Google Cloud Associate Data Practitioner
225 שאלות תרגול
נבדק לאחרונה: April 2026
הערות אישיות וקישורים למשאבים למסע הלמידה שלך
סנן לפי הסמכה
ה-Google Cloud Associate Data Practitioner (ADP) הוא הסמכה חדשה ברמת Associate המאמתת עבודת נתונים יומיומית ב-Google Cloud — קליטה, טרנספורמציה, ניתוח והצגת נתונים עם BigQuery, Dataform, Dataflow, Dataplex ו-Looker. היא מכוונת למנתחי נתונים, מהנדסי BI ומהנדסי אנליטיקה, ולא למהנדסי נתונים מלאים, ולכן הבחינה מדגישה SQL, שאילתות מתוזמנות, תזמור בסיסי של צינורות נתונים (pipelines) ולוחות מחוונים של Looker / Looker Studio, על פני תוכן עמוק של סטרימינג והנדסת פלטפורמות. ה-ADP ממוקם בין Cloud Digital Leader לבין הסמכת Professional Data Engineer (PDE): טכני יותר מ-CDL, פחות אדריכלי מ-PDE. זוהי הסמכת הנתונים הטכנית הנגישה ביותר במסלול ה-GCP.
התחום הגדול ביותר ב-30%. טעינות BigQuery, שאילתות מאוחדות (federated queries), Storage Transfer Service, Datastream עבור CDC, Pub/Sub לקליטת סטרימינג, תבניות Dataflow בסיסיות. טרנספורמציות SQL ו-Dataform.
BigQuery SQL (פונקציות חלון, CTEs, ARRAYs/STRUCTs), יסודות מודל סמנטי של Looker, לוחות מחוונים של Looker Studio, שאילתות מתוזמנות ו-BI Engine. 27% — דגש חזק על SQL פרקטי.
DAGs של Cloud Composer (Airflow מנוהל), זרימות עבודה של Dataform, Cloud Scheduler + Cloud Workflows, טריגרים של Pub/Sub. 18% — קונספטואלי, ללא קוד DAG, אך המועמדים חייבים לדעת איזה מתזמר מתאים לאיזו תבנית.
אזורים ואגמים של Dataplex, תיוג וחיפוש ב-Data Catalog, IAM עבור BigQuery (dataset / table / column / row), הצפנה עם CMEK, שמירת נתונים ואבטחה ברמת טבלה. 25%.
שירותים שתפגוש במבחן ומדוע כל אחד מהם חשוב.
מחסן נתונים עמודי וללא שרתים, עם הפרדת אחסון ומחשוב, תמיכה ב-ANSI SQL, שאילתות על נתונים חצי-מובנים (JSON) במקומם, ותמחור לפי שאילתה או לפי סלוטים.
מדוע הוא במבחן: BigQuery הוא הליבה של ניתוח והצגת נתונים — צפו לשאלות על חלוקה למחיצות, קיבוץ, תצוגות חומרניות והקצאת סלוטים.
אחסון אובייקטים המשמש כתשתית לאגם הנתונים עבור שכבות גולמיות, מטופלות וצריכה, עם מחלקות Standard / Nearline / Coldline / Archive ו-Autoclass.
מדוע הוא במבחן: כל תרחיש הכנת נתונים והזרמה של ADP מניח את Cloud Storage כאזור הנחיתה; מחלקות אחסון, ניהול מחזור חיים ופריסת מחיצות מניעים שאלות בניהול נתונים.
מנהל Apache Beam מנוהל במלואו עבור צינורות אצווה וסטרימינג מאוחדים עם עובדים עם סקיילינג אוטומטי, סמנטיקה של ביצוע פעם אחת בלבד ותבניות גמישות מובנות.
מדוע הוא במבחן: Dataflow הוא התשובה המוגדרת כברירת מחדל עבור ETL/ELT ללא שרתים בהכנת נתונים והזרמה — שאלות בודקות עיצוב צינורות אצווה לעומת סטרימינג וחלונות.
אשכולות Apache Spark, Hadoop, Flink ו-Hive מנוהלים עם סקיילינג אוטומטי זמני, ביצוע על GCE או ללא שרתים, ומחברים ל-BigQuery / Cloud Storage.
מדוע הוא במבחן: תשובת הייחוס ל"יש לי ג'ובים קיימים של Spark/Hadoop" בהכנת נתונים והזרמה — השוו זאת ל-Dataflow עבור עיצוב צינורות חדשים.
מסדי נתונים יחסיים מנוהלים עבור PostgreSQL, MySQL ו-SQL Server עם זמינות גבוהה אזורית, גיבויים אוטומטיים ורפליקות קריאה.
מדוע הוא במבחן: Cloud SQL הוא מקור ה-OLTP הקנוני המזין צינורות אנליטיקה תחת ניהול נתונים — צפו לשאלות על CDC מבוסס Datastream לתוך BigQuery.
מסד נתונים יחסי מבוזר גלובלית ובעל עקביות חזקה עם סקיילינג אופקי, כתיבות מרובות אזורים, ו-ANSI SQL בתוספת דיאלקטים של PostgreSQL.
מדוע הוא במבחן: Spanner מופיע בתרחישי ניהול נתונים הדורשים עקביות גלובלית בקנה מידה, בניגוד למגבלות האזוריות של Cloud SQL.
שירות הודעות זמין גלובלית בשיטת "לפחות פעם אחת" לקליטת אירועים בכל קנה מידה, עם מסירה בשיטת Push או Pull ומנויים ל-BigQuery / Cloud Storage.
מדוע הוא במבחן: Pub/Sub הוא התשובה העיקרית להזרמת נתונים בהכנת נתונים והזרמה — הוא משתלב עם Dataflow להעשרה בזמן אמת.
שירות Apache Airflow מנוהל ליצירה, תזמון וניטור של תהליכי עבודה מבוססי DAG על פני BigQuery, Dataflow, Dataproc ומערכות חיצוניות.
מדוע הוא במבחן: Composer הוא השירות הנבחר לתזמור צינורות נתונים — צפו לשאלות המבחינות בינו לבין Workflows בתזמור מונחה-קוד לעומת תזמור הצהרתי.
אבסטרקציית אחסון המאפשרת ל-BigQuery לבצע שאילתות על נתונים בפורמט פתוח (Parquet, Iceberg, Hudi, Delta) ב-Cloud Storage ובמאגרי אובייקטים חיצוניים תחת ממשל אחיד.
מדוע הוא במבחן: BigLake עונה על שאלת ניהול נתונים של "איך אוכל לבצע שאילתות על נתוני lakehouse מבלי להעתיק אותם ל-BigQuery" — ומאחדת בקרות גישה על פני פורמטים שונים.
סטודיו ETL/ELT ויזואלי וללא קוד, הבנוי על CDAP, עם למעלה מ-150 מחברים מובנים מראש וטרנספורמציות הניתנות להוספה, הרץ על Dataproc מנוהל מאחורי הקלעים.
מדוע הוא במבחן: אפשרות ה-low-code בהכנת נתונים והזרמה — שאלות בודקות מתי לבחור בו על פני Dataflow שנכתב ידנית עבור מהנדסי נתונים אזרחיים.
שירות לכידת שינויי נתונים (CDC) ללא שרתים, המזרים הוספות, עדכונים ומחיקות מ-MySQL, PostgreSQL, AlloyDB, SQL Server ו-Oracle לתוך BigQuery או Cloud Storage.
מדוע הוא במבחן: Datastream הוא התשובה הקנונית להעתקה בזמן כמעט-אמת של נתוני OLTP לתוך BigQuery בתרחישי הכנת נתונים והזרמה.
