BigQueryとは｜基本機能から活用事例までの導入ガイド【初心者向け】

Googleが提供するデータウェアハウス（以下、DWH）「BigQuery」の導入を検討している担当者の方も多いのではないでしょうか。

小規模なデータであればExcelやGoogle スプレッドシートなどの表計算ソフトでも分析できますが、データ量が増えるにつれて対応できなくなる場合もあるでしょう。そういった場合に、膨大なデータを高速処理できるBigQueryは非常に便利です。

そこで本記事では、BigQueryの基本機能についてわかりやすく解説します。特徴や魅力はもちろんのこと、BigQueryを用いて何ができるのかや、BigQueryならではのメリットもまとめました。また、詳細な料金体系や利用方法についてもご紹介します。

記事の後半では、具体的な活用イメージを掴むための事例も取り上げているので、ぜひ参考にしてみてください。

BigQueryとは「Googleが提供するデータウェアハウス（DWH）」のこと

BigQuery（ビッグクエリ）とは、Googleが提供しているデータウェアハウス（以下、DWH）のことを指します。

DWHとは、生産管理や販売管理といった「基幹系システム」、MAツールやSFAツール・CRMツールといった「戦略系システム」、WebサイトのアクセスログやIoT機器のセンサーログなど、日々蓄積される大量のデータを格納するためのシステムのこと。

DWHは通常、蓄積された大量のデータを分析することによって、経営やマーケティングにおいての、重要な意思決定をサポートするために用いられます。

DWHの仕組みについて、詳しくはこちらの記事も参考にしてみてください。

BigQueryは「Google Cloud」として提供されるプロダクトの1つで、ビッグデータを高速で解析できる点が大きな特徴です。集計速度が非常に早く、Excelなどでは処理が難しいような大量のデータを集計する際にとても便利です。

例えば、以下のようなことに活用できます。

• 膨大なアプリデータや大規模なECサイトのデータ集計（利用者データ・操作ログなど）
• 大規模サイトにおけるGoogleサーチコンソールのキーワードのグルーピング
• 産業用途における機械ログの収集

また、BigQueryは従来のオンプレミス型ではなくクラウド型のサービスなので、サーバーレスで使える点もメリットです。

BigQueryの特徴やできること

BigQueryの具体的なイメージが掴めない方もいるかもしれません。ここでは、BigQueryの主な特徴と、BigQueryを活用してできることについて解説します。

ビッグデータの保存・分析が行える

先に触れた通り、BigQueryでは膨大なデータの保存や分析が行えます。

小さなデータであればExcelなどを用いて処理することも可能ですが、データ量が数十MBに及ぶようなビッグデータの場合、時間がかかったり、処理しきれなかったりすることがあります。こういった場合には高速なBigQueryを活用するとよいでしょう。

Googleの他サービスとの連携性が高い

BigQueryはGoogle Cloudのサービスであるため、Googleの他サービスとのシームレスな連携が可能な点も大きな特徴です。Google Cloudが提供するサービス同士の場合、別のツールを介することなく直接連携できます。

BigQueryとの連携性が高いGoogleのサービスとしては、以下が挙げられます。

• GA4
• Looker Studio
• Googleスプレッドシート
• Googleサーチコンソール

GA4

GA4は、Webやアプリのデータを一元化し、総合的に分析できるサービスです。自動計測機能や機械学習による予測機能が充実しており、複雑な分析や高度な分析にも対応しています。

GA4のデータは、BigQueryへ直接エクスポートが可能です。BigQueryをGA4と連携することで、複雑なデータや膨大な量のデータを分析する基盤を構築できます。

GA4とBigQueryの連携設定は、Google Cloud Platformでのプロジェクト作成からBigQuery APIの有効化、GA4での連携設定まで、具体的な手順に沿って進める必要があります。

連携後は、SQLを使った前後パス分析やコンバージョンパス分析、BIツールとの連携によるデータ可視化、複数のSaaSレポート基盤の統一など、実際の企業事例に基づいた多様な活用方法が可能になります。

また、GA4のレポートとBigQueryの集計数値にズレが生じる点や、無償版での1日のエクスポート数上限といった注意点も事前に把握しておくことが重要です。

Looker Studio 

Looker Studioは、Googleが提供する無料のBIツールです。Looker Studioを用いることで、BigQueryに蓄積されたデータをリアルタイムに反映したレポートを簡単に作成できます。

