A. Cloud Data Fusion을 사용하여 데이터를 수집하고 BigQuery에 로드합니다. Looker Studio를 사용하여 데이터 정리 및 변환을 수행합니다.

B. Cloud Data Fusion을 사용하여 데이터를 수집하고, 데이터 정리 및 변환을 수행하고, 데이터를 BigQuery에 로드합니다.

C. Cloud Data Fusion을 사용하여 데이터를 수집하고, 데이터 정리 및 변환을 수행하고, 데이터를 PostgreSQL용 Cloud SQL에 로드합니다.

D. Cloud Storage를 사용하여 데이터를 저장합니다. Cloud Run 함수를 사용하여 데이터 정리 및 변환을 수행하고 BigQuery에 데이터를 로드합니다.

A. 이벤트 정보를 Pub/Sub 주제로 푸시합니다. Dataflow 작업 빌더를 사용하여 Dataflow 작업을 생성합니다.

B. Pub/Sub 주제에 이벤트 정보를 푸시합니다. Pub/Sub 주제를 구독하고, 변환을 적용하고, BigQuery에 데이터를 삽입하는 Cloud Run 함수를 생성합니다.

C. 이벤트 정보를 Pub/Sub 주제로 푸시합니다. Pub/Sub에서 BigQuery 구독을 생성합니다.

D. 이벤트 정보를 Cloud Storage에 푸시하고 BigQuery에 외부 테이블을 생성합니다. 변환을 적용하기 위해 매일 한 번 실행되는 BigQuery 예약 작업을 생성합니다.

A. Analytics Hub를 사용하여 각 파트너 데이터세트에 대한 비공개 데이터 거래소에 목록을 생성합니다. 각 파트너가 각자의 목록을 구독할 수 있도록 허용합니다.

B. 각 BigQuery 데이터세트에서 읽고 전용 Pub에 데이터를 푸시하는 Dataflow 작업을 만듭니다.
각 파트너에 대한 하위 주제를 지정합니다. 각 파트너에게 pubsub.subscriber IAM 역할을 부여합니다.

C. BigQuery 데이터를 Cloud Storage 버킷으로 내보냅니다. 파트너에게 버킷에 대한 storage.objectUser IAM 역할을 부여합니다.

D. 파트너에게 BigQuery 프로젝트에서 bigquery.user IAM 역할을 부여합니다.

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

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

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

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

A. 변환 논리에 대한 사용자 정의 템플릿과 함께 Dataflow를 사용합니다.

B. Cloud Data Fusion을 사용하여 파이프라인을 시각적으로 설계하고 관리합니다.

C. Dataform을 사용하여 SQLX에서 변환을 정의합니다.

D. Dataproc을 사용하여 클러스터에서 변환을 실행합니다.