30 preguntas de práctica gratuitas de AWS DAS-C01

Una aplicación de streaming lee datos de Amazon Kinesis Data Streams y los escribe inmediatamente en un bucket de Amazon S3 cada 10 segundos. La aplicación lee datos de cientos de shards. El intervalo de procesamiento por lotes no puede cambiarse debido a otro requisito. Los datos se consultan mediante Amazon Athena. Los usuarios observan una degradación del rendimiento de las consultas con el paso del tiempo. ¿Qué acción puede ayudar a mejorar el rendimiento de las consultas?

Un equipo de científicos de datos planea analizar datos de tendencias de mercado para la nueva estrategia de inversión de su empresa. Los datos de tendencias proceden de cinco fuentes distintas y en grandes volúmenes. El equipo quiere utilizar Amazon Kinesis para cubrir su caso de uso. Emplea consultas de tipo SQL para analizar tendencias y desea enviar notificaciones a partir de ciertos patrones significativos detectados. Además, los científicos de datos quieren guardar los datos en Amazon S3 para archivado y reprocesamiento histórico, y usar servicios gestionados de AWS siempre que sea posible. El equipo quiere implementar la solución de menor coste. ¿Qué solución cumple estos requisitos?

Una gran empresa recibe archivos de terceros en Amazon EC2 a lo largo del día. Al final de la jornada, los archivos se combinan en un único archivo, se comprimen en gzip y se suben a Amazon S3. El tamaño total de todos los archivos ronda los 100 GB diarios. Una vez subidos a Amazon S3, un programa de AWS Batch ejecuta un comando COPY para cargar los archivos en un clúster de Amazon Redshift. ¿Qué modificación del programa acelerará el proceso COPY?

En una empresa, una unidad de negocio sube archivos .csv a un bucket de Amazon S3. El equipo de la plataforma de datos ha configurado un crawler de AWS Glue para el descubrimiento y la creación de tablas y esquemas. Un job de AWS Glue escribe los datos procesados de las tablas creadas en una base de datos de Amazon Redshift. El job de AWS Glue gestiona correctamente el mapeo de columnas y la creación de la tabla de Amazon Redshift. Cuando el job de AWS Glue se vuelve a ejecutar por cualquier motivo durante el día, se introducen registros duplicados en la tabla de Amazon Redshift. ¿Qué solución actualizará la tabla de Redshift sin duplicados cuando los jobs se vuelvan a ejecutar?

Una aerolínea tiene datos en formato .csv almacenados en Amazon S3 con un AWS Glue Data Catalog. Los analistas de datos quieren unir estos datos con datos del centro de llamadas almacenados en Amazon Redshift como parte de un proceso por lotes diario. El clúster de Amazon Redshift ya está sometido a una carga elevada. La solución debe ser gestionada, serverless, eficaz y minimizar la carga sobre el clúster de Amazon Redshift existente. Además debe requerir el mínimo esfuerzo y desarrollo. ¿Qué solución cumple estos requisitos?

Una gran empresa de viajes compartidos cuenta con miles de conductores en todo el mundo que atienden a millones de clientes únicos cada día. La empresa ha decidido migrar un data mart existente a Amazon Redshift. El esquema actual incluye las siguientes tablas: una tabla de hechos trips con información de los viajes completados; una tabla de dimensión drivers con los perfiles de los conductores; una tabla de hechos customers con la información de perfil de los clientes. La empresa analiza los detalles de los viajes por fecha y destino para examinar la rentabilidad por región. Los datos de los conductores cambian rara vez. Los datos de los clientes cambian con frecuencia. ¿Qué diseño de tablas ofrece el mejor rendimiento de consulta?

Una empresa de software aloja una aplicación en AWS y publica nuevas funcionalidades cada semana. Como parte del proceso de pruebas de la aplicación, debe desarrollarse una solución que analice los registros de cada instancia de Amazon EC2 para garantizar que la aplicación funciona según lo previsto tras cada despliegue. La solución de recopilación y análisis debe tener alta disponibilidad y capacidad para mostrar la información nueva con la mínima demora. ¿Qué método debe usar la empresa para recopilar y analizar los registros?

