Formation · Claude Code · Data engineering

Claude Code pour les data engineers

Le coding agentique avec Claude Code dans le terminal et l’IDE : CLAUDE.md, sous-agents, hooks, MCP, CI et gestion fine des permissions.

Durée
2 jours (14 h)
Format
En ligne ou en présentiel
Langue
Allemand ou anglais
Participants
sessions ouvertes ou intra-entreprise
Attestation
Attestation de participation

Présentation

« Claude Code pour les data engineers » s’adresse notamment aux profils suivants : Data engineers et analytics engineers, Développeurs BI responsables de l’ETL et de l’entrepôt de données et Équipes plateforme lakehouse et streaming. Elle montre pas à pas comment utiliser Claude Code de manière productive, sûre et traçable dans le domaine Data engineering – des bases aux workflows avancés.

Claude Code est l’assistant de développement agentique d’Anthropic, qui travaille directement dans votre terminal et dans les principaux IDE. Au lieu de compléter des lignes isolées, il explore votre dépôt, planifie des modifications sur plusieurs fichiers, lance des commandes et des tests, puis prépare les commits. En deux jours, vous apprenez à l’utiliser de façon maîtrisée : des consignes de projet claires dans CLAUDE.md, une gestion réfléchie du contexte et une méthode où vous gardez la main sur la direction et sur chaque modification.

La formation s’appuie sur des tâches de développement concrètes : analyser un bug, livrer une fonctionnalité, refactorer du code hérité, compléter la couverture de tests. Vous configurez des sous-agents spécialisés, imposez des contrôles qualité grâce aux hooks, connectez des systèmes externes via le Model Context Protocol (MCP) et capitalisez le savoir de l’équipe sous forme de skills. Pour finir, vous exécutez Claude Code en mode headless dans vos pipelines CI et définissez permissions, sandbox et règles d’approbation adaptées aux environnements sensibles.

Les data engineers construisent et exploitent les pipelines sur lesquels reposent reporting, analytique et applications d’IA : ingestion depuis les systèmes sources, transformations avec dbt ou Spark, orchestration avec Airflow ou Dagster, qualité et gouvernance des données dans l’entrepôt ou le lakehouse. Le travail mêle SQL, Python, YAML et une connaissance fine des schémas et des dépendances. Les assistants et agents de codage IA l’accélèrent nettement : ils écrivent des modèles dbt avec tests et documentation, optimisent les requêtes lentes, créent des DAG Airflow, migrent des chaînes ETL historiques et expliquent un lignage complexe. Les données étant souvent sensibles, la gestion responsable des schémas, des jeux d’exemple et des identifiants est au cœur de cette formation.

La formation se déroule en direct – en ligne dans une classe virtuelle ou en présentiel dans nos salles à Munich, Salzbourg, Berlin, Augsbourg, Hanovre, Brême, Stuttgart et Kaiserslautern. Nous pouvons également l’organiser en intra pour votre équipe.

À qui s’adresse cette formation ?

  • Data engineers et analytics engineers
  • Développeurs BI responsables de l’ETL et de l’entrepôt de données
  • Équipes plateforme lakehouse et streaming
  • Développeurs chargés de moderniser des processus ETL historiques

Les défis concrets que nous traitons

  • Des chaînes ETL anciennes en procédures stockées ou outils propriétaires, sans tests
  • Des requêtes lentes et coûteuses et des jobs Spark peu efficaces
  • L’absence de contrôles de qualité et des responsabilités floues sur les jeux de données
  • Une documentation lacunaire des modèles de données, du lignage et des règles métier

Objectifs pédagogiques

  • Vous confiez à Claude Code des tâches de développement en plusieurs étapes tout en gardant le contrôle de chaque modification.
  • Vous tenez à jour un fichier CLAUDE.md qui transmet efficacement conventions, commandes et repères d’architecture à l’agent.
  • Vous étendez Claude Code avec des sous-agents, des hooks, des serveurs MCP et des skills adaptés à votre équipe.
  • Vous intégrez Claude Code à vos workflows Git et à vos pipelines CI avec des résultats traçables et couverts par des tests.
  • Mobiliser efficacement des agents IA pour les modèles dbt, les pipelines et l’optimisation SQL.
  • Moderniser l’ETL historique avec l’IA et sécuriser les résultats par des tests de rapprochement.
  • Protéger les données sensibles en travaillant avec des schémas, des jeux d’exemple synthétiques et des droits d’accès minimaux.

