Pre-elaborare i dati dei clienti da un bucket GCS con restrizioni per l'analisi a livello di organizzazione, proteggendo i campi sensibili ma mantenendo i dati completi per un uso futuro; seguire i requisiti di privacy dei dati.

L'opzione corretta utilizza Dataflow con l'API DLP per mascherare i dati sensibili. Questo approccio consente di rilevare e trasformare i dati sensibili (mascheramento, tokenizzazione, ecc.) mantenendo il set di dati completo per un uso futuro, soddisfacendo i requisiti di privacy e consentendo l'analisi a livello di organizzazione. Scrivere i dati elaborati in BigQuery li rende disponibili per l'analisi. L'opzione che suggerisce di "rimuovere" i campi sensibili non è ideale perché la richiesta specifica di "mantenere i dati completi per un uso futuro". La crittografia di Cloud Storage con CMEK protegge i dati a riposo ma non li rende anonimi o mascherati per l'analisi, né risolve il problema dei dati sensibili che devono essere elaborati. L'uso di Cloud KMS per crittografare i campi sensibili e archiviarli in BigQuery non consente l'analisi diretta dei dati sensibili mascherati senza decrittografia, e la condivisione della chiave introduce rischi.