Google Cloud · GCP-PDE · Advanced

Professional Data Engineer — Übungsfragen und Probeprüfung

Name: Pass-IT
Author: Pass-IT

Übe mit realistischen GCP-PDE-Fragen, die an den Prüfungszielen ausgerichtet sind. Alex erklärt jede Antwort, und dein Readiness Score zeigt dir, was du als Nächstes lernen solltest.

Zugang zu GCP-PDE für $29.99 kaufen Kostenlos prüfen, ob du bereit bist

Einmal zahlen. Dauerhafter Zugang zu dieser Zertifizierung.

Erst 5 Fragen ausprobieren →

45Fragen

120minZeitlimit

Geprüft gegen Google Cloud · August 2026Aktuelle Prüfungsversion

Überblick

Über die Prüfung

Die Zertifizierung Professional Data Engineer weist nach, dass du Datenverarbeitungssysteme in Google Cloud entwerfen, aufbauen und produktiv betreiben kannst. Sie deckt den kompletten Data-Engineering-Lebenszyklus ab: Ingestion, Transformation, Speicherung, Analyse und Automatisierung mit Diensten wie BigQuery, Dataflow, Dataproc, Pub/Sub und Cloud Composer.

Das Ganze ist ein Professional-Level-Zertifikat für Data Engineers, die Datenverarbeitungssysteme und Analytics-Pipelines in Google Cloud bauen und betreuen. Google empfiehlt mindestens 3 Jahre Berufserfahrung, davon mindestens 1 Jahr im Entwurf und Betrieb von Datenlösungen auf Google Cloud. Typische Rollen danach sind Data Engineer, Analytics Engineer und Data Platform Engineer.

Prüfungsbereiche

Was geprüft wird

Am schwersten wiegt mit 25 % das Aufnehmen und Verarbeiten von Daten: Pipelines planen, sie mit Dataflow, Dataproc, Pub/Sub und dem Spark-/Hadoop-Ökosystem bauen und schließlich ausrollen, also Job-Scheduling, Orchestrierungs-Tooling und Continuous Delivery. Danach folgt mit 22 % der Entwurf von Datenverarbeitungssystemen, wo Security und Compliance, Zuverlässigkeit und Fehlertoleranz, Portabilität sowie die Migrationsplanung nach Google Cloud geprüft werden. Auf das Speichern der Daten entfallen 20 %: Du wählst ein Storage-System (BigQuery, Bigtable, Spanner oder Cloud Storage) danach aus, wie auf die Daten zugegriffen wird und was das kostet, und entwirfst Warehouse-, Lake- oder Federated-Governance-Architekturen. Betrieb und Automatisierung von Workloads machen 18 % aus, und das Aufbereiten von Daten für Analytics und AI/ML rundet den Blueprint mit 15 % ab.

Damit steckt in dieser Prüfung mehr Pipeline-Mechanik als in jeder anderen datennahen Google-Cloud-Zertifizierung. Genau deshalb schneiden Kandidaten, die in BigQuery-SQL stark sind, bei den Interna von Dataflow und Dataproc aber schwächeln, oft schlechter ab, als ihr Analytics-Hintergrund vermuten lässt.

Prüfungsaufbau: GCP-PDE

Designing data processing systems~22%

Design data systems that hold up under security and compliance requirements, stay reliable through proper governance and disaster recovery, remain portable across environments, and support a clean migration path into Google Cloud.

≈ 22 Std.

Ingesting and processing the data~25%

Plan data pipelines by defining sources, sinks, and transformation logic, build pipelines using services such as Dataflow, Dataproc, and Pub/Sub, and deploy and operationalize pipelines through job orchestration and CI/CD.

≈ 25 Std.

Storing the data~20%

Select appropriate storage systems such as BigQuery, Bigtable, and Cloud Storage based on access patterns and cost, and plan data warehouse and data lake architectures to support business requirements. Also covers designing a broader data platform with federated governance across distributed data systems.

≈ 20 Std.

Preparing and using data for analysis~15%

Get data ready for BI tools like BigQuery's BI Engine, prepare it separately for AI and ML use through feature engineering and retrieval-augmented generation, and set the rules for sharing and publishing the resulting datasets and reports.

≈ 15 Std.

Maintaining and automating data workloads~18%

Optimize compute and storage resources for data workloads and design automation and repeatability using tools such as Cloud Composer. Also covers organizing workloads by business requirements, monitoring and troubleshooting data processes, and maintaining fault tolerance to mitigate failures.

≈ 18 Std.

Format

Format und Fragetypen

Die Prüfung zieht 40 bis 50 Multiple-Choice- und Multiple-Select-Fragen in einem Zeitfenster von 120 Minuten, grob im Verhältnis 80 % Einfachauswahl zu 20 % Mehrfachauswahl. Das sind weniger Fragen als bei den meisten anderen Google-Cloud-Prüfungen, du hast also mehr Zeit pro Frage. Die Fragen zeichnen komplexe Datenszenarien und verlangen von dir, die passende Architektur, das passende Storage-System oder den passenden Verarbeitungsansatz zu wählen.

