Pré-traiter les données client d'un bucket GCS restreint pour l'analyse à l'échelle de l'organisation tout en protégeant les champs sensibles mais en conservant toutes les données pour une utilisation future ; suivre les exigences de confidentialité des données.

La bonne réponse est d'utiliser Dataflow avec l'API DLP pour masquer les données sensibles, puis d'écrire les données traitées dans BigQuery. Cette approche permet de prétraiter les données à grande échelle (Dataflow), de protéger les champs sensibles en les masquant (API DLP) tout en conservant toutes les données pour une utilisation future (le masquage permet la récupération si nécessaire), et de stocker les données traitées pour l'analyse (BigQuery), répondant ainsi aux exigences de confidentialité. L'option de détection et suppression supprime définitivement les données, ce qui contredit l'exigence de conserver toutes les données pour une utilisation future. Le chiffrement de Cloud Storage avec CMEK protège les données au repos mais ne masque pas les champs sensibles pour l'analyse, et les requêtes fédérées ne sont pas une solution de masquage. Le chiffrement de champs sensibles avec KMS ne permet pas une analyse directe des données masquées sans déchiffrement, et le masquage est plus approprié pour l'analyse tout en protégeant la confidentialité.