Een bedrijf produceert batchgegevens uit verschillende databases en live streamgegevens van netwerksensoren en applicatie-API's. Het bedrijf moet alle inkomende gegevens consolideren en verwerken, en deze vervolgens in verschillende Amazon S3-buckets plaatsen voor eenmalige query's en latere import in een BI-tool voor KPI's. Welke combinatie van stappen voldoet aan deze vereisten met de MINSTE operationele overhead? (Kies twee.)

De combinatie van AWS Lake Formation, AWS Glue en Amazon S3 in Apache Parquet-formaat is ideaal voor het consolideren en voorbereiden van diverse batch- en streamgegevens. Lake Formation vereenvoudigt de opbouw van een data lake, terwijl Glue de ETL-processen automatiseert, inclusief crawlen, extraheren en converteren naar een efficiënt kolomgericht formaat zoals Parquet, wat de opslag en queryprestaties optimaliseert. Deze aanpak minimaliseert operationele overhead door beheerde services te gebruiken. Amazon Athena is een serverloze queryservice die perfect is voor ad-hoc query's op gegevens in S3, zonder dat er infrastructuur hoeft te worden beheerd. Amazon QuickSight biedt vervolgens een serverloze BI-oplossing voor het creëren van dashboards en KPI's, wat de operationele last verder vermindert. De andere opties zijn minder geschikt: Kinesis Data Analytics is voor realtime analyse, niet voor eenmalige query's. Aangepaste Lambda-functies voor individuele records naar Redshift zijn te complex en duur voor dit scenario. AWS Glue ETL naar JSON en OpenSearch Service is minder efficiënt voor BI-doeleinden en verhoogt de overhead.