한 소매 회사가 매일 소매 주문 CSV 파일을 단일 S3 경로에 로드하고 Amazon Redshift Spectrum을 사용하여 100개 이상의 열 데이터의 하위 집합을 쿼리합니다. 타사 소스는 매일 30개 이상의 CSV 파일(각 50~70MB)을 생성합니다. 사용자는 일별 지표를 집계하지만 쿼리 성능이 저하되었습니다. 개발 노력을 최소화하면서 성능 문제를 해결할 수 있는 작업 조합은 무엇입니까? (두 가지 선택)

정답은 "타사 애플리케이션이 파일을 컬럼형 형식으로 생성하도록 구성합니다"와 "S3 버킷의 주문 데이터를 주문 날짜별로 파티셔닝합니다"입니다. Redshift Spectrum은 S3에 저장된 데이터를 쿼리할 때 컬럼형 형식(예: Parquet 또는 ORC)으로 저장된 데이터에서 더 나은 성능을 보입니다. 이는 필요한 열만 읽어 I/O를 줄이기 때문입니다. 또한, 주문 날짜별로 데이터를 파티셔닝하면 Redshift Spectrum이 쿼리 시 관련 파티션만 스캔하여 스캔되는 데이터 양을 크게 줄이고 쿼리 성능을 향상시킵니다. "매일 여러 CSV 파일을 하루에 하나의 파일로 결합하는 AWS Glue ETL 작업을 개발합니다"는 파일 수를 줄여 S3 오버헤드를 줄일 수 있지만, 컬럼형 형식으로 변환하거나 파티셔닝하는 것만큼 쿼리 성능을 크게 개선하지 못합니다. "타사 애플리케이션이 파일을 JSON 형식으로 생성하도록 구성합니다"는 JSON이 행 기반 형식이고 일반적으로 CSV보다 파싱 오버헤드가 더 크기 때문에 성능을 저하시킬 수 있습니다. "JSON 데이터를 SUPER 유형 열의 Amazon Redshift 테이블로 로드합니다"는 Redshift Spectrum이 아닌 Redshift 내부 테이블에 해당하며, S3 데이터 쿼리 성능 문제와는 직접적인 관련이 없습니다.