Modellieren Sie eine BigQuery-Tabelle mit Store-Transaktionen (Transaktionszeit, Artikel, Store-ID, Stadt, Bundesstaat), die häufig nach Artikelanzahlen der letzten 30 Tage und Trends nach Bundesstaat/Stadt/Store abgefragt wird. Wie sollten Sie partitionieren und clustern, um die beste Leistung zu erzielen?

Die Partitionierung nach Transaktionszeit ist optimal, da Abfragen häufig die letzten 30 Tage betreffen. Dies reduziert die Menge der gescannten Daten erheblich. Das Clustern nach Bundesstaat, dann Stadt, dann Store-ID ist am besten, da Abfragen Trends nach diesen geografischen Hierarchien analysieren. BigQuery speichert geclusterte Daten physisch zusammen, was die Abfrageleistung für Filter und Aggregationen auf diesen Spalten verbessert. Die umgekehrte Cluster-Reihenfolge (Store-ID, dann Stadt, dann Bundesstaat) wäre weniger effizient für Abfragen, die auf höheren geografischen Ebenen (Bundesstaat, Stadt) filtern, da die Daten dann nicht optimal zusammenliegen würden. Top-Level-Clustering ohne Partitionierung würde bei zeitbasierten Abfragen zu einem vollständigen Tabellenscan führen, was teuer und langsam ist.