Google Cloud Associate Data Practitioner
225 questions de pratique
Dernière révision : April 2026
Notes personnelles et liens de ressources pour votre parcours d'étude
Filtrer par Certification
Le Google Cloud Associate Data Practitioner (ADP) est une certification de niveau associé plus récente qui valide le travail quotidien avec les données sur Google Cloud — ingestion, transformation, analyse et présentation des données avec BigQuery, Dataform, Dataflow, Dataplex et Looker. Il cible les analystes de données, les ingénieurs BI et les ingénieurs d'analyse plutôt que les ingénieurs de données complets. L'examen met donc l'accent sur SQL, les requêtes planifiées, l'orchestration de pipeline de base et les tableaux de bord Looker / Looker Studio, plutôt que sur le streaming avancé et le contenu d'ingénierie de plateforme. L'ADP s'inscrit entre la certification Cloud Digital Leader et Professional Data Engineer (PDE) : plus technique que CDL, moins axé sur l'architecture que PDE. C'est la certification de données techniques la plus accessible dans la filière GCP.
Le domaine le plus vaste (30 %). Chargements BigQuery, requêtes fédérées, Storage Transfer Service, Datastream pour la CDC, Pub/Sub pour l'ingestion en streaming, modèles Dataflow de base. Transformations SQL et Dataform.
BigQuery SQL (fonctions de fenêtre, CTE, ARRAYs/STRUCTs), bases du modèle sémantique Looker, tableaux de bord Looker Studio, requêtes planifiées et BI Engine. 27 % — fortement axé sur le SQL pratique.
DAGs Cloud Composer (Airflow géré), workflows Dataform, Cloud Scheduler + Cloud Workflows, déclencheurs Pub/Sub. 18 % — conceptuel, pas de code de DAG, mais les candidats doivent savoir quel orchestrateur correspond à quel modèle.
Zones et lacs Dataplex, étiquetage et recherche Data Catalog, IAM pour BigQuery (ensemble de données / table / colonne / ligne), chiffrement avec CMEK, rétention et sécurité au niveau des tables. 25 %.
Les services que vous rencontrerez à l'examen et pourquoi chacun compte.
Entrepôt de données sans serveur, en colonnes, avec séparation du stockage et du calcul, SQL ANSI, interrogeant des données semi-structurées (JSON) en place, et tarification par requête ou par slots.
Pourquoi il est à l'examen : BigQuery est la pièce maîtresse du domaine Analyse et Présentation des Données — attendez-vous à des questions sur le partitionnement, le clustering, les vues matérialisées et les réservations de slots.
Stockage d'objets servant de substrat de data lake pour les couches brutes, organisées et de consommation, avec les classes Standard / Nearline / Coldline / Archive et Autoclass.
Pourquoi il est à l'examen : Chaque scénario ADP de Préparation et Ingestion des Données suppose Cloud Storage comme zone d'atterrissage ; les classes de stockage, le cycle de vie et la disposition des partitions génèrent des questions de Gestion des Données.
Exécuteur Apache Beam entièrement géré pour des pipelines unifiés par lots et en streaming avec des workers à auto-mise à l'échelle, une sémantique exactement-une-fois, et des modèles flex intégrés.
Pourquoi il est à l'examen : Dataflow est la réponse par défaut pour l'ETL/ELT sans serveur dans le domaine Préparation et Ingestion des Données — les questions testent la conception des pipelines par lots vs. streaming et le fenêtrage.
Clusters Apache Spark, Hadoop, Flink et Hive gérés avec auto-mise à l'échelle éphémère, exécution GCE ou Serverless, et connecteurs BigQuery / Cloud Storage.
Pourquoi il est à l'examen : La réponse de référence pour « j'ai des jobs Spark/Hadoop existants » dans le domaine Préparation et Ingestion des Données — à contraster avec Dataflow pour la conception de nouveaux pipelines.
Bases de données relationnelles gérées pour PostgreSQL, MySQL et SQL Server avec HA régionale, sauvegardes automatisées et réplicas en lecture.
Pourquoi il est à l'examen : Cloud SQL est la source OLTP canonique alimentant les pipelines analytiques dans le domaine Gestion des Données — attendez-vous à des questions sur le CDC basé sur Datastream vers BigQuery.