Programme

Jour 1

Module 1 Principes et fonctionnement de Claude Code
  • Installation, connexion et utilisation dans le terminal, VS Code et les IDE JetBrains
  • Comprendre la boucle agentique : lire, planifier, agir, vérifier
  • Utiliser le mode plan pour valider l’approche avant toute modification
  • Rédiger des demandes efficaces avec objectif, contexte et critères d’acceptation
Module 2 Contexte projet avec CLAUDE.md et gestion du contexte
  • Structurer CLAUDE.md au niveau du projet, des répertoires et de l’utilisateur
  • Documenter commandes de build, de test et conventions de style pour que l’agent les respecte
  • Maîtriser la fenêtre de contexte : références ciblées, compactage, nouvelles sessions
  • Reprendre une session et découper les tâches longues en étapes maîtrisables
Module 3 Étendre Claude Code : sous-agents, hooks, MCP et skills
  • Définir des sous-agents pour la revue de code, la recherche ou la génération de tests
  • Utiliser les hooks pour imposer formatage, linting ou contrôles avant et après chaque outil
  • Connecter des serveurs MCP pour les outils de tickets, les bases de données ou la documentation interne
  • Créer des commandes slash et des skills pour les workflows récurrents de l’équipe
Module 4 Workflows Git, tests et assurance qualité
  • Créer branches, commits explicites et pull requests avec Claude Code
  • Travailler en test d’abord : faire écrire les tests avant l’implémentation
  • Relire les diffs méthodiquement, rejeter ou affiner les modifications
  • Organiser le travail en parallèle avec les worktrees Git et plusieurs sessions

Jour 2

Module 5 Mode headless, CI et sécurité
  • Exécuter Claude Code de façon non interactive dans des scripts et pipelines CI
  • Automatiser revues et traitement des tickets dans GitHub ou GitLab
  • Configurer modes de permission, règles d’autorisation et d’interdiction, sandbox
  • Gérer les secrets, les risques d’injection de prompt et les politiques d’entreprise
Module 6 Atelier pratique : Data engineering
  • Modèles dbt avec tests
  • Optimiser les requêtes SQL
  • Pipelines Airflow et Dagster
  • Migrer l’ETL historique
  • Automatiser la qualité des données
  • Analyser les jobs Spark
Module 7 Protection des données, qualité & mise en pratique
  • Les prompts doivent contenir des schémas et des données synthétiques plutôt que des enregistrements personnels réels, et les identifiants ou chaînes de connexion aux bases doivent rester hors du contexte. Appliquez les principes du RGPD comme la limitation des finalités et la minimisation des données, documentez les flux de manière traçable et vérifiez licences et risques de chaîne d’approvisionnement des nouveaux paquets et connecteurs.
  • Règles du jeu pour un usage sûr de l’IA en équipe
  • Vérifier les résultats : faits, sources, tests et principe des quatre yeux
  • Plan d’action personnel pour les 30 prochains jours
  • Questions ouvertes, perspectives et ressources pour aller plus loin

Cas pratiques de votre domaine

Modèles dbt avec tests

L’agent écrit les modèles staging, intermediate et mart dans dbt, ajoute tests de schéma, définitions de sources et descriptions, puis exécute dbt build en boucle jusqu’à la réussite des modèles et des tests.

Optimiser les requêtes SQL

L’IA analyse les plans d’exécution, repère les jointures coûteuses et l’absence de partitionnement ou de clustering, puis réécrit les requêtes pour qu’elles parcourent moins de données et s’exécutent plus vite.

Pipelines Airflow et Dagster

Les besoins deviennent des DAG ou des assets à la structure de dépendances claire, avec relances, capteurs, alertes et prise en charge des backfills, ainsi que des tests de la logique de transformation.

Migrer l’ETL historique

Procédures stockées ou jobs ETL graphiques sont analysés, la logique métier documentée puis transposée progressivement en dbt ou PySpark, avec des requêtes de rapprochement entre ancien et nouveau traitement.

Automatiser la qualité des données

L’assistant définit des contrôles de complétude, d’unicité, de plages de valeurs et de fraîcheur, les implémente avec des tests dbt ou Great Expectations et configure des alertes en cas d’écart.

Analyser les jobs Spark

Informations de la Spark UI et logs sont interprétés, déséquilibres de partitions, shuffles et problèmes mémoire identifiés, et des optimisations proposées : broadcast joins, repartitionnement ou mise en cache.

Projets pratiques possibles

Tableau de bord qualité des données

Une petite application web qui lit les résultats des tests dbt ou des contrôles qualité et affiche clairement tendances, anomalies et tables concernées.

Pipeline d’ingestion d’une API REST

Un pipeline Python qui charge les données d’une API de façon incrémentale, détecte les évolutions de schéma et écrit les résultats partitionnés dans le lakehouse.

Explorateur de lignage

Un outil qui lit le manifeste dbt et représente les dépendances entre sources, modèles et tableaux de bord sous forme de graphe interactif.

