Nach der Migration eines Sternschema-Verkaufswarehouses zu BigQuery sind Abfragen der letzten 30 Tage langsam. Wie können Sie gemäß den Best Practices von Google Abfragen beschleunigen, ohne die Speicherkosten zu erhöhen?

Die Partitionierung der Daten nach Transaktionsdatum ist die effektivste Methode, um Abfragen der letzten 30 Tage in BigQuery zu beschleunigen, ohne die Speicherkosten zu erhöhen. BigQuery kann durch die Partitionierung nur die relevanten Partitionen scannen, was die Menge der verarbeiteten Daten und somit die Abfragezeit reduziert. Da die Abfragen auf einen bestimmten Datumsbereich abzielen (letzte 30 Tage), ist die Partitionierung nach Transaktionsdatum ideal. Das Denormalisieren der Daten würde zwar die Anzahl der Joins reduzieren, könnte aber die Speicherkosten erhöhen, da Daten dupliziert werden. Das Sharding nach Kunden-ID ist für Abfragen über einen Datumsbereich weniger nützlich und könnte die Komplexität erhöhen. Das Materialisieren dimensionaler Daten in Views würde die Abfrageleistung für die Dimensionstabellen verbessern, aber nicht direkt die Leistung von Abfragen über große Faktentabellen für einen bestimmten Datumsbereich.