Looker StudioとBigQueryの連携により、BigQueryに蓄積されたデータに対して簡単に分析を行うことができます。分析結果をチームや関係者と共有したり、社内資料として整えたりする際に便利です。

また、一度作成したデータセットやレポートは保存しておくことで再利用できるため、より効率的にデータ分析を行えるようになります。

Googleスプレッドシート

Googleスプレッドシートでは、他のシステムを使用することなくBigQueryのみで分析を行うことできます。

連携後は手動でのインポートや更新が不要となり、自動で更新してくれます。ワークフローの効率化には非常に便利です。

Googleサーチコンソール

Googleサーチコンソールでは、BigQueryにより高度なクエリを実行できるようになります。

また、GoogleサーチコンソールのデータをBigQuery にエクスポートすることで、Googleアナリティクスや広告データなどと統合し、包括的な分析が可能です。

BIツールとの連携性が高い

BigQueryと連携性の高いGoogleのサービスとしてLooker Studioを取り上げましたが、他にもさまざまなBIツールと連携できます。Tableauなどをはじめとする現代の主流なサービスであれば、ほとんど連携可能でしょう。

BigQueryに蓄積されるデータをBIツールに反映させ、定期的に更新することで、最新のデータをリアルタイムで可視化できます。

BigQueryのメリット

BigQueryの導入に悩んでいる方もいるかもしれません。ここからは、BigQueryを導入する具体的なメリットを見てみましょう。他のサービスと比較した際の利点を知って、導入すべきかどうかの判断材料にしてみてください。

サーバーレスで利用できる

BigQueryの大きなメリットとして、サーバーレスで利用できる点が挙げられます。

従来のDWHは、自社のデータセンターなどにサーバーを立てて集計するオンプレミス型が主流でした。オンプレミス型の場合、扱うデータが増えるにつれて処理が重くなり、追加でサーバーを立てなければならなくなります。

サーバーに詳しい人材の確保が必要となるほか、コストがかさんだり、リソース不足に陥ったりする可能性があるでしょう。

一方、BigQueryはクラウド型のサービスでありサーバーレスのため、こういった悩みが生じません。利用者が増えたり事業規模が拡大したりした際にも、自動でスケールを調整してくれます。

コストパフォーマンスが高い

BigQueryは従量課金制のサービスです。毎月一定量までは無料で使うことができるため、コストパフォーマンスが高い点もメリットです。

具体的な料金体系については後述しますが、ストレージに保存したデータ量と、クエリの実行サイズによって支払額が決まります。

他のデータウェアサービスの中には起動時間に応じて課金されるシステムもありますが、BigQueryは使用した分だけが請求されます。そのため、予算管理もしやすいでしょう。

BigQueryをマーケティングで使うパターン、使う必要があるのか？

BigQueryはマーケティングのさまざまなシーンで活用できます。特に膨大なデータを処理する必要があるときは、処理能力に優れたBigQueryを使用するとよいでしょう。

ここでは、マーケティングにおけるBigQueryの具体的な使用パターンをご紹介します。

顧客セグメンテーションとターゲットマーケティング

BigQueryを使用することで、購入履歴やサイト上の行動データ、顧客のデモグラフィック情報などを分析できます。例えば、ロイヤル顧客、リピート顧客、休眠顧客といったように、属性や行動に基づいた顧客セグメントを作成したい際に役立ちます。

マーケティングキャンペーンのROI分析

BigQueryでマーケティングキャンペーンデータと売上データを組み合わせて分析し、各キャンペーンの投資収益率（ROI）を計算できます。

例えば、デジタル広告のROI分析では、「支出とWebサイトのトラフィック増加や売上増加を分析し、最もコスト効率の良い広告チャネルを特定する」といった分析が可能です。

