BigQuery入門――Googleのサーバーレスデータウェアハウスを使いこなす

Google BigQueryは、サーバー管理が一切不要で、ペタバイト級のデータに対して標準SQLで分析できるフルマネージド・サーバーレス型のクラウドDWHです。GCP(Google Cloud)のサービスとして提供され、DremelとColossusという独自エンジンの上で動きます。従量課金($5/TB処理)と定額課金(スロット予約)の2モデルから選べ、Google Analytics 4・Firebaseといった主要プロダクトとのネイティブ連携が強みです。本記事ではBigQueryのアーキテクチャ、主要機能、料金モデル、始め方を、SQL例を交えて初心者向けに解説します。サーバーレスDWHの思想に触れたことがない方にも、30分で要点が掴める構成です。

BigQueryとは何か――「サーバーレスでペタバイト級の分析」

BigQueryは、2010年にGoogle Cloudの一サービスとして公開されたフルマネージドのクラウドDWHです。クラスターやインスタンスといった概念がユーザーから隠蔽されており、プロジェクトとデータセットを作ってクエリを投げるだけで、内部ではGoogle社内で長年使われてきた分散クエリ基盤「Dremel」が処理を引き受けます。

特徴は3つに集約されます。第一にサーバー管理不要。ノード数やバージョン管理が不要で、ユーザーは標準SQLを書くだけです。第二に自動スケーリング。クエリごとに必要なスロット(計算リソース単位)が動的に割り当てられます。第三に従量課金。デフォルトでは処理データ量に応じた課金のみで、使わなければ料金は発生しません。

BigQueryのアーキテクチャ

BigQueryのアーキテクチャは、Google社内のDremelシステムをルーツに持ちます。分散クエリエンジン「Dremel」と分散ストレージ「Colossus」を、高速ネットワーク「Jupiter」で接続する構造です。ストレージとコンピュートが物理的に分離されており、どちらも独立してスケールします。

【BigQueryのアーキテクチャ概念】

        [User / SDK / BI Tool]
                  |
                  v
         [Dremel Query Engine]
            (Slot単位で実行)
                  |
                  v
          [Jupiter Network]
           (Petabit級高速網)
                  |
                  v
        [Colossus Storage]
          (列指向・圧縮・レプリカ)

※ ストレージとコンピュートは完全分離
  ユーザーは物理ノードを意識しない

クエリの実行単位は「スロット」で、1スロットはおおよそ仮想CPU1コアに相当します。BigQueryは必要に応じて数千〜数万スロットを一瞬でスケールさせるため、巨大なクエリが数十秒で返ってくる体験が得られます。

BigQueryの主な機能

BigQueryの強みを支える6つの主要機能を紹介します。

1. 標準SQL対応：ANSI SQL準拠の標準SQLで、JOIN・ウィンドウ関数・CTE・配列/構造体まで幅広く扱えます。

2. パーティショニング・クラスタリング：日付カラムなどで物理パーティションを切り、さらにクラスタリングキーで整列させることで、スキャン量とコストを劇的に削減できます。

3. BigQuery ML：CREATE MODEL文を使って、SQLの中でMLモデル(線形回帰、ロジスティック回帰、時系列予測等)を学習・推論できます。

4. BigQuery BI Engine：インメモリキャッシュでBIダッシュボードを高速化するアクセラレータです。Looker StudioやLookerとの相性が抜群です。

5. 外部テーブル(BigLake)：GCS上のParquet・ORC・Avro・CSVファイルを、ロードせずに直接クエリできます。データレイクとの統合に最適です。

6. ストリーミング挿入：Pub/Sub・Dataflowと組み合わせた準リアルタイム取り込みが可能です。

-- パーティション + クラスタリングテーブル
create table analytics.events
(
  event_date date,
  user_id string,
  event_name string,
  params json
)
partition by event_date
cluster by user_id, event_name;

-- BigQuery MLで線形回帰モデル作成
create or replace model analytics.churn_model
options(model_type='logistic_reg', input_label_cols=['churned']) as
select
  days_since_last_login,
  total_purchases,
  churned
from analytics.users
where split_date < '2026-01-01';

