Un flux Kafka alimente BigQuery en événements de suivi de colis. La table a été créée avec un partitionnement par date d'ingestion et la latence des requêtes a augmenté. Les analystes interrogent les tendances géospatiales par colis. Quel changement améliorera les performances des requêtes BigQuery ?

Le clustering sur la colonne package-tracking ID est la meilleure solution. Les analystes interrogent les tendances géospatiales par colis, ce qui signifie qu'ils filtrent ou regroupent fréquemment les données en fonction de l'identifiant de suivi du colis. Le clustering optimise le stockage des données pour ces requêtes, réduisant la quantité de données scannées et améliorant considérablement les performances. Le clustering sur ingest-date n'est pas nécessaire car la table est déjà partitionnée par cette colonne, ce qui offre des avantages similaires pour les requêtes basées sur la date. Archiver les données vers Cloud Storage et utiliser une table externe augmenterait la latence d'accès pour les données historiques et ne résoudrait pas le problème de performance des requêtes sur les données actives. Recréer la table avec un partitionnement par delivery-date pourrait être utile pour d'autres types de requêtes, mais ne ciblerait pas directement le problème des requêtes par package-tracking ID.