A. 데이터 처리량, 오류율, 리소스 활용도 등 주요 Dataflow 지표를 추적하기 위해 Cloud Monitoring 대시보드를 설정합니다.

B. 작업 상태 업데이트를 위해 Dataflow API를 주기적으로 폴링하고 오류가 확인되면 이메일 알림을 보내는 사용자 지정 스크립트를 만듭니다.

C. Google Cloud 콘솔의 Dataflow 작업 페이지로 이동합니다. 작업 로그와 작업자 로그를 사용하여 오류를 파악하세요.

D. gcloud CLI 도구를 사용하여 작업 메트릭과 로그를 검색하고 오류와 성능 병목 현상을 분석합니다.

A. Dataproc을 사용하여 Apache Hadoop 클러스터를 생성하고 Apache Spark를 사용하여 ETL 프로세스를 수행하고 결과를 BigQuery에 로드합니다.

B. BigQuery의 SQL 기능을 사용하여 Cloud Storage에서 데이터를 로드하고 변환한 다음 결과를 새 BigQuery 테이블에 저장합니다.

C. Cloud Data Fusion 인스턴스를 만들고 Cloud Storage에서 데이터를 읽고, 내장된 변환을 사용하여 데이터를 변환하고, 결과를 BigQuery에 로드하는 ETL 파이프라인을 시각적으로 설계합니다.

D. Dataflow를 사용하여 Cloud Storage에서 데이터를 읽고 Apache Beam을 사용하여 변환하고 결과를 BigQuery에 쓰는 ETL 프로세스를 수행합니다.

A. 각 제품의 이익 마진을 미리 계산하는 파생 테이블을 만들고 Looker 모델에 포함합니다.

B. 기존 수익 및 비용 필드를 사용하여 이익 마진을 계산하는 새로운 측정값을 정의합니다.

C. 이익 마진 범위(예: 높음, 중간, 낮음)를 기준으로 제품을 분류하는 새로운 차원을 만듭니다.

D. 이익 마진이 긍정적인 제품만 표시하도록 필터를 적용합니다.

A. 두 가지 모델을 비교합니다.

B. 데이터 비대칭성을 평가합니다.

C. 데이터 드리프트를 평가합니다.

D. 혼동 행렬을 비교하세요.

A. Colab Enterprise 노트북을 만들고 BigQuery에 연결하세요. 팀과 노트북을 공유하세요. Colab Enterprise에서 데이터를 분석하고 시각화를 생성하세요.

B. BigQuery ML을 사용하여 통계 모델을 만드세요. 쿼리를 팀과 공유하세요. Looker Studio에서 데이터를 분석하고 시각화를 생성하세요.

C. Looker Studio 대시보드를 만들고 BigQuery에 연결하세요. 대시보드를 팀과 공유하세요. Looker Studio에서 데이터를 분석하고 시각화를 생성하세요.

D. 연결된 시트를 사용하여 Google 스프레드시트를 BigQuery에 연결하세요. Google 스프레드시트를 팀과 공유하세요. Google 스프레드시트에서 데이터를 분석하고 시각화 자료를 생성하세요.