Fragetypen: GCP-PDE

Multiple Choice80%

Eine einzige beste Antwort aus vier oder fünf Optionen — das Brot-und-Butter-Format der Prüfung.

Mehrfachauswahl20%

Mehrere Antworten sind richtig und du brauchst alle; die Frage sagt dir, wie viele du wählen sollst.

Google Cloud bestätigt diese Fragetypen — eine prozentuale Verteilung wird nicht publiziert; die Aufteilung spiegelt unseren am Exam ausgerichteten Fragenpool wider.

Jetzt ausprobieren

Fünf GCP-PDE-Fragen zum Ausprobieren

Fünf Fragen direkt aus unserem Professional Data Engineer-Pool. Beantworte eine — Alex erklärt dir das Warum.

Die Prüfung und die App sind auf Englisch — diese Beispielfragen haben wir übersetzt.

Datenverarbeitungssysteme entwerfen3 / 5

Dein Unternehmen ist in der EU tätig und muss die Anforderungen der DSGVO an die Datenresidenz erfüllen. Alle Kundendaten von Nutzern aus der EU müssen innerhalb der EU gespeichert und verarbeitet werden. Du entwirfst ein Data Warehouse in BigQuery. Was solltest du tun, um die Einhaltung sicherzustellen?

AlexGanze Erklärung von Alex

Mit BigQuery wählst du beim Erstellen eines Datasets den geografischen Standort, an dem deine Daten gespeichert und verarbeitet werden. Der Multi-Region-Standort EU stellt sicher, dass die Daten innerhalb der EU-Grenzen bleiben. Um das im großen Maßstab durchzusetzen, kannst du mit Einschränkungen aus Organisationsrichtlinien festlegen, welche Standorte in deiner gesamten Organisation zum Erstellen von Datasets zur Verfügung stehen. Das verhindert, dass ein Team versehentlich ein Dataset in einer Region außerhalb der EU anlegt. CMEK-Verschlüsselung mit Schlüsseln in der EU fügt eine zusätzliche Kontrollebene hinzu, verhindert aber für sich genommen nicht, dass Daten in Regionen außerhalb der EU gespeichert werden — der Standort des Datasets bestimmt, wo die Daten physisch liegen. VPC Service Controls schützen vor Datenexfiltration, steuern aber nicht, wo Daten gespeichert werden. Separate Projekte pro Land zu erstellen ist unnötiger Aufwand, da die Multi-Region EU die Residenzanforderungen der DSGVO abdeckt. Prüfungstipp: Konzentriere dich bei Fragen zur Datenresidenz auf den Dataset-Standort + Organisationsrichtlinien, nicht auf Verschlüsselung oder Netzwerkkontrollen.

Quellecloud.google.com

Daten aufnehmen und verarbeiten4 / 5

Du verarbeitest Streaming-Daten mit Dataflow und musst die Ergebnisse gleichzeitig in BigQuery und in Cloud Storage schreiben. Welche Funktion von Apache Beam ermöglicht das?

AlexGanze Erklärung von Alex

In Apache Beam / Dataflow erlaubt Pipeline-Branching, dass eine einzelne PCollection von mehreren Transformationen konsumiert wird und dabei mehrere Ausgabe-PCollections entstehen, die in verschiedene Sinks geschrieben werden können. Um Streaming-Ergebnisse gleichzeitig in BigQuery und Cloud Storage zu schreiben, wendest du separate I/O-Transformationen auf dieselbe PCollection an (oder nutzt verschiedene Branches ausgehend von einer gemeinsamen Transformation). Das ist effizienter als zwei separate Pipelines auszuführen, weil die Daten nur einmal verarbeitet werden und doppeltes Lesen aus der Quelle vermieden wird. Anders als bei der Nutzung von Cloud Storage als Staging-Bereich vor dem Laden in BigQuery schreibt Pipeline-Branching aus derselben Streaming-Pipeline in Echtzeit an beide Ziele. Das Muster nutzt das Modell des gerichteten azyklischen Graphen (DAG) von Beam, in dem jede PCollection mehrere Konsumenten haben kann. Prüfungstipp: Pipeline-Branching mit mehreren PCollection-Ausgaben ist das Standardmuster in Dataflow, um aus einer einzelnen Streaming-Pipeline in mehrere Sinks zu schreiben.

Quellecloud.google.com

Daten für Analysen vorbereiten und nutzen5 / 5

Deine BigQuery-Abfragen sind wegen komplexer Joins zwischen mehreren großen Tabellen durchgehend langsam. Dir fällt auf, dass in vielen Dashboards dieselben Join-Muster verwendet werden. Was ist die wirksamste Optimierung?

