データエンジニアリングチームは過去3年分のEコマース注文データ（合計5TB）をS3に year/month/day のパーティション構造で保存し、AWS Glue Data Catalog でメタデータ管理しています。データサイエンティストが Amazon Athena を使用して直近30日間のデータのみを対象とした特徴量エンジニアリングクエリを1日数十回実行しており、クエリ起動の遅延とコストが問題になっています。クエリのパフォーマンスとコストを改善する最も効果的なアプローチはどれですか？
選択肢A: Athena のパーティションプロジェクションは、テーブルプロパティでパーティションの範囲・形式を事前定義することで、Glue Data Catalogへの個別パーティション登録・参照が不要になります。年/月/日の3年分は約1,000パーティションに及びカタログ参照のオーバーヘッドが顕著なため、パーティションプロジェクションによりクエリ起動レイテンシとコストが大幅に改善します。 選択肢B: 全データをAmazon Redshiftにロードするアプローチは、追加インフラと運用コストが増加し最適ではありません。 選択肢C: S3 Intelligent-Tieringは保存コストの最適化であり、クエリパフォーマンスやカタログ参照コストの改善には直結しません。 選択肢D: Parquetへの変換は効果的ですが、パーティション構造を廃止するとフルスキャンが発生し逆効果です。