2025年04月 Google Professional-Data-Engineer日本語実際にある問題と100%カバー率リアル試験問題
Professional-Data-Engineer日本語無料試験問題と解答PDF最新問題2025年04月
質問 # 156
BigQuery ジョブを実行するプロジェクトが 2 つあります。
* あるプロジェクトでは、完了時間の SLA が厳格に定められた運用ジョブを実行しています。これらは優先度の高いジョブであり、必要なときに必要なコンピューティング リソースを利用できる必要があります。これらのジョブの使用率は、通常 300 スロットを下回ることはありませんが、時折 500 スロットまで急上昇することがあります。
* もう 1 つのプロジェクトは、ユーザーがアドホック分析クエリを実行するためのものです。このプロジェクトでは通常、一度に 200 を超えるスロットが使用されることはありません。これらのアドホック クエリは、スロット容量ではなく、ユーザーがスキャンするデータの量に基づいて課金されるようにします。
両方のプロジェクトで適切なコンピューティング リソースが利用可能であることを確認する必要があります。どうすればよいでしょうか?
- A. プロジェクトごとに 1 つずつ、合計 2 つの Enterprise Edition 予約を作成します。SLA プロジェクトの場合は、ベースラインを 300 スロットに設定し、最大 500 スロットの自動スケーリングを有効にします。アドホック プロジェクトの場合は、予約ベースラインを 0 スロットに設定し、ignore_idle_slot3 フラグを False に設定します。
- B. プロジェクトごとに 1 つずつ、合計 2 つの予約を作成します。SLA プロジェクトでは、ベースラインが 300 スロットの Enterprise Edition を使用し、最大 500 スロットまでの自動スケーリングを有効にします。アドホック プロジェクトでは、オンデマンド課金を構成します。
- C. プロジェクトごとに 1 つずつ、合計 2 つの Enterprise Edition 予約を作成します。SLA プロジェクトの場合は、ベースラインを 800 スロットに設定します。アドホック プロジェクトの場合は、最大 200 スロットの自動スケーリングを有効にします。
- D. 両方のプロジェクトに対して単一の Enterprise Edition 予約を作成します。ベースラインを 300 スロットに設定します。最大 700 スロットまでの自動スケーリングを有効にします。
正解：B
解説：
To ensure that both production jobs with strict SLAs and ad-hoc queries have appropriate compute resources available while adhering to cost efficiency, setting up separate reservations and billing models for each project is the best approach. Here's why option B is the best choice:
Separate Reservations for SLA and Ad-hoc Projects:
Creating two separate reservations allows for dedicated resource management tailored to the needs of each project.
The production project requires guaranteed slots with the ability to scale up as needed, while the ad-hoc project benefits from on-demand billing based on data scanned.
Enterprise Edition Reservation for SLA Project:
Setting a baseline of 300 slots ensures that the SLA project has the minimum required resources.
Enabling autoscaling up to 500 additional slots allows the project to handle occasional spikes in workload without compromising on SLAs.
On-Demand Billing for Ad-hoc Project:
Using on-demand billing for the ad-hoc project ensures cost efficiency, as users are billed based on the amount of data scanned rather than reserved slot capacity.
This model suits the less predictable and often lower-utilization nature of ad-hoc queries.
Steps to Implement:
Set Up Enterprise Edition Reservation for SLA Project:
Create a reservation with a baseline of 300 slots.
Enable autoscaling to allow up to an additional 500 slots as needed.
Configure On-Demand Billing for Ad-hoc Project:
Ensure that the ad-hoc project is set up to use on-demand billing, which charges based on data scanned by the queries.
Monitor and Adjust:
Continuously monitor the usage and performance of both projects to ensure that the configurations meet the needs and make adjustments as necessary.