Base de données relationnelle distribuée mondialement, fortement cohérente, avec mise à l'échelle horizontale, écritures multi-régions, et dialectes SQL ANSI plus PostgreSQL.
Pourquoi il est à l'examen : Spanner apparaît dans les scénarios de Gestion des Données qui exigent une cohérence globale à l'échelle, contrairement aux limites régionales de Cloud SQL.
Service de messagerie mondialement disponible, au moins une fois, pour l'ingestion d'événements à n'importe quelle échelle, avec livraison push ou pull et abonnements BigQuery / Cloud Storage.
Pourquoi il est à l'examen : Pub/Sub est la réponse principale pour l'ingestion en streaming dans le domaine Préparation et Ingestion des Données — s'associe à Dataflow pour l'enrichissement en temps réel.
Service Apache Airflow géré pour la création, la planification et la surveillance de workflows basés sur des DAG à travers BigQuery, Dataflow, Dataproc et les systèmes externes.
Pourquoi il est à l'examen : Composer est le service nommé pour le domaine Orchestration des Pipelines de Données — attendez-vous à des questions le distinguant de Workflows pour l'orchestration code-first vs. déclarative.
Abstraction de stockage permettant à BigQuery d'interroger des données au format ouvert (Parquet, Iceberg, Hudi, Delta) dans Cloud Storage et des magasins d'objets externes sous une gouvernance unifiée.
Pourquoi il est à l'examen : BigLake répond à la question de Gestion des Données « comment interroger les données du lakehouse sans les copier dans BigQuery » — et unifie les contrôles d'accès à travers les formats.
Studio ETL/ELT visuel et sans code, construit sur CDAP avec plus de 150 connecteurs pré-intégrés et transformations enfichables, s'exécutant sur Dataproc géré en arrière-plan.
Pourquoi il est à l'examen : L'option low-code dans le domaine Préparation et Ingestion des Données — les questions testent quand le choisir plutôt que Dataflow écrit à la main pour les ingénieurs de données citoyens.
Service de capture de données modifiées (CDC) sans serveur qui diffuse les insertions, mises à jour et suppressions de MySQL, PostgreSQL, AlloyDB, SQL Server et Oracle vers BigQuery ou Cloud Storage.
Pourquoi il est à l'examen : Datastream est la réponse canonique pour la réplication quasi-temps réel des données OLTP dans BigQuery dans les scénarios de Préparation et Ingestion des Données.
Workflow de transformation géré basé sur SQL à l'intérieur de BigQuery avec contrôle de version, graphes de dépendances, assertions et CI/CD via l'intégration Git.
Pourquoi il est à l'examen : Dataform gère la couche de transformation en entrepôt pour le domaine Orchestration des Pipelines de Données, contrasté avec les DAGs cross-services de Composer.
Outil BI gratuit et en libre-service pour des tableaux de bord interactifs sur BigQuery, Cloud SQL, Sheets et plus de 800 connecteurs, avec des contrôles de partage et d'intégration.
Pourquoi il est à l'examen : Looker Studio est le service de visualisation phare pour le domaine Analyse et Présentation des Données — attendez-vous à des questions sur le choix des connecteurs et la stratégie de rafraîchissement.
ML en entrepôt via SQL — entraînez, évaluez et prédisez avec la régression, la classification, le clustering, les séries temporelles et les intégrations AutoML / modèle distant à Vertex AI.
Pourquoi il est à l'examen : BigQuery ML est la réponse pour « fournir des insights ML sans déplacer les données » dans le domaine Analyse et Présentation des Données — aucune plateforme ML séparée n'est requise.
Service d'entraînement sans code pour les modèles tabulaires, d'image, de vidéo et de texte au sein de Vertex AI, incluant AutoML Tables migré vers la plateforme Vertex unifiée.
Pourquoi il est à l'examen : AutoML apparaît dans les scénarios d'Analyse et Présentation des Données où les analystes commerciaux ont besoin d'un modèle prédictif sans écrire de code d'entraînement.
