È necessario pre-elaborare i dati dei clienti in un bucket GCS con restrizioni per le analisi dei consumatori, rispettando i requisiti di privacy. Quale approccio è opportuno utilizzare?

L'approccio corretto prevede l'uso di Dataflow per l'elaborazione scalabile e l'API Cloud Data Loss Prevention (DLP) per mascherare i dati sensibili. Mascherare i dati (ad esempio, tramite tokenizzazione, hashing o offuscamento) consente di mantenere l'utilità analitica riducendo al contempo il rischio per la privacy, poiché i dati originali non vengono esposti. I dati elaborati vengono quindi scritti in BigQuery per l'analisi. Le opzioni errate presentano i seguenti problemi: L'uso di CMEK crittografa l'intero oggetto, non i singoli campi sensibili, e le query federate non pre-elaborano i dati per la privacy. Condividere la chiave di crittografia, anche con il privilegio minimo, espone comunque il dato originale a chi ha accesso alla chiave. Rimuovere i campi sensibili (invece di mascherarli) può ridurre significativamente l'utilità analitica dei dati. Crittografare i campi sensibili con Cloud KMS e scrivere i dati crittografati in BigQuery richiederebbe la decrittografia per ogni analisi, rendendo le query complesse e inefficienti. Inoltre, la condivisione della chiave di crittografia espone il dato originale.