Reference:
BigQuery Slot Reservations
BigQuery On-Demand Pricing
質問 # 157
チームの共有テーブルを単一のデータセットに保存して、さまざまなアナリストがデータに簡単にアクセスできるようにしたいと考えています。このデータを読み取り可能だが、アナリストが変更できないようにしたいと考えています。同時に、同じプロジェクト内の個別のワークスペースをアナリストに提供し、他のアナリストがテーブルにアクセスできないように、アナリストが独自に使用するテーブルを作成および保存できるようにしたいと考えています。あなたは何をするべきか？
- A. アナリストに共有データセットに対する BigQuery データ閲覧者のロールを付与します。 別のデータセットを作成し、アナリストにそのデータセットに対する BigQuery データ編集者のロールを付与します。
- B. プロジェクト レベルでアナリストに BigQuery データ閲覧者のロールを付与します。 別のデータセットを 1 つ作成し、アナリストにそのデータセットに対する BigQuery データ編集者のロールを付与します。
- C. アナリストに共有データセットに対する BigQuery データ閲覧者のロールを与えます。各アナリストのデータセットを作成し、各アナリストに、割り当てられたデータセットのデータセット レベルで BigQuery データ編集者のロールを付与します。
- D. プロジェクト レベルでアナリストに BigQuery データ閲覧者のロールを付与します。アナリストごとにデータセットを作成し、各アナリストにプロジェクト レベルで BigQuery データ編集者のロールを付与します。
正解：C
解説：
The BigQuery Data Viewer role allows users to read data and metadata from tables and views, but not to modify or delete them. By giving analysts this role on the shared dataset, you can ensure that they can access the data for analysis, but not change it. The BigQuery Data Editor role allows users to create, update, and delete tables and views, as well as read and write data. By giving analysts this role at the dataset level for their assigned dataset, you can provide them with individual workspaces where they can store their own tables and views, without affecting the shared dataset or other analysts' datasets. This way, you can achieve both data protection and data isolation for your team. Reference:
BigQuery IAM roles and permissions
Basic roles and permissions
質問 # 158
データウェアハウスとしてGoogleBigQueryを使用しています。ユーザーは、クエリをいつ実行しても、次の単純なクエリの実行が非常に遅いと報告しています。
SELECT country、state、city FROM [myproject：mydataset.mytable] GROUP BY countryクエリのクエリプランを確認すると、ステージ1の[読み取り]セクションに次の出力が表示されます。
このクエリの遅延の最も可能性の高い原因は何ですか？
- A. [myproject：mydataset.mytable]テーブルのほとんどの行のcountry列の値が同じであるため、データの偏りが発生します
- B. ユーザーがシステムで実行している同時クエリが多すぎます
- C. [myproject：mydataset.mytable]テーブルのstateまたはcity列のNULL値が多すぎます
- D. [myproject：mydataset.mytable]テーブルのパーティションが多すぎます
正解：B
質問 # 159
Virtual Private Cloud (VPC) ネットワークの一部として VM に Oracle データベースがデプロイされています。50 個のテーブルを複製し、BigQuery に継続的に同期したいと考えています。インフラストラクチャを管理する必要性を最小限に抑えたいと考えています。あなたは何をするべきか？
- A. Oracle から BigQuery への Datastream サービスを作成し、同じ VPC ネットワークへのプライベート接続構成と BigQuery への接続プロファイルを使用します。
- B. BigQuery に直接書き込むための Pub/Sub サブスクリプションを作成します。Debezium Oracle コネクタをデプロイして Oracle データベース内の変更をキャプチャし、Pub/Sub トピックにシンクします。
- C. 同じ VPC ネットワークに Apache Kafka をデプロイし、Kafka Connect Oracle Change Data Capture (CDC) と Dataflow を使用して、Kafka トピックを BigQuery にストリーミングします。
同じ VPC ネットワークに Apache Kafka をデプロイし、Kafka Connect Oracle 変更データ キャプチャ (CDC)、および Kafka Connect Google BigQuery シンク コネクタを使用します。
正解：A
解説：
