Uma Secretaria de Fazenda estadual está modernizando sua plataforma analítica. O time de engenharia de dados precisa conciliar duas necessidades: (i) ingestão contínua de eventos de notas fiscais eletrônicas, com latência de segundos e tolerância a eventos fora de ordem; e (ii) carga noturna de grandes volumes de arquivos legados, com transformações complexas e forte dependência de regras de negócio. O modelo dimensional do Data Warehouse foi projetado em esquema floco de neve, com dimensões normalizadas e hierarquias profundas. Durante a homologação, o time de BI relatou que consultas de agregação por contribuinte e período estavam lentas, e o time de engenharia propôs as seguintes ações:

• I. Implementar a ingestão de eventos em pipeline streaming com processamento de janelas e watermark, gravando os dados brutos em uma camada de armazenamento imutável, e executar as transformações analíticas posteriormente, em lote, sobre essa camada.
• II. Manter o esquema floco de neve, mas criar tabelas agregadas materializadas e visões desnormalizadas para os principais padrões de consulta, aceitando redundância controlada.
• III. Substituir o pipeline batch noturno por streaming, uma vez que o processamento contínuo elimina a necessidade de transformações complexas e reduz a latência de todas as cargas.
• IV. Aplicar ELT no pipeline batch, carregando os dados brutos primeiro e realizando as transformações dentro do Data Warehouse, aproveitando o poder de processamento do SGBD analítico.

Considerando os conceitos de engenharia de dados, pipelines batch e streaming, ELT e modelagem dimensional, quais ações são tecnicamente adequadas e coerentes com o cenário descrito?