Base de données NoSQL à colonnes larges à l'échelle du pétaoctet avec une latence d'une seule milliseconde et compatibilité API HBase, adaptée à l'IoT, aux séries temporelles et à l'ad-tech.
Pourquoi il est à l'examen : Bigtable est le magasin non relationnel nommé dans les questions de Gestion des Données pour les charges de travail à haut débit et faible latence au-delà de la portée de Firestore.
Contrôle d'accès au niveau du projet et des ressources via des principaux, des rôles et des conditions — incluant les permissions au niveau des ensembles de données, des tables, des lignes et des colonnes de BigQuery.
Pourquoi il est à l'examen : IAM applique le moindre privilège sur le data lake dans le domaine Gestion des Données ; attendez-vous à des questions sur les rôles prédéfinis vs. personnalisés et l'accès au niveau des colonnes de BigQuery.
Clés cryptographiques gérées avec des clés de chiffrement gérées par le client (CMEK) et des clés fournies par le client (CSEK) pour BigQuery, Cloud Storage, Cloud SQL et Spanner.
Pourquoi il est à l'examen : CMEK avec Cloud KMS est la réponse canonique de Gestion des Données pour le contrôle du chiffrement au repos des données d'entrepôt et de lac.
Fabrique de données unifiée pour cataloguer, classifier, profiler et gouverner les données à travers BigQuery, les lacs Cloud Storage et les sources externes avec des contrôles de qualité intégrés.
Pourquoi il est à l'examen : Dataplex est le service phare de catalogue/gouvernance dans le domaine Gestion des Données — les questions testent l'organisation du lac, le glossaire métier et la capture de la lignée.
Piste d'audit immuable des activités d'administration, d'accès aux données, d'événements système et de refus de politique à travers les services Google Cloud, routable vers BigQuery pour analyse.
Pourquoi il est à l'examen : Audit Logs est le contrôle nommé pour « qui a accédé à quel ensemble de données / table / objet et quand » dans les scénarios de conformité de Gestion des Données.
$90k–$130k–$180k USD annuel
La fourchette reflète les rôles d'ingénieur d'analyse et de BI basés aux États-Unis où BigQuery est l'entrepôt de données principal. Les ingénieurs d'analyse seniors équivalents aux FAANG dépassent les 200k $. Les rôles d'analyste de reporting pur ont tendance à être moins rémunérés ; les ingénieurs d'analyse dans les licornes fortement axées sur GCP et les entreprises numériques natives ont tendance à être mieux rémunérés.
Source : levels.fyi 2025–2026 (analyste de données Google L3–L4, ingénieur d'analyse chez des licornes axées sur GCP), U.S. BLS OEWS May 2024 (15-2051 data scientists, 13-2031 budget analysts, 15-1211 computer systems analysts). Les chiffres sont approximatifs ; la rémunération réelle dépend du rôle, de la région et de l'expérience.
L'ADP est nouveau (lancé en 2024) et la demande est encore en construction, mais il comble une lacune claire en dessous de la certification Professional Data Engineer dont Google avait besoin depuis longtemps. Les entreprises utilisant des stacks centrés sur BigQuery — en particulier les entreprises numériques natives, l'ad-tech, l'analyse de détail et les jeux — le citent sur les annonces d'ingénieur-analyste comme un élément différenciateur. La demande est concentrée sur les marchés avec une forte présence GCP (région de la Baie de San Francisco, NYC, Londres) et dans les industries où Looker est l'outil BI standard. À mesure que la certification mûrira, attendez-vous à ce qu'elle devienne la certification GCP par défaut sur les offres d'emploi d'analyste de données, de la même manière que Microsoft DP-900 / DP-203 dominent la filière analytique Azure.
Il n'y a pas de prérequis formels. Google recommande six mois ou plus de travail pratique avec les données sur Google Cloud, une aisance avec SQL et une compréhension de base des concepts de pipeline de données. Le parcours d'apprentissage officiel Associate Data Practitioner sur Google Cloud Skills Boost (environ 30 à 40 heures de labs) couvre tout ce qui est testé.