Datastream is a serverless, scalable, and reliable service that enables you to stream data changes from Oracle and MySQL databases to Google Cloud services such as BigQuery, Cloud SQL, Google Cloud Storage, and Cloud Pub/Sub. Datastream captures and streams database changes using change data capture (CDC) technology. Datastream supports private connectivity to the source and destination systems using VPC networks. Datastream also provides a connection profile to BigQuery, which simplifies the configuration and management of the data replication. References:
* Datastream overview
* Creating a Datastream stream
* Using Datastream with BigQuery
質問 # 160
データサイエンティストがBigQueryMLモデルを作成し、予測を提供するMLパイプラインを作成するように依頼しました。
レイテンシが100ミリ秒未満の個々のユーザーIDの予測を提供する必要があるRESTAPIアプリケーションがあります。次のクエリを使用して予測を生成します：SELECTpredicted_label、user_id FROM ML.PREDICT（MODEL'dataset.model '、tableuser_features）。 MLパイプラインをどのように作成する必要がありますか？
- A. 提供されたクエリを使用して承認済みビューを作成します。ビューを含むデータセットをアプリケーションサービスアカウントと共有します。
- B. BigQueryIOを使用してCloud Dataflowパイプラインを作成し、クエリの結果を読み取ります。アプリケーションサービスアカウントにDataflowワーカーの役割を付与します。
- C. クエリにWHERE句を追加し、アプリケーションサービスアカウントにBigQueryデータビューアの役割を付与します。
- D. BigQueryIOを使用してCloud Dataflowパイプラインを作成し、クエリからすべてのユーザーの予測を読み取ります。
BigtableIOを使用して結果をCloudBigtableに書き込みます。アプリケーションがCloudBigtableから個々のユーザーの予測を読み取れるように、アプリケーションサービスアカウントにBigtableReaderロールを付与します。
正解：D
質問 # 161
組織サンプルに関する情報のデータベースを使用して、将来の組織サンプルを正常または変異として分類する必要があります。組織サンプルを分類するための教師なし異常検出方法を評価しています。この方法をサポートする2つの特性はどれですか？ （2つ選択してください。）
- A. サンプルが変更され、データベース内で正常なラベルが既にあります。
- B. 将来の変異には、データベース内の変異したサンプルとは異なる機能があると予想されます。
- C. 将来の変異には、データベース内の変異したサンプルと同様の機能があると予想されます。
- D. データベースには、正常なサンプルと変異したサンプルの両方がほぼ同じように出現します。
- E. 正常なサンプルと比較して突然変異の発生は非常に少ないです。
正解：C、E
解説：
Explanation
Unsupervised anomaly detection techniques detect anomalies in an unlabeled test data set under the assumption that the majority of the instances in the data set are normal by looking for instances that seem to fit least to the remainder of the data set. https://en.wikipedia.org/wiki/Anomaly_detection
質問 # 162
Bigtableクラスター内の特定のノードで不均衡な数の読み取りや書き込みを引き起こす可能性が高い行キーはどれですか（2つの回答を選択してください）。
- A. 銘柄記号とそれに続くタイムスタンプ
- B. 連続した数値ID
- C. タイムスタンプとそれに続く銘柄記号
- D. 非順次数値ID
正解：B、C
解説：
using a timestamp as the first element of a row key can cause a variety of problems.
In brief, when a row key for a time series includes a timestamp, all of your writes will target a single node; fill that node; and then move onto the next node in the cluster, resulting in hotspotting.
Suppose your system assigns a numeric ID to each of your application's users. You might be tempted to use the user's numeric ID as the row key for your table. However, since new users are more likely to be active users, this approach is likely to push most of your traffic to a small number of nodes.
