refactor(csv): удален легаси CSV-пайплайн и связанные с ним файлы

- Зачем:
  - Пример базовой загрузки CSV перенесен в отдельный репозиторий `airflow-manual` для разделения учебных треков.
- Что:
  - удалены DAG-файлы `csv_to_greenplum` и вспомогательные скрипты `helpers/greenplum.py`, `orders_ddl.sql`.
  - из `docker-compose.yml` и `.env.example` удалены переменные и тома (`airflow_data`), необходимые для CSV.
  - очищена документация (`README.md`, `TESTING.md`, `educational-tasks.md`) и тесты (`test_dags_smoke.py`, `conftest.py`).
  - отмечен выполненным 'Этап 1' в `TODO.md`.
- Проверка:
  - `make test` проходит успешно (smoke-тесты оставшихся DAG-ов не затронуты).

educational-tasks.md

@@ -1,63 +1,18 @@
 # Учебные задания по стенду
 
 Этот документ собирает в одном месте задания для менти.  
-Он разбит на блоки: от базовой работы с CSV‑pipeline до более продвинутого сценария с демо‑БД bookings и слоем STG в Greenplum.
+Он разбит на блоки: от архитектуры Greenplum и демо‑БД bookings до реализации аналитических слоев DWH.
 
-Если вы только начинаете, выполняйте задания по порядку. К разделу про bookings можно вернуться позже.
+Если вы только начинаете, выполняйте задания по порядку.
 
 ---
 
-## 1. Базовый CSV‑pipeline (csv_to_greenplum)
-
-Основная цель этого блока — понять, как устроен простой ETL: генерация данных через pandas, сохранение в CSV и загрузка в Greenplum.
-
-### 1.1. Разбор готового pipeline
-
-1. Найдите DAG `csv_to_greenplum` в `airflow/dags/csv_to_greenplum.py`.
-2. Ответьте себе на вопросы (можно коротко в отдельном файле/блокноте):
-   - какие задачи (tasks) входят в DAG и что делает каждая из них;
-   - какие таблицы создаются в Greenplum;
-   - где физически лежат CSV‑файлы;
-   - какие параметры управляют размером датасета.
-3. Поднимите стенд и запустите DAG:
-   - `make up` (Airflow инициализируется автоматически при первом старте)
-   - включите и запустите DAG `csv_to_greenplum` в Airflow UI.
-4. Проверьте результат в Greenplum:
-   - `make gp-psql`
-   - `SELECT COUNT(*) FROM public.orders;`
-   - `SELECT * FROM public.orders LIMIT 5;`
-
-### 1.2. Изменение параметров генерации
-
-1. Найдите, где задаётся количество строк для генерации (`CSV_ROWS` в `.env` и параметр в DAG).
-2. Поставьте другое значение и перезапустите DAG:
-   - оцените, как изменилось количество строк в `public.orders`;
-   - убедитесь, что пайплайн по‑прежнему работает без ошибок.
-3. Попробуйте изменить схему данных (добавить колонку в CSV и таблицу в Greenplum):
-   - добавьте новую колонку в генерацию pandas;
-   - обновите DDL/SQL, чтобы колонка появилась в таблице `public.orders`;
-   - перезапустите DAG и убедитесь, что новая колонка заполняется.
-
-### 1.3. Собственные проверки качества данных
-
-1. Найдите DAG `csv_to_greenplum_dq` в `airflow/dags/csv_to_greenplum_dq.py`.
-2. Посмотрите, какие проверки уже реализованы (наличие таблицы, схема, дубликаты).
-3. Добавьте ещё одну простую проверку, например:
-   - проверка, что в таблице `public.orders` не больше N строк;
-   - проверка, что поле (например, `order_price`) не содержит отрицательных значений;
-   - проверка, что нет строк с `NULL` в ключевых колонках.
-4. Запустите DAG `csv_to_greenplum_dq` и убедитесь, что:
-   - новая проверка проходит на «хороших» данных;
-   - при нарушении условия DAG падает с понятной ошибкой.
-
----
-
-## 2. Greenplum и модель данных (введение)
+## 1. Greenplum и модель данных (введение)
 
 В следующих заданиях мы будем опираться на демо‑БД bookings (Postgres) и слой STG в Greenplum.  
 На этом этапе достаточно бегло посмотреть на структуру и понять общую идею, детальная проработка пойдёт позже.
 
-### 2.1. Знакомство с демо‑БД bookings
+### 1.1. Знакомство с демо‑БД bookings
 
 1. Прочитайте `bookings/README.md` — какие сервисы и команды относятся к демобазе.
 2. Поднимите стенд и выполните:
@@ -70,7 +25,7 @@
    - какие типы колонок используются;
    - какие поля выглядят как ключи, даты, суммы.
 
-### 2.2. Знакомство с STG в Greenplum
+### 1.2. Знакомство с STG в Greenplum
 
 1. Прочитайте `sql/stg/bookings_ddl.sql` и краткое описание потока `docs/bookings_to_gp_stage.md` (если интересно — `docs/internal/bookings_stg_design.md`).
 2. Ответьте себе на вопросы:
@@ -81,7 +36,7 @@
    - `\dn` и `\dt stg.*`
    - `SELECT * FROM stg.bookings LIMIT 5;` (после запуска соответствующего DAG).
 
-### 2.3. Как генерируются учебные данные bookings
+### 1.3. Как генерируются учебные данные bookings
 
 1. Откройте файл `bookings/generate_next_day.sql` и ответьте себе на вопросы:
    - с какой даты начинается генерация данных (посмотрите на GUC `bookings.start_date` и переменную `v_start_cfg`);
@@ -99,12 +54,12 @@
 
 ---
 
-## 3. DAG bookings_to_gp_stage (заготовка заданий)
+## 2. DAG bookings_to_gp_stage (заготовка заданий)
 
 Этот DAG показывает путь данных от демо‑БД bookings в Postgres до сырого слоя STG в Greenplum.  
 Сейчас он уже реализован как учебный пример, а в будущем вокруг него появятся отдельные задания по моделированию DWH.
 
-### 3.1. Что есть сейчас
+### 2.1. Что есть сейчас
 
 1. Откройте `airflow/dags/bookings_to_gp_stage.py`.
 2. Найдите в коде ссылки на SQL‑файлы:
@@ -121,9 +76,9 @@
 
 На этом этапе достаточно понять общую цепочку. Детальные задания по переработке модели данных и построению ODS/DDS/DM слоёв будут добавлены позже.
 
-### 3.2. Идеи для будущих заданий (черновик)
+### 2.2. Идеи для будущих заданий (черновик)
 
-> Ниже — набросок задач, к которым мы вернёмся, когда базовые темы по Airflow и CSV‑pipeline будут освоены.
+> Ниже — набросок задач, к которым мы вернёмся, когда базовые темы по Airflow будут освоены.
 
 Планируемые направления: