参考：https://medium.com/mlreview/a-simple-deep-learning-model-for-stock-price-prediction-using- tensorflow-30505541d877

大規模な販売履歴ファクトテーブルを集計する頻繁なクエリの応答時間を改善し、コストを削減するには、マテリアライズド・ビューが非常に効果的なソリューションです。オプションAが最適な選択肢である理由は次のとおりです。
マテリアライズドビュー:
マテリアライズド ビューはクエリの結果を物理的に保存し、定期的に更新することで、頻繁にアクセスされるデータに対するクエリ応答を高速化します。
これらは、結果を事前に計算することで、反復的でコストのかかる集計クエリのパフォーマンスを向上させるように設計されています。
効率性とコスト削減：
日レベルと月レベルでマテリアライズド ビューを構築することで、各クエリに必要な計算が大幅に削減され、応答時間が短縮され、クエリ コストが削減されます。
マテリアライズド ビューは、大規模なデータセットを扱うときにコストがかかる可能性があるオンデマンド クエリ実行の必要性も軽減します。
最小限のメンテナンス:
BigQuery のマテリアライズド ビューは自動的に管理され、更新はシステムによって処理されるため、チームのメンテナンス負担が軽減されます。
実装手順:
集計クエリを識別する:
既存のクエリを分析して、日レベルと月レベルでの共通の集計パターンを特定します。
マテリアライズドビューを作成する:
特定された集計パターンに対して、BigQuery でマテリアライズド ビューを作成します。例: CREATE MATERIALIZED VIEW project.dataset.sales_daily_summary AS SELECT DATE(transaction_time) AS day, SUM(amount) AS total_sales FROM project.dataset.sales GROUP BY day; CREATE MATERIALIZED VIEW project.dataset.sales_monthly_summary AS SELECT EXTRACT(YEAR FROM transaction_time) AS year, EXTRACT(MONTH FROM transaction_time) AS month, SUM(amount) AS total_sales FROM project.dataset.sales GROUP BY year, month; マテリアライズド ビューを使用したクエリ:
ベーステーブルを直接クエリするのではなく、マテリアライズドビューを使用するように既存のクエリを更新します。
参照：
BigQuery マテリアライズドビュー
クエリパフォーマンスの最適化

アプリケーションに影響を与えずに耐障害性を確保し、RPO（リカバリポイント目標）を最小限に抑えるには、ターボレプリケーションを備えたデュアルリージョンバケットを使用するのが最善のアプローチです。オプションDが最適な選択肢である理由は次のとおりです。
デュアルリージョンバケット:
デュアルリージョン バケットは、2 つの異なる地理的リージョンにわたってデータを冗長的に保存し、高い可用性と耐久性を実現します。
この設定により、1 つのリージョンで障害が発生してもデータが引き続き利用可能になります。
ターボレプリケーション:
ターボ レプリケーションにより、復旧ポイント目標 (RPO) を最小限に抑えるという要件に合わせて、2 つのリージョン間で 15 分以内にデータがレプリケートされます。
この機能により、ほぼリアルタイムのレプリケーションが提供され、データ損失のリスクが大幅に軽減されます。
アプリケーションに影響なし:
アプリケーションは変更なしでデュアルリージョン バケットに引き続きアクセスするため、リージョン障害が発生した場合でもシームレスな操作が保証されます。
デュアルリージョン設定により、フェイルオーバーが透過的に処理され、データへの中断のないアクセスが提供されます。
実装手順:
デュアルリージョンバケットを作成します。
Google Cloud Console で適切なリージョン (例: us-central1 と us-east1) を選択して、デュアルリージョンの Cloud Storage バケットを作成します。
ターボレプリケーションを有効にする:
ターボ レプリケーションを有効にすると、選択したリージョン間での高速なデータ レプリケーションが保証されます。
アプリケーションを構成する:
アプリケーションがデュアルリージョン バケットに対して読み取りと書き込みを実行できるようにすることで、高い可用性と耐久性のメリットを享受できます。
テストフェイルオーバー:
リージョン障害をシミュレートして、デュアルリージョン バケットとターボ レプリケーションが必要な RPO を満たし、データの復元力を確保していることを確認します。
参照：
Google Cloud Storage デュアルリージョン
Google Cloud Storage のターボレプリケーション

説明
Google Cloud では、Dataflow SDK が変換コンポーネントを提供します。このコンポーネントはデータ処理オペレーションを担います。条件分岐、for ループ、その他の複雑なプログラミング構造を使用して、分岐パイプラインを作成できます。
参考: https://cloud.google.com/dataflow/model/programming-model