[https://cloud.google.com/bigtable/docs/schema-design]
Reference:
https://cloud.google.com/bigtable/docs/schema-design-time-series#ensure_that_your_row_key_avoids_hotspotti
質問 # 163
BigQueryテーブルをデータシンクとして使用したいとします。 BigQueryをシンクとして使用できる書き込みモードはどれですか。
- A. ストリーミングのみ
- B. バッチとストリーミングの両方
- C. BigQueryをシンクとして使用することはできません
- D. バッチのみ
正解：B
解説：
When you apply a BigQueryIO.Write transform in batch mode to write to a single table, Dataflow invokes a BigQuery load job. When you apply a BigQueryIO.Write transform in streaming mode or in batch mode using a function to specify the destination table, Dataflow uses BigQuery's streaming inserts
質問 # 164
現在、SQL ベースのツールを使用して、BigQuery に保存されているデータを視覚化しています。データの視覚化には、外部結合と分析関数を使用する必要があります。視覚化は、4 時間以上前のデータに基づいている必要があります。ビジネス ユーザーからは、視覚化の生成が遅すぎるという苦情が寄せられています。データ準備パイプラインのメンテナンス オーバーヘッドを最小限に抑えながら、視覚化クエリのパフォーマンスを改善したいと考えています。どうすればよいでしょうか。
- A. 視覚化クエリの allow_non_incremental_definition オプションを true に設定して、マテリアライズド ビューを作成します。max_3taleness パラメータを 4 時間に、enable_refresh パラメータを true に指定します。参照: データ視覚化ツールのマテリアライズド ビュー。
- B. Cloud Functions インスタンスを作成し、可視化クエリの結果を parquet ファイルとして Cloud Storage バケットにエクスポートします。Cloud Scheduler を使用して、4 時間ごとに Cloud Functions をトリガーします。参照: データ可視化ツールの parquet ファイル。
- C. 視覚化クエリのビューを作成します。参照: データ視覚化ツールのビュー。
- D. 視覚化クエリのマテリアライズド ビューを作成します。BigQuery マテリアライズド ビューの増分更新機能を使用して、変更されたデータを自動的に処理します。参照: データ視覚化ツールのマテリアライズド ビュー。
正解：D
解説：
To improve the performance of visualization queries while minimizing maintenance overhead, using materialized views is the most effective solution. Here's why option C is the best choice:
Materialized Views:
Materialized views store the results of a query physically, allowing for faster access compared to regular views which execute the query each time it is accessed.
They can be automatically refreshed to reflect changes in the underlying data.
Incremental Updates:
The incremental updates capability of BigQuery materialized views ensures that only the changed data is processed during refresh operations, significantly improving performance and reducing computation costs.
This feature helps maintain up-to-date data in the materialized view with minimal processing time, which is crucial for data that needs to be no less than 4 hours old.
Performance and Maintenance:
By using materialized views, you can pre-compute and store the results of complex queries involving outer joins and analytic functions, resulting in faster query performance for data visualizations.
This approach also reduces the maintenance overhead, as BigQuery handles the incremental updates and refreshes automatically.
Steps to Implement:
Create Materialized Views:
Define materialized views for the visualization queries with the necessary configurations CREATE MATERIALIZED VIEW project.dataset.view_name AS SELECT ...
FROM ...
WHERE ...
Enable Incremental Updates:
Ensure that the materialized views are set up to handle incremental updates automatically.
Reference:
Update the data visualization tool to reference the materialized views instead of running the original queries directly.