AlexGanze Erklärung von Alex

Materialized Views in BigQuery berechnen SQL-Abfrageergebnisse einschließlich Joins und Aggregationen vor und speichern sie im Cache. Wenn Abfragen zu einer Materialized View passen, schreibt das "smart tuning" von BigQuery sie automatisch so um, dass sie die zwischengespeicherten Ergebnisse nutzen, und reduziert damit sowohl Latenz als auch Kosten. Die Views werden bei Änderungen an den Basistabellen automatisch über inkrementelle Aktualisierungen aufgefrischt. Warum nicht die anderen Optionen: Mehr Slots bringen zusätzliche Rechenleistung, beseitigen aber die redundante Join-Arbeit nicht. Die Denormalisierung mit STRUCT dupliziert Daten und erschwert Aktualisierungen. WHERE-Filter reduzieren das Scan-Volumen, berechnen Joins aber nicht vor. Ref: docs.cloud.google.com/bigquery/docs/materialized-views-intro

Quellecloud.google.com

Kostenlos starten

Fragenpool

306 Fragen, gebaut wie die Prüfung

Der GCP-PDE-Pool deckt jede Domain ab und wird laufend um neue Fragen erweitert. Eine Probeprüfung stellt dir 45 Fragen am Stück, mit derselben 120-Minuten-Uhr wie am Prüfungstag.

Prüfprotokoll: GCP-PDE

Spec-Abgleich gegen Google Cloud4. August 2026

zuletzt gegen die offizielle Google Cloud-Quelle verifiziert

Blueprint-Deckung19 offizielle Lernziele

verteilt auf 5 Domains, laut offiziellem Prüfungsleitfaden

Pool-Größe306 Fragen

= 6 volle Probeprüfungen à 45 Fragen — nie dieselbe Frage zweimal

Kanonisch validiert306 von 306

einzeln gegen offizielle Google Cloud-Dokumentation geprüft — Antwort, Optionen und Erklärung, Quelle zitiert

Methodik offen dokumentiert.So entstehen unsere Fragen →

Planung

Vorbereitung auf GCP-PDE

Wie lange du brauchst, hängt davon ab, wie viel Praxiserfahrung du mitbringst. Den Rest legt der Anbieter fest: wie die Prüfung abläuft, wie schnell du wiederholen darfst und wie lange das Zertifikat gültig bleibt.

Die Prüfung läuft über Pearson VUE, wahlweise online beaufsichtigt oder in einem Testcenter, und wird auf Englisch und Japanisch angeboten. Die Zertifizierung gilt 2 Jahre; statt einer kompletten Wiederholung bietet Google Cloud innerhalb des Erneuerungszeitraums eine kürzere Renewal-Prüfung mit 20 Fragen an.

Dein Plan: GCP-PDE

Vorbereitung

Lernzeit60–150 Std.

typischerweise rund 60 Std., wenn du ohnehin mit diesen Technologien arbeitest, rund 150 Std. bei komplettem Neueinstieg

LevelFortgeschritten

Vorher sinnvollKeine formalen Voraussetzungen. Empfohlen werden mindestens 3 Jahre Berufserfahrung, davon mindestens 1 Jahr im Entwurf und Betrieb von Datenlösungen mit Google Cloud.

Prüfungstag & danach

PrüfungsartOnline beaufsichtigt (Pearson VUE) oder vor Ort beaufsichtigt in Prüfungszentren

Wiederholungsregeln14 Tage Wartezeit nach dem ersten nicht bestandenen Versuch, 60 Tage nach dem zweiten, 365 Tage nach dem dritten. Maximal 4 Versuche innerhalb von 2 Jahren.

Gültig2 Jahre

Die Zertifizierung ist 2 Jahre gültig. Innerhalb des Verlängerungszeitraums kannst du eine Renewal-Prüfung ablegen (20 Fragen, 1 Stunde, 00).

Offizieller LeitfadenAuf der Herstellerseite ansehen

Die Stundenzahl ist unsere eigene Planungsschätzung — Google Cloud veröffentlicht keine Vorbereitungszeit für diese Prüfung. Ein Startwert für deinen Kalender, keine Vorgabe.

Achtung

Häufige Fehler

Die Kosten- und Performance-Hebel von BigQuery (Partitioning, Clustering, Materialized Views) werden als Design-Entscheidungen abgefragt, nicht als Feature-Liste. Wer bisher nur Ad-hoc-Queries gefahren hat, übersieht sie gern. Dataflow und Dataproc lösen überlappende Probleme aus zwei Richtungen, Apache Beam auf der einen Seite, das Hadoop-/Spark-Ökosystem auf der anderen, und die Prüfung erwartet ein klares Urteil, wann was die richtige Wahl ist. Streaming-Konzepte wie Exactly-once-Processing, Windowing und Watermarks für verspätet eintreffende Daten sind konzeptionell so dicht, dass sich reine Batch-Erfahrung nicht sauber übertragen lässt. Auch Encryption, DLP und Column-level Security in BigQuery haben in der Prüfung mehr Gewicht, als ihre Rolle im Analytics-Alltag vermuten ließe.

