Añadir roadmap_estudos

roadmap_estudos

@@ -0,0 +1,155 @@
+# 📅 Roadmap de Estudo Airbyte + dbt (6 Semanas)
+
+---
+
+## 🔹 Semana 1 – Fundamentos
+
+🎯 Objetivo: Entender a stack e preparar ambiente.
+
+1. **Conceitos**
+
+   * ETL vs ELT (Airbyte → EL, dbt → T).
+   * O papel do BigQuery como *data warehouse*.
+   * O Metabase como camada de visualização.
+
+2. **Infraestrutura**
+
+   * Instalar Docker e Docker Compose.
+   * Subir Airbyte local (`docker-compose up`).
+   * Criar um projeto vazio dbt (`dbt init`).
+
+---
+
+## 🔹 Semana 2 – SQL básico + Airbyte inicial
+
+🎯 Objetivo: Ganhar confiança em SQL e usar o Airbyte para extrair dados.
+
+1. **SQL**
+
+   * SELECT, WHERE, ORDER BY, LIMIT.
+   * Funções simples: `UPPER()`, `ROUND()`, `DATE_TRUNC()`.
+
+2. **Airbyte**
+
+   * Configurar **primeiro Source** (CSV local ou Google Sheets).
+   * Configurar **Destination BigQuery**.
+   * Verificar dados carregados no dataset `raw`.
+
+👉 Exercício: carregar um CSV de vendas → BigQuery.
+
+---
+
+## 🔹 Semana 3 – SQL intermediário + dbt no básico
+
+🎯 Objetivo: Começar a transformar dados no dbt.
+
+1. **SQL**
+
+   * JOINs, GROUP BY, agregações.
+   * CTE (`WITH ...`) para organizar consultas.
+
+2. **dbt**
+
+   * Conectar dbt ao BigQuery (`profiles.yml`).
+   * Criar pastas: `models/staging`, `models/core`.
+   * Criar modelo de staging:
+
+     ```sql
+     select
+       cast(order_date as date) as order_date,
+       customer_id,
+       amount
+     from {{ source('raw', 'sales') }}
+     ```
+
+3. **Airbyte + dbt**
+
+   * Ativar *Normalization* no Airbyte (dbt integrado).
+   * Comparar resultados: bruto (`raw`) vs normalizado.
+
+---
+
+## 🔹 Semana 4 – Estruturação de pipeline
+
+🎯 Objetivo: Montar pipeline completo Airbyte → BigQuery → dbt.
+
+1. **Airbyte**
+
+   * Adicionar múltiplos sources (CSV, MySQL, API).
+   * Enviar todos para BigQuery → schema `raw`.
+
+2. **dbt**
+
+   * Usar `ref()` para relacionar modelos.
+   * Criar `core` consolidado:
+
+     ```sql
+     select
+       c.customer_name,
+       sum(s.amount) as total_sales
+     from {{ ref('customers_stg') }} c
+     join {{ ref('sales_stg') }} s on c.id = s.customer_id
+     group by 1
+     ```
+
+3. **Testes dbt**
+
+   * Adicionar `schema.yml` com testes `not_null`, `unique`.
+
+---
+
+## 🔹 Semana 5 – Avançando no dbt
+
+🎯 Objetivo: Criar datasets prontos para analytics.
+
+1. **SQL avançado**
+
+   * Window functions (`ROW_NUMBER`, `RANK`, `LAG`).
+   * CASE WHEN.
+   * Funções de data (`EXTRACT`, `DATE_TRUNC`).
+
+2. **dbt avançado**
+
+   * Materializações (`view`, `table`, `incremental`).
+   * Documentação (`dbt docs generate`).
+   * Usar macros simples (Jinja).
+
+3. **Airbyte + dbt**
+
+   * Configurar sync automático no Airbyte.
+   * Garantir que dbt roda após sync.
+
+---
+
+## 🔹 Semana 6 – Entrega final com Metabase
+
+🎯 Objetivo: Expor insights em dashboards.
+
+1. **Metabase**
+
+   * Conectar ao BigQuery (schema `analytics`).
+   * Criar gráficos:
+
+     * Vendas por mês.
+     * Clientes ativos.
+     * Ticket médio.
+
+2. **Pipeline completo**
+
+   * Fonte → Airbyte → BigQuery (raw) → dbt (analytics) → Metabase.
+   * Validar atualizações automáticas (trocar CSV e ver dashboard mudar).
+
+3. **Boa prática**
+
+   * Versionar dbt no Git.
+   * Adotar convenções: `raw` → `staging` → `core` → `marts`.
+
+---
+
+# ✅ Resultado esperado
+
+* Você domina o **Airbyte** para ingestão de dados.
+* Consegue criar e rodar um **projeto dbt** (staging/core/marts).
+* Tem um **pipeline real** funcionando no BigQuery.
+* Consegue criar dashboards no **Metabase** com dados atualizados automaticamente.
+