Comment passer l'examen blanc ANALYTICS-ENG ?

Cliquez sur le bouton « Commencer l'examen » sur cette page pour accéder à l'examen blanc ANALYTICS-ENG en ligne, gratuitement, avec correction immédiate à la fin.

Puis-je refaire l'examen plusieurs fois ?

Oui, autant de fois que vous le souhaitez.

Les corrections sont-elles fournies ?

Oui, chaque réponse est expliquée en détail.

Examen ANALYTICS-ENG — ANALYTICS-ENG — dbt Certified Analytics Engineer | Questions d'entraînement

À propos de l'examen ANALYTICS-ENG

L'examen ANALYTICS-ENG — ANALYTICS-ENG — dbt Certified Analytics Engineer — est proposé par dbt Labs et fait partie des certifications IT les plus reconnues au niveau international. Cette épreuve évalue vos compétences pratiques et théoriques dans le domaine de dbt certified analytics engineer. L'entraînement Certifexpress comprend 60 questions au format officiel pour une durée de 90 minutes. Le score minimum requis pour réussir est de 65%. Sur cette page, découvrez 5 exemples de questions représentatives pour évaluer votre niveau avant de commencer l'entraînement complet.

Comment se préparer à l'examen ANALYTICS-ENG ?

Révisez les concepts clés couverts dans le guide officiel de l'examen ANALYTICS-ENG.

Entraînez-vous régulièrement avec des questions au format réel pour vous familiariser avec la structure de l'épreuve.

Identifiez vos points faibles grâce aux explications détaillées fournies après chaque réponse.

Gérez votre temps : simulez les conditions réelles de l'examen en vous chronométrant.

Rejoignez la communauté Certifexpress pour partager vos retours d'expérience avec d'autres candidats.

5 exemples de questions — ANALYTICS-ENG

Ces questions sont extraites aléatoirement de la banque de questions officielle. Les réponses correctes ne sont pas indiquées ici — elles sont révélées lors de l'examen complet.

Dans un projet dbt mature, votre équipe suit une architecture en couches avec staging, intermediate et marts. Un nouveau développeur crée un modèle dans le répertoire marts/ qui référence directement une source via {{ source('erp', 'invoices') }} au lieu de passer par un modèle staging. Pourquoi cette pratique est-elle déconseillée selon les bonnes pratiques dbt ?

A A. La fonction source() ne peut techniquement être utilisée que dans les modèles du répertoire staging/ B B. Cela viole le principe DRY (Don't Repeat Yourself) car les transformations de nettoyage devraient être centralisées dans la couche staging pour être réutilisées par tous les modèles en aval C C. Les modèles marts/ ne supportent que la matérialisation en table et source() requiert une matérialisation en view D D. La fonction source() est dépréciée depuis dbt v1.0 et doit être remplacée par la fonction from()

Dans un pipeline dbt de production, vous avez un modèle 'fact_transactions' avec un test not_null sur la colonne 'transaction_id'. L'équipe souhaite que le test accepte jusqu'à 10 lignes en violation avec un simple avertissement, mais échoue en erreur à partir de 11 lignes. Quelle configuration appliquez-vous au test ?

A A. severity: warn avec limit: 10 B B. warn_if: '>10' et error_if: '>10' C C. warn_if: '>0' et error_if: '>10' D D. threshold: 10 et severity: adaptive

Un analyste de votre organisation souhaite réutiliser une même description longue et détaillée pour une colonne 'customer_id' présente dans plus de 30 modèles dbt. Quelle fonctionnalité dbt permet d'éviter la duplication de cette description dans chaque fichier .yml ?

A A. Utiliser des anchors YAML (&anchor et *alias) pour référencer une description commune dans les fichiers .yml B B. Définir un doc block dans un fichier .md avec {% docs customer_id_desc %} et le référencer via {{ doc('customer_id_desc') }} dans les fichiers .yml C C. Créer une macro Jinja {{ description('customer_id') }} qui retourne le texte de description à injecter dans les fichiers .yml D D. Configurer une variable globale dans dbt_project.yml avec 'vars: customer_id_description' et l'appeler avec {{ var('customer_id_description') }} dans les fichiers .yml

Votre entreprise utilise le package dbt_utils pour enrichir ses tests de qualité de données. Vous devez vérifier que la combinaison des colonnes 'order_date' et 'customer_id' dans le modèle 'orders' forme une clé unique composite. Quel test du package dbt_utils est le plus approprié ?

A A. dbt_utils.unique_combination_of_columns B B. dbt_utils.expression_is_true avec une expression COUNT DISTINCT C C. dbt_utils.not_null_proportion sur les deux colonnes D D. dbt_utils.equality comparant avec un SELECT DISTINCT

Votre entreprise utilise dbt pour transformer les données dans Snowflake. Un data engineer a défini un test générique unique sur la colonne order_id du modèle fct_orders dans le fichier schema.yml. Après avoir exécuté dbt test, le test échoue car 15 doublons sont détectés. L'équipe métier confirme que ces doublons proviennent d'un bug connu dans le système source qui sera corrigé le mois prochain. Quelle configuration dbt permet de faire passer le test en warning au lieu d'error, sans supprimer le test ?

A A. Configurer severity: warn dans le bloc config du test dans schema.yml B B. Ajouter --warn-error dans la commande dbt test C C. Configurer warn_if: '>0' et error_if: '>20' dans le bloc config du test D D. Remplacer le test unique par un test not_null pour contourner le problème

Encore 55 questions dans l'examen complet

Accédez à toutes les questions avec corrections détaillées et explications officielles.

Commencer l'examen — Gratuit

✓ Sans inscription obligatoire · Correction immédiate

📖 Préparez-vous avec nos guides

Salaires & Certifications IT 2026

Commencer l'examen ANALYTICS-ENG complet

60 questions au format officiel, corrections détaillées, suivi de votre progression. Gratuit, sans CB.

Commencer l'examen complet →