Dopo la migrazione di un data warehouse di vendita con schema a stella a BigQuery, le query sugli ultimi 30 giorni sono lente. Secondo le best practice di Google, come si velocizzano le query senza aumentare i costi di archiviazione?

Partizionare i dati per data di transazione è la soluzione migliore. BigQuery eccelle nelle query su intervalli di date quando i dati sono partizionati per data, riducendo la quantità di dati scansionati e migliorando significativamente le prestazioni senza aumentare i costi di archiviazione. Denormalizzare i dati potrebbe migliorare le prestazioni, ma di solito aumenta i costi di archiviazione e non è la soluzione più mirata per query basate su intervalli di tempo. Lo sharding per ID cliente non è efficace per query basate su intervalli di tempo e potrebbe peggiorare le prestazioni per tali query, oltre a non essere una pratica comune in BigQuery per questo tipo di problema. Materializzare i dati dimensionali nelle viste non risolve il problema delle query lente sui fatti basati sul tempo, poiché le dimensioni sono tipicamente piccole e non sono il collo di bottiglia.