Si vous n'avez aucune expérience SQL, prévoyez 20 à 30 heures supplémentaires pour vous familiariser avec le SQL intermédiaire (jointures, fonctions de fenêtre, CTE) — les questions SQL BigQuery ne sont pas des flashcards, ce sont de courts scénarios. Si vous possédez déjà les certifications AWS Data Engineer Associate, Azure DP-900 ou DP-203, le contenu conceptuel correspond directement ; vous réapprenez principalement les noms de produits (BigQuery vs. Redshift / Synapse, Dataflow vs. Glue / ADF, Dataform vs. dbt-cloud, Looker vs. QuickSight / Power BI).
L'ADP est de niveau associé et s'adresse au praticien qui "fait du travail de données" plutôt qu'à l'ingénieur qui "architecte des plateformes de données". Prévoyez 50 à 80 heures sur 5 à 8 semaines si vous débutez avec les outils de données GCP, ou 20 à 35 heures sur 2 à 4 semaines si vous travaillez déjà quotidiennement avec BigQuery. L'examen comporte 50 à 60 questions à choix multiples / à réponses multiples en 120 minutes, administré via Pearson VUE (Google a migré de Kryterion / Webassessor début 2026).
L'obstacle le plus courant est l'étendue de la terminologie de Dataplex, Data Catalog et Dataform — ces produits ont évolué rapidement et les questions peuvent dépendre de distinctions de nommage (zones vs. lacs vs. assets, modèles de balises vs. balises). La pratique concrète avec le sandbox BigQuery et un petit projet de tableau de bord Looker Studio constitue la préparation la plus efficace. Google ne publie pas de scores numériques — seulement réussi/échoué. La certification est valide pendant trois ans et la recertification nécessite de repasser l'examen en vigueur.
Disponibilité générale initiale. Nouvelle certification de niveau associé comblant l'écart entre Cloud Digital Leader et la certification Professional Data Engineer. Version actuelle en avril 2026.
ADP (Google Cloud Associate Data Practitioner) est un examen de niveau Associate un examen de difficulté modérée exigeant une expérience pratique concrète ainsi qu'une solide compréhension des meilleures pratiques. La plupart des candidats ont besoin de 80 à 150 heures d'étude réparties sur 6 à 12 semaines pour les examens de niveau associé. La plupart des candidats qui obtiennent des scores constamment supérieurs au seuil de réussite lors des examens pratiques réussissent dès leur première tentative.
La plupart des candidats ont besoin de 80 à 150 heures d'étude réparties sur 6 à 12 semaines pour les examens de niveau associé. Le temps nécessaire pour réussir varie considérablement en fonction de l'expérience antérieure. Les ingénieurs ayant une expérience pratique en production avec la technologie sous-jacente en ont généralement besoin de moins ; les candidats novices sur la plateforme devraient viser la limite supérieure de cette fourchette.
ADP est une certification reconnue dans l'écosystème GCP et signale des connaissances validées aux employeurs, recruteurs et clients. Sa valeur en termes de temps et de coût dépend de votre rôle et de vos objectifs — elle est la plus avantageuse pour les ingénieurs cloud, architectes et consultants qui travaillent quotidiennement avec GCP ou souhaitent évoluer vers des rôles similaires.
Le score de réussite pour le ADP est de Non publié. L'examen contient 50 questions et dure 2 h.
Les frais d'examen ADP sont de $125 USD. Les frais sont fixés par GCP et peuvent varier selon la région ; confirmez toujours le prix actuel sur la page de certification officielle de GCP avant de réserver.
Les certifications Google Cloud Foundational et Associate sont valides pendant 3 ans. Recertifiez-vous en repassant la version actuelle de l'examen.
Oui. Vous pouvez passer l'examen en ligne (supervisé via le navigateur sécurisé du fournisseur, disponible 24h/24 et 7j/7 dans la plupart des régions) ou dans un centre de test Pearson VUE en personne pendant les heures ouvrables. Les deux formats utilisent les mêmes questions, la même limite de temps et le même score de réussite.
CertLabPro propose 15 modes d'étude à travers la banque de questions pratiques pour le ADP. Le mode de simulation d'examen reproduit l'examen réel : 50 questions en 2 h, avec le même seuil de réussite de Non publié. Le mode navigation vous permet de lire chaque Q&A de manière statique.