1 - 外部データソースを作成する
2 - 外部ファイル形式オブジェクトを作成する
3 - 外部テーブルを作成する
参照：
https://docs.microsoft.com/en-us/azure/synapse-analytics/sql/develop-tables-external-tables

高同時実行クラスターは、管理されたクラウド リソースです。高同時実行クラスターの主な利点は、リソース使用率を最大化し、クエリ待機時間を最小限に抑えるためのきめ細かい共有が提供されることです。
Databricks は、ジョブの実行に必要なワーカーの適切な数を選択します。これは自動スケーリングと呼ばれます。自動スケーリングを使用すると、ワークロードに合わせてクラスターをプロビジョニングする必要がないため、クラスターの高い使用率を簡単に達成できます。
参照：
https://docs.microsoft.com/en-us/azure/databricks/clusters/configure

説明
Hadoop のオープンソース ファイル形式である Parquet は、ネストされたデータ構造をフラットな列形式で保存します。
データが行指向のアプローチで保存される従来のアプローチと比較して、Parquet ファイル形式はストレージとパフォーマンスの点でより効率的です。
必要な列のみが読み取られ、IO が最小限に抑えられるため、「広い」(多くの列を含む) テーブルから特定の列を読み取るクエリに特に適しています。
参考: https://www.clairvoyant.ai/blog/big-data-file-formats

説明
C: Stream Analytics ジョブのスケーリングでは、入力または出力のパーティションを利用します。パーティショニングを使用すると、パーティション キーに基づいてデータをサブセットに分割できます。データを消費するプロセス (Streaming Analytics ジョブなど) は、異なるパーティションを並行して消費して書き込むことができるため、スループットが向上します。
E: ストリーミング ユニット (SU) は、Stream Analytics ジョブを実行するために割り当てられたコンピューティング リソースを表します。SU の数が多いほど、より多くの CPU リソースとメモリ リソースがジョブに割り当てられます。この機能により、クエリ ロジックに集中でき、Stream Analytics ジョブをタイムリーに実行するためにハードウェアを管理する必要性が軽減されます。
参考文献:
https://docs.microsoft.com/en-us/azure/stream-analytics/stream-analytics-Parallelization
https://docs.microsoft.com/en-us/azure/stream-analytics/stream-analytics-streaming-unit-consumption

参照：
https://docs.microsoft.com/en-us/azure/storage/blobs/access-tiers-overview