Una empresa de marketing recibe una gran cantidad de nuevos datos de clickstream en Amazon S3 de una campaña de marketing. La empresa necesita analizar rápidamente los datos de clickstream en Amazon S3 y luego decidir si procesar los datos más a fondo en el pipeline de datos. ¿Qué solución cumple estos requisitos con la MENOR sobrecarga operativa?

La opción correcta es configurar un crawler de AWS Glue para catalogar los datos y luego usar Amazon Athena para consultarlos. AWS Glue Crawler descubre automáticamente el esquema de los datos en S3 y lo registra en el AWS Glue Data Catalog, lo que permite a Athena consultar los datos directamente usando SQL estándar sin necesidad de infraestructura. Esto ofrece la menor sobrecarga operativa porque Athena es un servicio sin servidor. Las otras opciones son menos óptimas: Crear tablas externas en un catálogo de Spark y usar trabajos de AWS Glue para consultar los datos implica una mayor sobrecarga operativa al gestionar un entorno Spark. Crear tablas externas en un metastore de Hive y configurar trabajos de Spark en Amazon EMR para consultar los datos requiere la gestión de un clúster EMR, lo que aumenta significativamente la sobrecarga operativa. Configurar un crawler de AWS Glue y luego usar Amazon Kinesis Data Analytics para consultar los datos no es adecuado para datos de clickstream estáticos en S3; Kinesis Data Analytics está diseñado para el procesamiento de flujos de datos en tiempo real.