ある大手小売チェーンが、全国 300 店舗のPOSシステムから1日に約5,000万件の取引レコードを生成している。このデータを「過去3年分（合計約550億件）の取引を使って、来年の商品カテゴリ別需要を地域×季節×プロモーションの3軸で予測するモデルをトレーニングしたい」という要件がある。このユースケースで最も適したデータ処理とファイル形式の組み合わせはどれか。

正解: C

550億件という大量の履歴データを使った機械学習モデルのトレーニングには「バッチ処理＋Parquet」が最適である。バッチ処理で3年分の取引をまとめて処理・変換するのは大量履歴データの一括変換に適した方式である。Parquetは列指向の圧縮バイナリ形式で、550億件のデータを大幅に圧縮でき、モデルトレーニング時にも使う特徴量の列だけを読む列プルーニングによりI/Oを削減できる。Apache Spark・Azure Synapse・Azure MLなど主要なMLフレームワークはParquetとの親和性が高い。選択肢Dのストリーミング＋CSVは、過去3年間の履歴データのモデルトレーニングにストリーミングを使う必然性がなく（既存データのためリアルタイム性不要）、CSVは550億件規模では圧縮効率・読み込み速度でParquetに大きく劣る。選択肢Aのストリーミング＋JSONも同様に履歴データに対してリアルタイム処理を適用する必要がなく、JSONは550億件のMLデータとして圧縮効率が悪い。選択肢BのバッチはOKだがXMLはタグのオーバーヘッドでファイルサイズが膨大になり、大規模MLデータには非効率で実用的でない。