זרימת עבודה מנוהלת לטרנספורמציה מבוססת SQL בתוך BigQuery עם בקרת גרסאות, גרפי תלות, טענות נכונות ו-CI/CD באמצעות אינטגרציית Git.
מדוע הוא במבחן: Dataform אחראי על שכבת הטרנספורמציה בתוך מחסן הנתונים עבור תזמור צינורות נתונים, בניגוד ל-DAGs חוצי-השירותים של Composer.
כלי BI חינמי בשירות עצמי ללוחות מחוונים אינטראקטיביים על BigQuery, Cloud SQL, Sheets, ולמעלה מ-800 מחברים, עם בקרות שיתוף והטמעה.
מדוע הוא במבחן: Looker Studio הוא שירות הוויזואליזציה העיקרי עבור ניתוח והצגת נתונים — צפו לשאלות על בחירת מחברים ואסטרטגיית רענון.
ML בתוך מחסן הנתונים באמצעות SQL — אימון, הערכה וחיזוי עם רגרסיה, סיווג, קיבוץ, סדרות זמן, ואינטגרציות AutoML / מודלים מרוחקים ל-Vertex AI.
מדוע הוא במבחן: BigQuery ML הוא התשובה ל"אספקת תובנות ML ללא הזזת נתונים" בניתוח והצגת נתונים — אין צורך בפלטפורמת ML נפרדת.
שירות אימון ללא קוד עבור מודלים טבלאיים, תמונות, וידאו וטקסט בתוך Vertex AI, כולל AutoML Tables שהועבר לפלטפורמת Vertex המאוחדת.
מדוע הוא במבחן: AutoML מופיע בתרחישי ניתוח והצגת נתונים שבהם אנליסטים עסקיים זקוקים למודל חיזוי מבלי לכתוב קוד אימון.
מסד נתונים NoSQL מסוג Wide-Column בקנה מידה של פטא-בייט עם השהיה של מילי-שניות בודדות ותאימות ל-API של HBase, מתאים ל-IoT, סדרות זמן וטכנולוגיות פרסום.
מדוע הוא במבחן: Bigtable הוא מאגר הנתונים הלא-יחסי הנבחר בשאלות ניהול נתונים עבור עומסי עבודה עם תפוקה גבוהה והשהיה נמוכה מעבר ליכולות של Firestore.
בקרת גישה ברמת הפרויקט וברמת המשאב באמצעות ישויות (principals), תפקידים ותנאים — כולל הרשאות ברמת dataset, טבלה, שורה ועמודה ב-BigQuery.
מדוע הוא במבחן: IAM אוכף את עיקרון ההרשאה המינימלית על פני אגם הנתונים בניהול נתונים; צפו לשאלות על תפקידים מוגדרים מראש לעומת תפקידים מותאמים אישית וגישה ברמת העמודה ב-BigQuery.
מפתחות קריפטוגרפיים מנוהלים עם מפתחות הצפנה בניהול לקוח (CMEK) ומפתחות המסופקים על ידי לקוח (CSEK) עבור BigQuery, Cloud Storage, Cloud SQL ו-Spanner.
מדוע הוא במבחן: CMEK עם Cloud KMS הוא התשובה הקנונית לניהול נתונים לבקרת הצפנה במנוחה על נתוני מחסן ואגם נתונים.
רשת נתונים מאוחדת לקטלוג, סיווג, פרופיל וניהול נתונים על פני BigQuery, אגמי Cloud Storage ומקורות חיצוניים עם בדיקות איכות מובנות.
מדוע הוא במבחן: Dataplex הוא שירות הקטלוג/ממשל הראשי בניהול נתונים — שאלות בודקות ארגון אגם הנתונים, מילון עסקי ולכידת שושלת נתונים.
יומן ביקורת בלתי ניתן לשינוי של פעילות ניהול, גישת נתונים, אירועי מערכת ופעילות שנמנעה על ידי מדיניות על פני שירותי Google Cloud, הניתן לניתוב ל-BigQuery לניתוח.