Stolperstellen: GCP-PDE

01BigQuery Optimization
Fehlendes Verständnis davon, wie Partitioning, Clustering und Materialized Views die Query-Optimierung beeinflussen
02Dataflow vs Dataproc
Unklar, wann Dataflow (Apache Beam) und wann Dataproc (Hadoop/Spark) die richtige Wahl für die Verarbeitung ist
03Streaming Architecture
Exactly-once-Processing, Windowing und Watermarks in Streaming-Pipelines falsch verstanden
04Data Security
Encryption, DLP und Column-Level Security in BigQuery übersehen
05ML Readiness
Nicht zu wissen, wie du Daten für das Training mit BigQuery ML oder für Retrieval-Augmented Generation aufbereitest

Pass-IT trainiert dich gezielt auf genau diese Schwächen — adaptiv & verteilt →

Fragen

Häufige Fragen

Was sind häufige Fehler bei der Prüfung Professional Data Engineer?

Häufige Fallstricke sind: BigQuery Optimization, Dataflow vs Dataproc, Streaming Architecture, Data Security, ML Readiness. Konzentriere deine Lernzeit auf diese Bereiche, um keine Punkte zu verlieren.

Wie ist die Prüfung zum Professional Data Engineer gewichtet?

Das Erfassen und Verarbeiten von Daten ist mit 25% der größte Bereich, gefolgt vom Entwurf von Datenverarbeitungssystemen mit 22% und der Speicherung der Daten mit 20%. Das Betreiben und Automatisieren von Workloads macht 18% aus, das Aufbereiten von Daten für Analysen 15%. Erfassung, Verarbeitung und Entwurf zusammen sind fast die halbe Prüfung.

Wie verlängerst du den Professional Data Engineer?

Die Zertifizierung gilt zwei Jahre und wird über eine kürzere Prüfung mit 20 Fragen in einer Stunde verlängert, die du innerhalb des Verlängerungszeitraums ablegst. Das ist weniger Aufwand als die ursprüngliche Prüfung mit 45 Fragen, du musst sie aber trotzdem vor dem Ablaufdatum buchen.

Welche Erfahrung setzt die Prüfung zum Professional Data Engineer voraus?

Drei oder mehr Jahre Berufserfahrung, davon mindestens ein Jahr mit dem Entwurf und Betrieb von Datenlösungen auf Google Cloud – empfohlen, nicht verpflichtend. Im Katalog sind rund 100 Stunden eingeplant. Vorwissen zu Data Warehouses oder Pipelines hilft dir, aber die Prüfung fragt sehr konkret nach dem Verhalten von BigQuery, Dataflow und Pub/Sub.

Wie schnell kannst du den Professional Data Engineer wiederholen?

Vierzehn Tage nach dem ersten Fehlversuch, 60 Tage nach dem zweiten und 365 Tage nach dem dritten, begrenzt auf vier Versuche in zwei Jahren. Google Cloud wendet dieselben Fristen auf alle seine Professional-Prüfungen an.

Associate Data Practitioner oder Professional Data Engineer?

Die Associate-Prüfung dreht sich um die Nutzung der Datenplattform und ist mit 60 Stunden veranschlagt; diese hier dreht sich um den Entwurf der Systeme und ist mit 100 veranschlagt. Keine der beiden ist Voraussetzung für die andere. Wenn du in deinem Job Fragen mit Daten beantwortest, passt die Associate-Prüfung besser; wenn du das baust, was andere abfragen, ist diese hier die richtige.

Pass-IT ist ein unabhängiges Lernwerkzeug und weder mit Google Cloud verbunden noch von Google Cloud unterstützt; Google Cloud und Prüfungsnamen sind Marken ihrer jeweiligen Inhaber.

Eine Zertifizierung. Eine Zahlung.

Voller Zugang zu GCP-PDE

Du bekommst den vollständigen Fragenpool für diese Zertifizierung. Alex erklärt jede Antwort, und dein Readiness Score zeigt dir, woran du als Nächstes arbeiten solltest.

Zugang zu GCP-PDE für $29.99 kaufenEinmal zahlen. Dauerhafter Zugang zu dieser Zertifizierung.

Kostenlos prüfen, ob du bereit bist20 Fragen. Keine Karte nötig. Sieh vor dem Kauf, was du üben solltest.

Erreiche 80 % Readiness und bestehe die Prüfung — oder du bekommst dein Geld zurück.

So funktioniert der Score →