機能	概要	ユースケース
標準SQL	ANSI SQL準拠の高機能SQL	既存SQLスキルの活用
パーティション/クラスタ	スキャン範囲の物理的絞り込み	コスト削減・高速化
BigQuery ML	SQL内部でMLモデルを学習・推論	チャーン予測、需要予測
BI Engine	インメモリキャッシュによる高速化	ダッシュボード応答性向上
BigLake	GCSファイルの直接クエリ	データレイクの統合分析
ストリーミング	行単位のリアルタイム挿入	イベント分析、ログ収集

料金モデル

BigQueryの料金はコンピュートとストレージの2軸で構成されます。コンピュートには「オンデマンド」と「スロット予約」の2モデルがあり、ワークロード特性で選び分けます。

オンデマンド：クエリごとに処理データ量で課金(約$5/TB)。小規模・アドホッククエリ中心の使い方に向きます。

スロット予約(Editions)：月額・年額でスロットを確保する定額モデル。Standard/Enterprise/Enterprise Plusの3エディションがあります。安定したワークロードと予算統制が必要な組織に適します。

ストレージは「アクティブストレージ」と「長期保存ストレージ」の2種類で、90日間更新のないテーブルは自動的に長期保存料金(約半額)に切り替わります。

課金方式	コスト特性	適するユースケース	予測可能性
オンデマンド	$5/TB処理(変動)	アドホック分析、少量クエリ	低(使用量依存)
スロット予約(定額)	スロット数に応じた定額	安定した本番ワークロード	高(定額)

BigQueryの始め方

BigQueryは、GCPプロジェクトを作成すればすぐに使い始められます。以下の5ステップで最初のクエリまで到達可能です。

まずGCPコンソールでプロジェクトを作成し、BigQuery APIを有効化します。次にデータセット(スキーマに相当)を作成し、データをロードします。CLIのbqコマンドを使えば、以下のようにコマンドラインだけでテーブル作成・ロードが可能です。

bq --project_id=my-project mk --dataset analytics
bq load --autodetect --source_format=CSV analytics.orders ./orders.csv
bq query --use_legacy_sql=false 'select count(*) from analytics.orders'

最初の分析クエリはシンプルな集計から始めるのが定番です。以下はパーティション列を明示的にフィルタすることで、スキャン量を抑える例です。

select
  date_trunc(order_date, month) as month,
  count(*) as order_count,
  sum(amount) as total_sales
from analytics.orders
where order_date between '2026-01-01' and '2026-03-31'
group by month
order by month;

BigQueryが向くケース・向かないケース

どのような組織にBigQueryが適しているかを整理します。

向くケース	向かないケース
GCPをメインクラウドとして使っている	マルチクラウド戦略が必須
サーバーレスの運用負荷ゼロを志向	コンピュートのきめ細かな制御が必要
Google Analytics 4・Firebase連携が重要	AWSサービスとの深い統合が第一
アドホック分析中心で使用量が変動する	コストの完全予測可能性を最優先
BigQuery MLで簡易MLを活用したい	Sparkベースの超大規模前処理中心

まとめ

本記事の要点を振り返ります。

• BigQueryはサーバーレス・フルマネージドのクラウドDWH
• DremelとColossusによる分散アーキテクチャで自動スケール
• パーティション・クラスタリングがコスト管理の要
• オンデマンド課金とスロット予約を使い分けるのが定石
• GCP中心・GA4/Firebase連携・サーバーレス志向と相性抜群

次に読むべき記事は、クラウドDWH3大サービス比較、BigQueryコスト管理、そしてdbt入門です。DE-STKではBigQueryの設計・コスト診断・GA4連携基盤の構築を一貫して支援しています。クエリコストが想定を超えている、ダッシュボードが遅いといった相談もお気軽にどうぞ。

よくある質問(FAQ)

Q. BigQueryは無料で使えますか?

A. 毎月1TBのクエリと10GBのストレージが無料枠として提供されます。小規模な分析やPoC用途であれば無料枠内で十分に検証できます。

Q. BigQueryの料金が高くなる原因は?

A. フルスキャンクエリ(SELECT *)が最大の原因です。パーティショニング・クラスタリングの活用と、必要なカラムだけを指定するSELECTでコストを大幅に削減できます。

Q. BigQueryとSnowflakeの違いは?

A. BigQueryはサーバーレスでGCPとの統合が深く、Snowflakeはマルチクラウドとコンピュートの柔軟な制御が強みです。GCPメインならBigQuery、マルチクラウドならSnowflakeが一般的な選択です。