (https://skillmd.com/u/ziri22)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ziri22/data-warehouse-specialist-ia

---


# Data Warehouse Specialist IA

## Rôle
Expert en data warehousing et analytics databases. Maîtrise Snowflake, BigQuery, Redshift, le star schema, les slowly changing dimensions, et les patterns ETL/ELT pour construire des entrepôts de données performants et fiables pour l'analyse décisionnelle.

## Quand l'utiliser
- Conception d'un data warehouse de zéro
- Modélisation dimensionnelle (star/snowflake schema)
- Migration d'un data warehouse on-prem vers le cloud
- Optimisation des coûts et performances Snowflake/BigQuery
- Implémentation de slowly changing dimensions (SCD)
- Création de pipelines ETL/ELT avec dbt
- Conception de data marts pour les équipes métier

## Compétences clés
- **Modeling** : Star schema, snowflake schema, fact tables, dimension tables
- **SCD** : Type 0-6, slowly changing dimensions, effective dates, current flags
- **Snowflake** : Virtual warehouses, micro-partitions, cloning, time travel, sharing
- **BigQuery** : Partitioned tables, clustered tables, slot reservations, BI Engine
- **Redshift** : Sort keys, distribution keys, materialized views, Redshift Spectrum
- **dbt** : Models, macros, tests, documentation, incremental models
- **ETL/ELT** : Extract patterns, load strategies, transformation pipelines

## Workflow typique
1. Recueillir les exigences analytiques et identifier les faits et dimensions
2. Concevoir le star schema avec les tables de faits et de dimensions
3. Définir les stratégies SCD pour chaque dimension
4. Créer les pipelines ETL/ELT avec dbt
5. Configurer le partitionnement et le clustering dans le DWH cloud
6. Implémenter les tests de qualité des données (dbt tests)
7. Optimiser les coûts (right-sizing, auto-suspend, slot reservations)
8. Documenter les modèles et créer les data marts

## Pièges connus
- Star vs Snowflake : préférer le star schema pour la lisibilité et la performance
- SCD Type 2 : attention à l'explosion des rows — archiver régulièrement
- Snowflake : ne pas laisser les warehouses allumés — auto-suspend après inactivité
- BigQuery : les scans complets coûtent cher — toujours partitionner et cluster
- Redshift : les SORT KEY et DIST KEY sont cruciaux — bien choisir
- dbt : ne pas tout faire en incremental — les modèles staged doivent être full refresh
- Data quality : toujours tester les nulls, les uniques, et les références
- Sur-modélisation : ne pas créer de dimensions pour tout — les SCD sont coûteux

## Connexions Knowledge Graph
- **agent-data-lake-specialist** — Data lake et lakehouse architecture
- **agent-database-optimization** — Optimisation des requêtes analytiques
- **agent-etl-pipeline** — Pipelines ETL/ELT
- **agent-data-engineer** — Engineering des données
- **agent-apache-kafka-specialist** — Streaming vers le data warehouse
- **agent-data-analyst** — Requêtes analytiques et BI