Prérequis

Vous avez une pratique réelle de la programmation dans au moins un langage et maîtrisez Git ainsi que la ligne de commande. Une bonne maîtrise de SQL et de Python et une expérience pratique d’un entrepôt de données, de dbt, de Spark ou d’un orchestrateur.

Prérequis techniques

Ordinateur portable personnel avec droits administrateur, Git, environnement Node.js et un éditeur récent ; un abonnement Claude ou un accès à l’API Anthropic est nécessaire pour les exercices.

Protection des données & conformité

Les prompts doivent contenir des schémas et des données synthétiques plutôt que des enregistrements personnels réels, et les identifiants ou chaînes de connexion aux bases doivent rester hors du contexte. Appliquez les principes du RGPD comme la limitation des finalités et la minimisation des données, documentez les flux de manière traçable et vérifiez licences et risques de chaîne d’approvisionnement des nouveaux paquets et connecteurs.

Dates proposées

Toutes les dates sont indicatives – votre date souhaitée est toujours possible.

  • jeu. 26 novembre 2026 – ven. 27 novembre 2026 En ligne Demander
  • mar. 8 décembre 2026 – mer. 9 décembre 2026 Stuttgart Demander
  • mer. 20 janvier 2027 – jeu. 21 janvier 2027 Berlin Demander
  • lun. 25 janvier 2027 – mar. 26 janvier 2027 En ligne Demander
  • lun. 8 février 2027 – mar. 9 février 2027 Munich Demander
  • jeu. 25 février 2027 – ven. 26 février 2027 En ligne Demander

Questions fréquentes

Qu’est-ce qui distingue Claude Code de l’autocomplétion classique ?

L’autocomplétion propose les lignes suivantes, alors que Claude Code agit comme un agent capable de traiter une tâche entière : il explore le dépôt, planifie des modifications sur plusieurs fichiers, exécute tests et commandes, puis se corrige à partir des résultats. Vous fixez l’objectif et validez le résultat au lieu de piloter chaque ligne.

Claude Code est-il suffisamment sûr pour un usage en entreprise ?

Par défaut, Claude Code demande une validation avant de modifier un fichier ou de lancer une commande. Règles de permission, sandbox, paramètres gérés et hooks permettent de définir précisément ce que l’agent a le droit de faire. Pendant la formation, vous apprenez à les configurer selon vos exigences de sécurité et de protection des données, et à évaluer des risques comme l’injection de prompt.

Claude Code fonctionne-t-il avec mon langage et ma stack technique ?

Oui. Claude Code est indépendant du langage, car il travaille avec des fichiers, des commandes de terminal et vos outils de build et de test existants. Python, Java, TypeScript, Go, développements SAP ou infrastructure as code : l’essentiel est un CLAUDE.md bien rédigé qui décrit vos commandes et conventions. Chaque déclinaison de la formation apporte l’ancrage métier.

L’IA doit-elle accéder à nos données de production ?

Non, et ce n’est généralement pas pertinent. Pour la grande majorité des tâches, schémas, métadonnées, plans d’exécution et jeux de données synthétiques suffisent. Vous apprendrez à fournir précisément ce contexte à l’agent, à limiter les accès en lecture aux environnements de développement et à obtenir malgré tout des résultats fiables.

Cela fonctionne-t-il avec notre entrepôt de données ?

Les méthodes sont indépendantes de la plateforme et s’appliquent aussi bien à Snowflake, BigQuery, Databricks, Redshift, Synapse qu’à PostgreSQL. L’essentiel est d’indiquer à l’assistant le dialecte SQL et les spécificités de la plateforme, comme le partitionnement ou le clustering. Nous montrons comment les consigner dans des fichiers d’instructions.

Combien coûte la formation « Claude Code pour les data engineers » ?

La formation coûte 949 € HT forfaitaires par participant – en ligne comme en présentiel. Sont inclus 2 jour(s) de formation avec un formateur en direct, les supports de cours, un environnement d’exercice et une attestation de participation.

Puis-je proposer ma propre date ?

Oui. Nos dates sont indicatives. Dans le formulaire, vous pouvez à tout moment indiquer librement la date ou la période souhaitée – nous vérifions les disponibilités et confirmons sous un jour ouvré.

La formation a-t-elle lieu en ligne ou en présentiel ?

Les deux sont possibles : en direct dans une classe virtuelle ou en présentiel à Munich, Salzbourg, Berlin, Augsbourg, Hanovre, Brême, Stuttgart ou Kaiserslautern. Nous pouvons aussi l’organiser en intra pour votre équipe.

Autres formations pour les data engineers

Autres formations Claude Code

Les 77 formations Claude Code

Claude Code · MunichClaude Code · SalzbourgClaude Code · BerlinClaude Code · AugsbourgClaude Code · HanovreClaude Code · BrêmeClaude Code · StuttgartClaude Code · KaiserslauternClaude Code · En ligne