BigQuery Materialized Views
Optimizing Query Performance
質問 # 165
米国リージョンにあるすべてのデータを使用して、Google Cloud 上の BigQuery にリレーショナル データを保存して分析します。また、米国リージョンの Microsoft Azure とアマゾン ウェブ サービス (AWS) にもさまざまなオブジェクト ストアがあります。データの移動をできるだけ少なくして、BigQuery 内のすべてのデータを毎日クエリしたいと考えています。あなたは何をするべきか？
- A. Cloud Shell gautil rsync 引数を使用して、AWS および Azure から Cloud Storage にファイルを読み込みます。
- B. Azure および AWS から BigQuery にファイルを取り込むための Dataflow パイプラインを作成します。
- C. BigQuery Omni 機能と BigLake テーブルを使用して、Azure と AWS 内のファイルをクエリします。
- D. BigQuery Data Transfer Service を使用して、Azure および AWS から BigQuery にファイルを読み込みます。
正解：B
解説：
BigQuery Omni is a multi-cloud analytics solution that lets you use the BigQuery interface to analyze data stored in other public clouds, such as AWS and Azure, without moving or copying the data. BigLake tables are a type of external table that let you query structured data in external data stores with access delegation. By using BigQuery Omni and BigLake tables, you can query data in AWS and Azure object stores directly from BigQuery, with minimal data movement and consistent performance. Reference:
1: Introduction to BigLake tables
2: Deep dive on how BigLake accelerates query performance
3: BigQuery Omni and BigLake (Analytics Data Federation on GCP)
質問 # 166
大規模なチーム向けの重要なレポートをGoogleData Studio 360で作成します。レポートでは、データソースとしてGoogleBigQueryを使用します。ビジュアライゼーションに1時間未満のデータが表示されていないことがわかります。
あなたは何をするべきか？
- A. レポート設定を編集してキャッシュを無効にします。
- B. テーブルの詳細を編集してBigQueryのキャッシュを無効にします。
- C. ビジュアライゼーションを表示しているブラウザタブを更新します。
- D. 過去1時間のブラウザの履歴をクリアしてから、仮想化を表示しているタブを再読み込みします。
正解：A
解説：
Reference https://support.google.com/datastudio/answer/7020039?hl=en
Topic 1, Flowlogistic Case Study
Company Overview
Flowlogistic is a leading logistics and supply chain provider. They help businesses throughout the world manage their resources and transport them to their final destination. The company has grown rapidly, expanding their offerings to include rail, truck, aircraft, and oceanic shipping.
Company Background
The company started as a regional trucking company, and then expanded into other logistics market. Because they have not updated their infrastructure, managing and tracking orders and shipments has become a bottleneck. To improve operations, Flowlogistic developed proprietary technology for tracking shipments in real time at the parcel level. However, they are unable to deploy it because their technology stack, based on Apache Kafka, cannot support the processing volume. In addition, Flowlogistic wants to further analyze their orders and shipments to determine how best to deploy their resources.
Solution Concept
Flowlogistic wants to implement two concepts using the cloud:
* Use their proprietary technology in a real-time inventory-tracking system that indicates the location of their loads
* Perform analytics on all their orders and shipment logs, which contain both structured and unstructured data, to determine how best to deploy resources, which markets to expand info. They also want to use predictive analytics to learn earlier when a shipment will be delayed.
Existing Technical Environment
Flowlogistic architecture resides in a single data center:
* Databases
* 8 physical servers in 2 clusters
* SQL Server - user data, inventory, static data
* 3 physical servers
* Cassandra - metadata, tracking messages
10 Kafka servers - tracking message aggregation and batch insert
* Application servers - customer front end, middleware for order/customs
* 60 virtual machines across 20 physical servers
* Tomcat - Java services
* Nginx - static content
* Batch servers
Storage appliances
* iSCSI for virtual machine (VM) hosts
* Fibre Channel storage area network (FC SAN) - SQL server storage
* Network-attached storage (NAS) image storage, logs, backups
* Apache Hadoop /Spark servers
* Core Data Lake
* Data analysis workloads
* 20 miscellaneous servers
* Jenkins, monitoring, bastion hosts,
Business Requirements
* Build a reliable and reproducible environment with scaled panty of production.
* Aggregate data in a centralized Data Lake for analysis
* Use historical data to perform predictive analytics on future shipments
* Accurately track every shipment worldwide using proprietary technology
* Improve business agility and speed of innovation through rapid provisioning of new resources
* Analyze and optimize architecture for performance in the cloud
* Migrate fully to the cloud if all other requirements are met
Technical Requirements
* Handle both streaming and batch data
* Migrate existing Hadoop workloads
* Ensure architecture is scalable and elastic to meet the changing demands of the company.
* Use managed services whenever possible
* Encrypt data flight and at rest
* Connect a VPN between the production data center and cloud environment SEO Statement We have grown so quickly that our inability to upgrade our infrastructure is really hampering further growth and efficiency. We are efficient at moving shipments around the world, but we are inefficient at moving data around.
