ある医療機関のデータチームでは、PythonやSQLの経験が浅いデータアナリストが患者データの前処理を担当しています。以下の課題があります。 ・複数のCSVファイルにある欠損値の補完・外れ値の除去・カラム名の正規化を行いたい ・変換処理の手順を「レシピ」として保存し、新しいファイルに再利用したい ・処理前後のデータプロファイル（統計情報・品質メトリクス）をGUIで視覚的に確認したい ・コードを一切書かずにGUIから操作したい これらの要件を最も適切に満たすAWSサービスはどれか？
AWS Glue DataBrewは、250以上の組み込み変換（欠損値補完・外れ値除去・カラム名正規化等）を提供するビジュアルデータ準備サービスです。変換ステップを「レシピ」として保存・再利用でき、データプロファイリング機能（統計サマリー・欠損値率・分布・品質メトリクス等）をGUIで標準提供しています。コーディング不要で、データアナリストが直接操作できる設計になっています。 選択肢AのAWS Glue Studio（ビジュアルETL）は、ノーコードでETLパイプラインのDAG（有向非巡回グラフ）を構築するツールです。パイプライン設計には優れていますが、DataBrewほど充実したデータプロファイリングや個別データクレンジング変換の機能は持ちません。 選択肢CのAmazon SageMaker Data Wranglerは、機械学習のための特徴量エンジニアリングに特化したビジュアルツールです。SageMaker Pipelinesとの統合が前提であり、データウェアハウス・データレイク向けの汎用的なデータ前処理ツールとしての用途とは異なります。 選択肢DのAWS Glue（Python Shellジョブ）はPythonコードの記述が必要であり、コーディング経験の浅いデータアナリストが操作するノーコード要件を満たしません。