Una empresa industrial lleva un año recopilando datos de sensores IoT de dispositivos de su planta y los almacena en Amazon Redshift para su análisis diario. Un analista de datos ha determinado que, con una tasa de ingesta prevista de unos 2 TB diarios, el clúster quedará infradimensionado en menos de 4 meses. Se necesita una solución a largo plazo. El analista indica que la mayoría de las consultas solo hacen referencia a los últimos 13 meses de datos, pero también existen informes trimestrales que deben consultar todos los datos generados en los últimos 7 años. El director de tecnología (CTO) está preocupado por los costes, el esfuerzo administrativo y el rendimiento de una solución a largo plazo. ¿Qué solución debe utilizar el analista de datos para cumplir estos requisitos?

Una empresa financiera aloja un data lake en Amazon S3 y un almacén de datos en un clúster de Amazon Redshift. La empresa usa Amazon QuickSight para crear cuadros de mando y quiere asegurar el acceso desde su Active Directory local a Amazon QuickSight. ¿Cómo deben protegerse los datos?

Una empresa estadounidense de venta de zapatillas ha lanzado su sitio web global. Todos los datos transaccionales se almacenan en Amazon RDS y los datos históricos de transacciones ya depurados se almacenan en Amazon Redshift en la región us-east-1. El equipo de business intelligence (BI) quiere mejorar la experiencia de usuario ofreciendo un cuadro de mando de tendencias de zapatillas. El equipo decide usar Amazon QuickSight para representar los cuadros de mando del sitio web. Durante el desarrollo, un equipo en Japón aprovisionó Amazon QuickSight en ap-northeast-1. El equipo tiene dificultades para conectar Amazon QuickSight desde ap-northeast-1 con Amazon Redshift en us-east-1. ¿Qué solución resolverá este problema y cumplirá los requisitos?

Una compañía de seguros dispone de datos en bruto en formato JSON que se envían sin una planificación predefinida, mediante un flujo de entrega de Amazon Kinesis Data Firehose, a un bucket de Amazon S3. Un crawler de AWS Glue está programado cada 8 horas para actualizar el esquema en el catálogo de datos de las tablas almacenadas en el bucket de S3. Los analistas de datos analizan los datos con Apache Spark SQL en Amazon EMR configurado con AWS Glue Data Catalog como metastore. Los analistas comentan que, en ocasiones, los datos que reciben están desactualizados. Un ingeniero de datos debe darles acceso a los datos más recientes. ¿Qué solución cumple estos requisitos?

Un analista de datos usa AWS Glue para organizar, depurar, validar y formatear un conjunto de datos de 200 GB. Lanzó el job con el tipo de worker Standard. Tras 3 horas, el estado del job de AWS Glue sigue siendo RUNNING. Los registros de la ejecución no muestran códigos de error. El analista quiere reducir el tiempo de ejecución del job sin sobreaprovisionar. ¿Qué acciones debe llevar a cabo?

Una empresa envía en streaming sus datos de facturación de gran volumen (100 MB/s) a Amazon Kinesis Data Streams. Un analista de datos particionó los datos por account_id para asegurar que todos los registros de una cuenta vayan al mismo shard de Kinesis y se mantenga el orden. Al construir un consumidor personalizado con el SDK de Java de Kinesis, el analista observa que, a veces, los mensajes llegan desordenados para un account_id. Al investigar, descubre que los mensajes desordenados parecen provenir de shards distintos para el mismo account_id y aparecen cuando se ejecuta un redimensionamiento del flujo. ¿Cuál es la explicación de este comportamiento y cuál es la solución?

Una empresa de transporte utiliza sensores IoT instalados en camiones para recopilar datos de vehículos de su flota global de reparto. Actualmente envía los datos de los sensores en pequeños archivos .csv a Amazon S3. Después, los archivos se cargan en un clúster de Amazon Redshift de 10 nodos con dos slices por nodo y se consultan tanto con Amazon Athena como con Amazon Redshift. La empresa quiere optimizar los archivos para reducir el coste de las consultas y también mejorar la velocidad de carga de datos en el clúster de Amazon Redshift. ¿Qué solución cumple estos requisitos?