We need to organize our information so we can more easily understand where our customers are and what they are shipping.
CTO Statement
IT has never been a priority for us, so as our data has grown, we have not invested enough in our technology. I have a good staff to manage IT, but they are so busy managing our infrastructure that I cannot get them to do the things that really matter, such as organizing our data, building the analytics, and figuring out how to implement the CFO' s tracking technology.
CFO Statement
Part of our competitive advantage is that we penalize ourselves for late shipments and deliveries. Knowing where out shipments are at all times has a direct correlation to our bottom line and profitability. Additionally, I don't want to commit capital to building out a server environment.
質問 # 167
リアルタイムアプリケーションにBigtableを使用していて、読み取りと書き込みが混在する重い負荷があります。
最近、追加のユースケースを特定し、データベース全体の特定の統計を計算するために1時間ごとに分析ジョブを実行する必要があります。本番アプリケーションの信頼性と分析ワークロードの両方を確保する必要があります。
あなたは何をするべきか？
- A. BigtableダンプをGCSにエクスポートし、エクスポートされたファイルに対して分析ジョブを実行します。
- B. 単一クラスタールーティングを使用して既存のインスタンスに2番目のクラスターを追加し、通常のワークロードにはライブトラフィックアプリプロファイルを使用し、分析ワークロードにはバッチ分析プロファイルを使用します。
- C. 既存のクラスターのサイズを2倍に増やし、サイズを変更した新しいクラスターで分析ワークロードを実行します。
- D. マルチクラスタールーティングを使用して既存のインスタンスに2つ目のクラスターを追加し、通常のワークロードにはライブトラフィックアプリプロファイルを使用し、分析ワークロードにはバッチ分析プロファイルを使用します。
正解：D
質問 # 168
FirebaseAnalyticsとGoogleBigQueryの無料統合を有効にしました。 Firebaseは、BigQueryでapp_events_YYYYMMDDの形式で新しいテーブルを毎日自動的に作成するようになりました。レガシーSQLで過去30日間のすべてのテーブルをクエリする必要があります。あなたは何をするべきか？
- A. WHERE_PARTITIONTIME疑似列を使用します
- B. YYYY-MM-DDとYYYY-MM-DDの間のWHERE日付を使用します
- C. TABLE_DATE_RANGE関数を使用します
- D. SELECT IFを使用します。（日付> = YYYY-MM-DDAND日付<= YYYY-MM-DD
正解：C
質問 # 169
特定の日に雨が降るかどうかを予測するモデルを構築しています。何千もの入力特徴があり、モデルの精度への影響を最小限に抑えながら、いくつかの特徴を削除することでトレーニング速度を向上できるかどうかを確認したいと考えています。あなたは何ができますか？
- A. トレーニングレコードの50％を超える値がnullである機能を削除します。
- B. 相互依存性の高い機能を1つの代表的な機能に結合します。
- C. 出力ラベルとの相関が高い機能を削除します。
- D. 各機能を個別にフィードする代わりに、3つのバッチでそれらの値を平均します。
正解：B
質問 # 170
あなたの会社は、さまざまなクライアントのデータ処理を処理しています。各クライアントは、独自の分析ツールスイートを使用することを好みます。一部のクライアントは、GoogleBigQueryを介した直接クエリアクセスを許可します。クライアントが互いのデータを見ることができないように、データを保護する必要があります。データへの適切なアクセスを確保する必要があります。あなたはどの3つのステップを踏むべきですか？ （3つ選択してください。）
- A. クライアントのデータセットを承認されたユーザーに制限します。
- B. 各クライアントのユーザーに適切なIDおよびアクセス管理（IAM）の役割を使用します。
- C. 各クライアントのBigQueryデータセットを異なるテーブルに配置します。
- D. サービスアカウントのみにデータセットへのアクセスを許可します。
- E. クライアントごとに異なるデータセットにデータをロードします。
