Une entreprise produit des données par lots à partir de diverses bases de données et des données de flux en direct à partir de capteurs réseau et d'API d'applications. L'entreprise doit consolider et traiter toutes les données entrantes, puis les stocker dans différents buckets Amazon S3 pour des requêtes ponctuelles et une importation ultérieure dans un outil de BI pour les KPI. Quelle combinaison d'étapes répondra à ces exigences avec le MOINS de frais opérationnels ? (Choisissez deux.)

Les blueprints d'AWS Lake Formation simplifient l'ingestion de données par lots et en streaming dans un lac de données S3, et AWS Glue est idéal pour l'ETL sans serveur, convertissant les données en Apache Parquet pour une compression et des performances de requête optimales, réduisant ainsi les frais opérationnels. Amazon Athena permet des requêtes ad hoc directement sur les données S3 sans provisionnement de serveurs, et Amazon QuickSight est une solution de BI entièrement gérée pour la création de tableaux de bord KPI. L'utilisation d'Amazon Kinesis Data Analytics est plus adaptée au traitement en temps réel et n'est pas la solution la plus rentable pour les requêtes ponctuelles sur des données stockées. Les fonctions AWS Lambda personnalisées pour déplacer des enregistrements individuels vers Amazon Redshift seraient coûteuses et complexes à gérer pour des volumes de données importants. AWS OpenSearch Service est une solution de recherche et d'analyse de journaux, pas le stockage principal le plus rentable pour des requêtes ponctuelles et l'intégration BI.