Una empresa está migrando sus jobs ETL locales a Amazon EMR. El código consta de una serie de jobs escritos en Java. La empresa necesita reducir la carga de los administradores de sistemas sin cambiar el código subyacente. Debido a la sensibilidad de los datos, el cumplimiento normativo exige usar cifrado del volumen raíz en todos los nodos del clúster. Los estándares corporativos exigen aprovisionar los entornos mediante AWS CloudFormation siempre que sea posible. ¿Qué solución satisface estos requisitos?

Un hospital utiliza dispositivos sensores médicos ponibles para recopilar datos de los pacientes. El hospital está diseñando una solución en tiempo casi real capaz de ingerir los datos de forma segura y a escala. La solución también debe poder eliminar la información sanitaria protegida (PHI) de los pacientes de los datos en streaming y almacenar los datos en un almacenamiento duradero. ¿Qué solución cumple estos requisitos con la menor carga operativa?

Una empresa de medios quiere realizar aprendizaje automático y análisis sobre los datos que residen en su data lake de Amazon S3. Existen dos requisitos de transformación de datos que permitirán a los consumidores internos crear informes: transformaciones diarias de 300 GB de datos con distintos formatos de archivo que llegan a Amazon S3 a una hora programada; transformaciones puntuales de terabytes de datos archivados en el data lake de S3. ¿Qué combinación de soluciones cumple de forma rentable los requisitos de transformación de datos de la empresa? (Elija TRES)

Una empresa de marketing quiere mejorar sus capacidades de reporting y business intelligence. Durante la fase de planificación entrevistó a las partes interesadas y descubrió que: el equipo de operaciones ejecuta sus informes cada hora sobre los datos del mes en curso; el equipo comercial quiere usar varios cuadros de mando de Amazon QuickSight para mostrar una vista móvil de los últimos 30 días según varias categorías, y también quiere ver los datos en cuanto llegan al backend de reporting; el equipo financiero ejecuta sus informes a diario sobre los datos del mes anterior y una vez al mes sobre los últimos 24 meses de datos. Actualmente hay 400 TB de datos en el sistema, con 100 TB adicionales previstos cada mes. La empresa busca la solución más rentable posible. ¿Qué solución cumple sus requisitos?

Una empresa quiere mejorar la satisfacción de los usuarios de su sistema domótico añadiendo más funcionalidades a su motor de recomendación. Cada sensor envía de forma asíncrona sus datos JSON anidados a Amazon Kinesis Data Streams mediante la Kinesis Producer Library (KPL) en Java. Las estadísticas de un conjunto de sensores averiados mostraron que, cuando un sensor funciona mal, los datos que registra no siempre se envían a la nube. La empresa necesita una solución que ofrezca análisis en tiempo casi real sobre los datos de los sensores más actualizados. ¿Qué solución permite a la empresa cumplir estos requisitos?

Una gran empresa dispone de un data lake central para realizar análisis en distintos departamentos. Cada departamento usa una cuenta de AWS separada y almacena sus datos en un bucket de Amazon S3 de esa cuenta. Cada cuenta de AWS usa AWS Glue Data Catalog como catálogo de datos. Los requisitos de acceso al data lake varían según el rol: los analistas junior solo deben tener acceso de lectura a los datos de su departamento; los analistas sénior pueden tener acceso a varios departamentos, incluido el suyo, pero solo a un subconjunto de columnas. ¿Qué solución logra estos patrones de acceso minimizando costes y tareas administrativas?

Una empresa ha desarrollado un nuevo sitio web de reporting electoral que usa Amazon Kinesis Data Firehose para entregar los registros completos de AWS WAF a un bucket de Amazon S3. Ahora la empresa busca una opción de bajo coste para realizar este análisis de datos poco frecuente con visualizaciones de los registros, requiriendo un esfuerzo de desarrollo mínimo. ¿Qué solución cumple estos requisitos?

Un analista de datos está diseñando una solución para consultar conjuntos de datos de forma interactiva con SQL mediante una conexión JDBC. Los usuarios unirán datos almacenados en Amazon S3 en formato Apache ORC con datos almacenados en Amazon Elasticsearch Service (Amazon ES) y Amazon Aurora MySQL. ¿Qué solución proporcionará los resultados MÁS actualizados?

