Kahoot GCP Curso

La tabla customer_order de tu compañía en BigQuery almacena el historial de pedidos de 10 millones de clientes, con un tamaño de tabla de 10 PB. Necesitas crear un panel (dashboard) para que el equipo de soporte vea el historial de pedidos. El panel tiene dos filtros, country_name (nombre del país) y username (nombre de usuario). Ambos son tipos de datos de cadena (string) en la tabla de BigQuery. Cuando se aplica un filtro, el panel obtiene el historial de pedidos de la tabla y muestra los resultados de la consulta. Sin embargo, el panel es lento para mostrar los resultados al aplicar los filtros a la siguiente consulta: SELECT date, order, status FROM customer_order WHERE country = '<country-name>' AND username = '<username>'. ¿Cómo deberías rediseñar la tabla de BigQuery para permitir un acceso más rápido?

• Particionar la tabla por _PARTITIONTIME

• Particionar la tabla por los campos country (país) y username (nombre de usuario)

• Agrupar (cluster) la tabla por los campos country (país) y username (nombre de usuario)

• Agrupar (cluster) la tabla por el campo country (país), y particionar por el campo username (nombre de usuario)

Trabajas para una compañía naviera global. Quieres entrenar un modelo con 40 TB de datos para predecir qué barcos en cada región geográfica es probable que causen retrasos en las entregas en un día determinado. El modelo se basará en múltiples atributos recopilados de múltiples fuentes. Los datos de telemetría, incluida la ubicación en formato GeoJSON, se extraerán de cada barco y se cargarán cada hora. Quieres tener un panel (dashboard) que muestre cuántos y qué barcos es probable que causen retrasos dentro de una región. Quieres utilizar una solución de almacenamiento que tenga funcionalidad nativa para predicción y procesamiento geoespacial. ¿Qué solución de almacenamiento deberías usar?

• Cloud Bigtable

• BigQuery

• Cloud SQL para PostgreSQL

• Cloud Firestore

Tu compañía está implementando un almacén de datos (data warehouse) usando BigQuery, y se te ha asignado la tarea de diseñar el modelo de datos. Trasladas tu almacén de datos de ventas local (on-premises) con un esquema en estrella (star schema) a BigQuery, pero notas problemas de rendimiento al consultar los datos de los últimos 30 días. Basado en las prácticas recomendadas de Google, ¿qué deberías hacer para acelerar la consulta sin incrementar los costos de almacenamiento?

• Fragmentar (Shard) los datos por ID de cliente

• Materializar los datos dimensionales en vistas (views)

• Desnormalizar los datos

• Particionar los datos por fecha de transacción

Tu empresa gestiona una flota global de vehículos de reparto. Cada vehículo emite datos de telemetría (GPS, velocidad, estado del motor) cada segundo. Necesitas procesar estos datos en tiempo real para detectar anomalías (ej. paradas inesperadas) y aplicar lógica de negocio compleja (ej. cálculo de ETA actualizado) antes de almacenar el resultado en BigQuery. ¿Qué arquitectura deberías usar?

• Almacenar los datos en archivos en Cloud Storage y ejecutar un trabajo de Dataproc cada minuto.

• Ingerir los datos en Cloud Pub/Sub y usar una canalización (pipeline) de Cloud Dataflow en modo streaming para procesar y limpiar los datos.

• Usar Cloud Functions para recibir cada evento vía HTTP y escribirlo directamente en BigQuery.

• Instalar un clúster de Kafka autogestionado en Google Compute Engine para la ingesta.

Tu aplicación genera 1 TB de logs de auditoría por día. Estos logs deben conservarse durante 7 años por cumplimiento normativo. Se espera que los logs no se consulten nunca, excepto en caso de una investigación legal o de seguridad, que puede ocurrir menos de una vez al año. ¿Qué clase de Cloud Storage ofrece el almacenamiento más económico para este caso de uso?

• Standard Storage

• Nearline Storage

• Coldline Storage

• Archive Storage

Estás diseñando el sistema de inventario para una aerolínea global. El sistema debe gestionar las reservas de asientos y necesita garantizar una consistencia transaccional fuerte a nivel mundial. Es crítico que el mismo asiento no pueda ser vendido dos veces simultáneamente en Nueva York y en Tokio. ¿Qué base de datos deberías utilizar?

• Cloud Bigtable

• Cloud Spanner

• Cloud SQL con réplicas de lectura interregionales

• Firestore en modo Datastore

Estás diseñando la arquitectura de datos de tu compañía. Necesitas un repositorio central para almacenar datos estructurados (Parquet) y no estructurados (imágenes, JSON) con alta durabilidad. Este repositorio servirá como la "fuente de verdad" (source of truth) para trabajos de ETL que se ejecutarán con Dataproc y para consultas ad-hoc con BigQuery. ¿Qué servicio deberías usar como la base de este Data Lake?

• Cloud SQL

• Google Drive

• Cloud Storage

• Cloud Filestore

Miles de sensores en una fábrica envían lecturas de temperatura y presión 100 veces por segundo. Necesitas almacenar estos datos de serie temporal y potenciar un dashboard que muestre las lecturas de los últimos 30 minutos de cualquier sensor con latencia de milisegundos (lecturas de punto único). El sistema debe soportar una tasa de escritura extremadamente alta. ¿Qué base de datos es la más adecuada?

• Cloud SQL

• BigQuery

• Cloud Bigtable

• Cloud Spanner

Eres una plataforma de streaming de vídeo similar a YouTube. Los usuarios suben vídeos que deben estar disponibles inmediatamente para streaming global con baja latencia. Los vídeos más populares se acceden millones de veces al día. ¿Qué clase de Cloud Storage es la adecuada para almacenar estos vídeos?

• Standard Storage (en un bucket Multi-Regional)

• Nearline Storage

• Coldline Storage

• Archive Storage

Tu equipo de analistas de negocio necesita ejecutar consultas SQL complejas (JOINs, agregaciones) sobre un conjunto de datos de 20 PB que contiene el historial de ventas. Las consultas son ad-hoc y deben completarse en segundos o minutos. No quieres gestionar índices, ni parches de servidor, ni capacidad de cómputo. ¿Qué servicio deberías usar?

• Cloud SQL para MySQL

• Cloud Spanner

• BigQuery

• Cloud Bigtable