A. NumPy를 사용하는 클라우드 실행 함수를 생성합니다. 클라우드 스케줄러를 사용하여 해당 함수가 일주일에 한 번 실행되도록 예약합니다.

B. 클라우드 데이터 융합 및 랭글러 플로우를 생성합니다. 해당 플로우가 일주일에 한 번 실행되도록 예약합니다.

C. Python으로 작성된 Dataflow 방향 비순환 그래프(DAG)를 생성합니다. 클라우드 스케줄러를 사용하여 해당 코드가 일주일에 한 번 실행되도록 예약합니다.

D. Colab Enterprise 노트북을 생성하고 bigframes.pandas 라이브러리를 사용합니다. 노트북이 일주일에 한 번 실행되도록 예약합니다.

A. 파티셔닝이나 수명 주기 정책 없이 모든 데이터를 단일 BigQuery 테이블에 저장합니다.

B. BigQuery 테이블을 월별로 파티셔닝합니다. 6개월 후 데이터를 Coldline 스토리지로 내보냅니다. 3년 후 클라우드 스토리지에서 데이터를 삭제하는 라이프사이클 정책을 구현합니다.

C. 전체 데이터 세트를 BigQuery 장기 저장소에 보관합니다. 3년 후 BigQuery에서 데이터를 삭제하도록 Cloud Run 함수를 설정합니다.

D. 6개월 후 클라우드 스토리지로 데이터를 내보내는 예약 쿼리를 ​​설정합니다. 3년 후 BigQuery에서 데이터를 삭제하는 저장 프로시저를 작성합니다.

A. 파트너에게 BigQuery 프로젝트에 대한 bigquery.user IAM 역할을 부여합니다.

B. 각 BigQuery 데이터셋에서 데이터를 읽어 각 파트너별로 지정된 Pub/Sub 토픽에 푸시하는 Dataflow 작업을 생성합니다. 각 파트너에게 pubsub.subscriber IAM 역할을 부여합니다.

C. BigQuery 데이터를 클라우드 스토리지 버킷으로 내보냅니다. 파트너에게 해당 버킷에 대한 storage.objectUser IAM 역할을 부여합니다.

D. 애널리틱스 허브를 사용하여 각 파트너 데이터 세트에 대한 비공개 데이터 교환 플랫폼을 등록합니다. 각 파트너가 자신의 등록 플랫폼을 구독할 수 있도록 합니다.

A. Dataflow를 사용하여 클라우드 스토리지에서 데이터를 읽고, Apache Beam을 사용하여 변환한 다음, 결과를 BigQuery에 쓰는 ETL 프로세스를 수행합니다.

B. BigQuery의 SQL 기능을 사용하여 클라우드 스토리지에서 데이터를 로드하고, 변환한 후, 결과를 새로운 BigQuery 테이블에 저장합니다.

C. 클라우드 데이터 퓨전 인스턴스를 생성하고 클라우드 스토리지에서 데이터를 읽고, 내장된 변환 기능을 사용하여 데이터를 변환한 후, 결과를 BigQuery에 로드하는 ETL 파이프라인을 시각적으로 설계합니다.

D. Dataproc을 사용하여 Apache Hadoop 클러스터를 생성하고, Apache Spark를 사용하여 ETL 프로세스를 수행한 후, 결과를 BigQuery에 로드합니다.

A. sales_regionuser 속성을 사용하여 region_name 차원에 access_filterExplore 필터를 추가합니다.

B. 각 지역 관리자별로 별도의 Looker 대시보드를 생성합니다. 각 관리자에 대해 기본 대시보드 필터를 해당 지역으로 설정합니다.

C. sales_regionuser 속성을 생성하고 각 관리자의 지역을 해당 사용자 속성 값으로 지정합니다.

D. region_name 차원에 sql_always_filterExplore 필터를 적용하여 서로 다른 5개의 탐색을 생성합니다. 각 region_name 값을 각 관리자에 해당하는 지역으로 설정합니다.