Una empresa minorista está construyendo su solución de almacén de datos con Amazon Redshift. Como parte de ese esfuerzo, la empresa carga cientos de archivos en la tabla de hechos creada en su clúster de Amazon Redshift. La empresa quiere que la solución alcance el mayor rendimiento posible y aproveche de forma óptima los recursos del clúster al cargar los datos en su tabla de hechos. ¿Cómo debe cumplir la empresa estos requisitos?

Una vez al mes, una empresa recibe un archivo .csv de 100 MB comprimido con gzip. El archivo contiene 50 000 registros de anuncios inmobiliarios y se almacena en Amazon S3 Glacier. La empresa necesita que su analista de datos consulte un subconjunto de los datos correspondiente a un proveedor concreto. ¿Cuál es la solución más rentable?

Una empresa que supervisa las condiciones meteorológicas en obras remotas está montando una solución para recopilar datos de temperatura de las dos estaciones meteorológicas siguientes: la estación A, que tiene 10 sensores, y la estación B, que tiene cinco. Estas estaciones fueron ubicadas por expertos en la materia sobre el terreno. Cada sensor tiene un identificador único. Los datos recopilados por cada sensor se recogerán mediante Amazon Kinesis Data Streams. En función del rendimiento total de entrada y salida, se creó un único flujo de datos de Amazon Kinesis con dos shards. Se crearon dos claves de partición basadas en los nombres de las estaciones. Durante las pruebas aparece un cuello de botella en los datos procedentes de la estación A, pero no en los de la estación B. Tras la revisión, se confirma que el rendimiento total del flujo sigue siendo inferior al rendimiento asignado a Kinesis Data Streams. ¿Cómo puede resolverse este cuello de botella sin aumentar el coste ni la complejidad globales de la solución, manteniendo los requisitos de calidad en la recogida de datos?

Una empresa está construyendo un data lake y necesita ingerir datos desde una base de datos relacional que contiene datos de series temporales. La empresa quiere usar servicios gestionados para lograrlo. El proceso debe programarse a diario y traer a Amazon S3 únicamente los datos incrementales del origen. ¿Cuál es el enfoque MÁS rentable para cumplir estos requisitos?

Una empresa hipotecaria dispone de un microservicio para aceptar pagos. Este microservicio usa el cliente de cifrado de Amazon DynamoDB con claves gestionadas por AWS KMS para cifrar los datos sensibles antes de escribirlos en DynamoDB. El equipo financiero debe poder cargar estos datos en Amazon Redshift y agregar los valores de los campos sensibles. El clúster de Amazon Redshift se comparte con otros analistas de datos de distintas unidades de negocio. ¿Qué pasos debe seguir un analista de datos para realizar esta tarea de forma eficiente y segura?

Una empresa ha desarrollado varios jobs de AWS Glue para validar y transformar sus datos de Amazon S3 y cargarlos en Amazon RDS for MySQL por lotes, una vez al día. Los jobs ETL leen los datos de S3 usando un DynamicFrame. Actualmente, los desarrolladores de ETL tienen dificultades para procesar solo los datos incrementales en cada ejecución, ya que el job de AWS Glue procesa todos los datos de entrada de S3 en cada ejecución. ¿Qué enfoque permitiría a los desarrolladores resolver el problema con el mínimo esfuerzo de programación?

Una empresa de medios realiza análisis sobre los datos de logs generados por sus aplicaciones. Recientemente ha aumentado el número de trabajos de análisis concurrentes y el rendimiento global de los trabajos existentes se degrada a medida que se añaden nuevos trabajos. Los datos particionados se almacenan en Amazon S3 One Zone-Infrequent Access (S3 One Zone-IA) y el procesamiento analítico se realiza en clústeres de Amazon EMR mediante EMR File System (EMRFS) con la vista coherente habilitada. Un analista de datos ha determinado que los nodos de tareas de EMR tardan cada vez más en listar los objetos en Amazon S3. ¿Qué acción es la MÁS probable que mejore el rendimiento de acceso a los datos de logs en Amazon S3?

Una empresa financiera utiliza Apache Hive sobre Amazon EMR para consultas ad hoc. Los usuarios se quejan de un rendimiento lento. Un analista de datos observa lo siguiente: aproximadamente el 90 % de las consultas se envían en la hora posterior a la apertura del mercado; la utilización de Hadoop Distributed File System (HDFS) nunca supera el 10 %. ¿Qué solución ayudaría a resolver los problemas de rendimiento?