מדוע הוא במבחן: Audit Logs הם הבקרה הנבחרת עבור "מי ניגש לאיזה dataset / טבלה / אובייקט מתי" בתרחישי תאימות של ניהול נתונים.
$90k–$130k–$180k USD שנתי
הטווח משקף תפקידי מהנדס אנליטיקה ו-BI בארה"ב שבהם BigQuery הוא מחסן הנתונים הראשי. מהנדסי אנליטיקה בכירים המקבילים ל-FAANG עוברים את ה-$200k. תפקידי מנתח דוחות (reporting analyst) טהורים נוטים להיות נמוכים יותר; מהנדסי אנליטיקה בחברות יוניקורן המתבססות רבות על GCP ובחברות דיגיטליות-מקוריות נוטים להיות גבוהים יותר.
מקור: levels.fyi 2025–2026 (מנתחי נתונים L3–L4 ב-Google, מהנדסי אנליטיקה בחברות יוניקורן המשתמשות ב-GCP), הלשכה האמריקאית לסטטיסטיקת עבודה BLS OEWS מאי 2024 (15-2051 data scientists, 13-2031 budget analysts, 15-1211 computer systems analysts). הנתונים משוערים; התגמול בפועל תלוי בתפקיד, באזור ובניסיון.
ה-ADP חדש (הושק ב-2024) והביקוש עדיין בבנייה, אך הוא ממלא פער ברור מתחת להסמכת Professional Data Engineer ש-Google נזקקה לה זמן רב. חברות המפעילות ערימות טכנולוגיות הממוקדות ב-BigQuery — במיוחד חברות דיגיטליות-מקוריות, Ad-Tech, אנליטיקה קמעונאית וחברות גיימינג — מציינות אותו בפרסומי משרות מנתחי-מהנדסים כמבדל. הביקוש מרוכז בשווקים עם נוכחות חזקה של GCP (אזור מפרץ סן פרנסיסקו, ניו יורק, לונדון) ובתעשיות שבהן Looker הוא כלי ה-BI הסטנדרטי. ככל שההסמכה תתבגר, צפו שהיא תהפוך להסמכת ה-GCP הסטנדרטית בפרסומי משרות של מנתחי נתונים, בדומה לאופן שבו Microsoft DP-900 / DP-203 שולטים במסלול האנליטיקה של Azure.
אין דרישות קדם רשמיות. Google ממליצה על שישה חודשים או יותר של עבודת נתונים מעשית ב-Google Cloud, נוחות עם SQL, והבנה בסיסית של מושגי צינורות נתונים (data pipeline). נתיב הלמידה הרשמי של Associate Data Practitioner ב-Google Cloud Skills Boost (כ-30–40 שעות מעבדה) מכסה את כל מה שנבדק.
אם אין לכם ניסיון ב-SQL כלל, תכננו 20–30 שעות נוספות כדי להרגיש בנוח עם SQL בינוני (joins, window functions, CTEs) — שאלות ה-SQL של BigQuery אינן כרטיסי פלאש (flashcards), אלו תרחישים קצרים. אם אתם כבר מחזיקים ב-AWS Data Engineer Associate, Azure DP-900, או DP-203, התוכן הקונספטואלי תואם ישירות; בעיקר תצטרכו ללמוד מחדש שמות מוצרים (BigQuery לעומת Redshift / Synapse, Dataflow לעומת Glue / ADF, Dataform לעומת dbt-cloud, Looker לעומת QuickSight / Power BI).
ה-ADP הוא ברמת Associate ומיועד למתאמן ש"עושה עבודת נתונים" ולא למהנדס ש"מתכנן פלטפורמות נתונים". תכננו 50–80 שעות על פני 5–8 שבועות אם אתם חדשים לכלי הנתונים של GCP, או 20–35 שעות על פני 2–4 שבועות אם אתם כבר עובדים מדי יום ב-BigQuery. הבחינה כוללת 50–60 שאלות רב-ברירתיות / בחירה מרובה ב-120 דקות, ומועברת דרך Pearson VUE (גוגל עברה מ-Kryterion / Webassessor בתחילת 2026).
המכשול הנפוץ ביותר הוא רוחב הטרמינולוגיה של Dataplex, Data Catalog ו-Dataform — מוצרים אלו התפתחו במהירות ושאלות יכולות להסתמך על הבחנות שמות (zones לעומת lakes לעומת assets, tag templates לעומת tags). תרגול מעשי עם סביבת BigQuery Sandbox ופרויקט קטן של לוח מחוונים ב-Looker Studio הוא ההכנה בעלת המינוף הגבוה ביותר. Google אינה מפרסמת ציונים מספריים — רק עובר/נכשל. ההסמכה תקפה לשלוש שנים וחידוש ההסמכה דורש מעבר חוזר של הבחינה הנוכחית.
זמינות כללית ראשונית. הסמכה חדשה ברמת Associate הממלאת את הפער בין Cloud Digital Leader לבין הסמכת Professional Data Engineer. גרסה נוכחית נכון לאפריל 2026.
ADP (Google Cloud Associate Data Practitioner) הוא מבחן ברמת Associate מבחן קשה במידה, המצפה לניסיון מעשי בתוספת הבנה מוצקה של שיטות עבודה מומלצות. רוב המועמדים זקוקים ל-80–150 שעות לימוד הפרוסות על פני 6–12 שבועות עבור מבחני רמת Associate. רוב המועמדים שמקבלים ציונים באופן עקבי מעל סף המעבר במבחני תרגול עוברים בניסיון הראשון.
רוב המועמדים זקוקים ל-80–150 שעות לימוד הפרוסות על פני 6–12 שבועות עבור מבחני רמת Associate. משך הזמן למעבר משתנה מאוד בהתאם לניסיון קודם. מהנדסים בעלי ניסיון מעשי בסביבת ייצור בטכנולוגיה הבסיסית זקוקים בדרך כלל לפחות זמן; מועמדים חדשים לפלטפורמה צריכים לתכנן את לימודיהם לכיוון הקצה העליון של טווח זה.
ADP הוא אישור מוכר במערכת האקולוגית של GCP ומסמן ידע מאומת למעסיקים, מגייסים ולקוחות. האם זה שווה את הזמן והעמלה עבורך תלוי בתפקיד ובמטרות שלך – זה נוטה להשתלם ביותר עבור מהנדסי ענן, אדריכלים ויועצים שעובדים עם GCP על בסיס יומיומי או רוצים לעבור לתפקידים כאלה.
ציון המעבר עבור ADP הוא לא פורסם. המבחן מכיל 50 שאלות ונמשך 2 שע'.
עמלת מבחן ה-ADP היא $125 USD. העמלות נקבעות על ידי GCP ועשויות להשתנות לפי אזור; תמיד אשרו את המחיר הנוכחי בדף ההסמכה הרשמי של GCP לפני ההזמנה.
הסמכות Google Cloud Foundational ו-Associate תקפות למשך 3 שנים. ניתן לחדש הסמכה על ידי מעבר חוזר של הגרסה הנוכחית של המבחן.
כן. ניתן לגשת למבחן באופן מקוון (בפיקוח דרך הדפדפן המאובטח של הספק, זמין 24/7 ברוב האזורים) או במרכז בחינה פיזי של Pearson VUE בשעות הפעילות. שני הפורמטים משתמשים באותן שאלות, מגבלת זמן וציון מעבר.
CertLabPro מספק 15 מצבי לימוד על פני בנק השאלות לתרגול עבור ADP. מצב סימולציית המבחן משקף את המבחן האמיתי: 50 שאלות ב-2 שע', עם אותו סף מעבר של לא פורסם. מצב עיון מאפשר לך לקרוא כל שאלה ותשובה באופן סטטי.