- F. データを異なるパーティションにロードします。
正解：A、B、E
質問 # 171
Pub/Sub サブスクリプションから直接データを取り込む BigQuery テーブルがあります。取り込まれたデータは、Google が管理する暗号化キーを使用して暗号化されます。一元化された Cloud Key Management Service (Cloud KMS) プロジェクトの鍵を使用して保存データを暗号化することを要求する、新しい組織のポリシーを満たす必要があります。あなたは何をするべきか？
- A. Dataflow で Cloud KMS 暗号化キーを使用して、既存の Pub/Sub サブスクリプションを既存の BigQuery テーブルに取り込みます。
- B. CMEK を使用して新しい Pub/Sub トピックを作成し、Google 管理の暗号化キーを使用して既存の BigQuery テーブルを使用します。
- C. 顧客管理の暗号鍵 (CMEK) を使用して新しい BigOuory テーブルを作成し、古い BigQuery テーブルからデータを移行します。
- D. 顧客管理の暗号化キー (CMEK) を使用して新しい BigOuery テーブルと Pub/Sub トピックを作成し、古い BigOuery テーブルからデータを移行します。
正解：C
解説：
To use CMEK for BigQuery, you need to create a key ring and a key in Cloud KMS, and then specify the key resource name when creating or updating a BigQuery table. You cannot change the encryption type of an existing table, so you need to create a new table with CMEK and copy the data from the old table with Google-managed encryption key.
Reference:
Customer-managed Cloud KMS keys | BigQuery | Google Cloud
Creating and managing encryption keys | Cloud KMS Documentation | Google Cloud
質問 # 172
Google CloudPlatformで実行されるPOSアプリケーションで支払いトランザクションを処理するとします。ユーザーベースは指数関数的に増加する可能性がありますが、インフラストラクチャのスケーリングを管理する必要はありません。
どのGoogleデータベースサービスを使用する必要がありますか？
- A. Cloud Bigtable
- B. BigQuery
- C. クラウドSQL
- D. クラウドデータストア
正解：C
質問 # 173
FlowlogisticのCEOは、顧客ベースについて迅速な洞察を得て、営業チームが現場でより多くの情報を得られるようにしたいと考えています。このチームはあまり技術的ではないため、BigQueryレポートの作成を簡素化するための視覚化ツールを購入しました。しかし、彼らはテーブル内のすべてのデータに圧倒されており、必要なデータを見つけようとするクエリに多額の費用を費やしています。あなたは最も費用効果の高い方法で彼らの問題を解決したいと思っています。あなたは何をするべきか？
- A. 必要な列のみを含む追加のテーブルを作成します。
- B. 適切な列にIDおよびアクセス管理（IAM）の役割を作成して、クエリに表示されるようにします。
- C. 仮想化ツールに提示するビューをテーブルに作成します。
- D. 仮想化のためにデータをGoogleスプレッドシートにエクスポートします。
正解：C
質問 # 174
GoogleCloudの10TBデータベースの一部である2つのリレーショナルテーブルのストレージを設計しています。水平方向にスケーリングするトランザクションをサポートする必要があります。また、非キー列の範囲クエリのデータを最適化する必要があります。あなたは何をするべきか？
- A. ストレージにCloudSpannerを使用します。 Cloud Dataflowを使用して、クエリパターンをサポートするようにデータを変換します。
- B. ストレージにCloudSpannerを使用します。クエリパターンをサポートするためにセカンダリインデックスを追加します。
- C. ストレージにCloudSQLを使用します。 Cloud Dataflowを使用して、クエリパターンをサポートするようにデータを変換します。
- D. ストレージにCloudSQLを使用します。クエリパターンをサポートするためにセカンダリインデックスを追加します。
正解：A
解説：
Reference: https://cloud.google.com/solutions/data-lifecycle-cloud-platform
質問 # 175
......
Google Professional-Data-Engineer日本語リアル2025年最新のブレーン問題集模擬試験問題集：https://jp.fast2test.com/Professional-Data-Engineer-JPN-premium-file.html