Preprocess klantgegevens uit een beperkte GCS-bucket voor organisatiebrede analyses, waarbij gevoelige velden worden beschermd maar volledige gegevens worden behouden voor toekomstig gebruik; volg de vereisten voor gegevensprivacy.

Deze optie is correct omdat het voldoet aan alle vereisten: Dataflow is ideaal voor grootschalige transformatie van klantgegevens uit GCS. De DLP API kan gevoelige velden detecteren en maskeren, wat de gegevens beschermt en privacy waarborgt, terwijl de volledige dataset (in gemaskeerde vorm) behouden blijft voor toekomstig gebruik. De gemaskeerde gegevens worden vervolgens naar BigQuery geschreven voor organisatiebrede analyses. De optie om gevoelige velden te verwijderen (eerste optie) is incorrect omdat de vraag stelt dat volledige gegevens behouden moeten blijven. Het versleutelen van Cloud Storage met CMEK (tweede optie) beschermt de data at-rest, maar maskeert de gevoelige velden niet voor analyse, wat nodig is voor privacy. Het versleutelen van gevoelige velden met Cloud KMS en opslaan in BigQuery (vierde optie) is mogelijk, maar de DLP API is specifiek ontworpen voor het detecteren en maskeren van gevoelige informatie, wat een directere en vaak efficiëntere oplossing is voor dit specifieke probleem.