顧客行動の予測

機械学習による予測機能を活用すれば、BigQuery内に蓄積された顧客データから購買行動や顧客の離脱率を予測することが可能です。

特定の顧客が次に購入する可能性の高い商品を抽出したり、離脱リスクのある顧客を事前に識別したりすることで、マーケティング戦略をより効率化できます。

データ統合と可視化

さまざまなデータソースからの情報をBigQueryに集約できます。

また、先に触れた通りLooker StudioのようなBIツールを使用して、分析結果をリアルタイムに可視化することも可能です。

BigQueryの料金

BigQueryは他のDWHと比べてとてもリーズナブルで、数TBのデータを処理・保存するだけであれば数千円程度で導入できます。

BigQueryの利用料金は、「コンピューティング（分析）」「ストレージ」「データの取り込み」「データの抽出」に基づき精算されます。

以下にBigQueryの料金をまとめたので、導入時の参考にしてみてください。

サービスと用途	サブスクリプションタイプ	価格
無料枠	10GB のストレージ、1ヶ月あたり最大1TBのクエリ、その他のリソースが可能	–
コンピューティング（分析）	オンデマンド	スキャンしたTBあたり1,163円※毎月1TBまで無料
	Standard エディション	スロット時間あたり7.9円
	Enterprise エディション	スロット時間あたり11.9円
	Enterprise Plus エディション	スロット時間あたり19.8円
ストレージ	アクティブなローカル ストレージ	1GBあたり3.56円※毎月10GBまで無料
	長期の論理ストレージ	1GBあたり2.5円※毎月10GBまで無料
	アクティブな物理ストレージ	1GBあたり8円※毎月10GBまで無料
	長期の物理ストレージ	1GBあたり4円※毎月10GBまで無料
データの取り込み	バッチ読み込み	無料
	ストリーミング挿入	200MiBあたり1.9円
	BigQuery Storage Write API	1GBあたり4.7円※毎月2TBまで無料
データの抽出	バッチ エクスポート	無料
	ストリーミング読み取り	205円〜

※2024年4月時点での為替レート・料金・サービス内容です。最新の情報は公式サイトでご確認ください。

すべての詳細料金を知りたい場合や、実際にかかる費用を算出したい場合はGoogle公式HPから確認できます。

上記料金表だけではわかりにくい方に向けて、ここでは各項目の料金体系について解説します。

コンピューティング（分析）

BigQueryでクエリを実行し、データを処理したり、分析したりする際に発生する料金です。各クエリで処理されたバイト数（TB）に応じて課金されるオンデマンド型の場合、毎月1TBまでは無料で使用でき、その後はスキャンしたTBあたり$6.25を支払います。

クエリを実行するための仮想CPUを購入する各エディションタイプは、利用できる機能に応じて3つのランクに分かれています。

ストレージ

ストレージは、データをBigQueryに保存するための料金です。過去90日間に変更が加えられたかどうかによって料金が異なり、保存期間とTB数に基づいて計算されます。毎月10 GBまでは無料で使用可能です。

データの取り込み

BigQueryにデータを取り込む際に発生する料金です。通常のバッチ読み込みであれば無料で、料金はかかりません。ストリーミング挿入やBigQuery Storage Write APIを使用する際、別途料金がかかる場合がありますが、一部無料枠もあります。なお、取り込み後のデータにはストレージの料金が発生するようになります。

データの抽出

テーブルデータを抽出する際に発生する料金です。こちらも通常のバッチエクスポートであれば無料で利用できます。ストリーミング挿入やBigQuery Storage Write APIを使用する際には別途料金がかかります。

BigQueryの利用方法（始め方）

ここからは、BigQueryを導入したい方に向けて、BigQueryの始め方をご紹介します。主な導入フローは以下の通りです。

1.Google Cloud Platformに登録

BigQueryの登録画面を開き、「BigQueryの無料トライアル」をクリックします。Google Cloud Platformの登録画面に切り替わるので、案内に沿って情報を入力しましょう。

登録の際にクレジットカードの入力が求められますが、手動でフルアカウントを有効にしない限り請求は発生しません。

Google Cloud Platformへの登録が完了したら、「BigQuery」を選択します。

2.プロジェクトの作成

BigQueryのアカウントは「プロジェクト」「データセット」「テーブル」の順に階層化されています。そのため、まずは新規プロジェクトから作成します。管理しやすいように、サイト名などのわかりやすい名前をつけるとよいでしょう。

3.データセットの作成

続いて、作成したプロジェクト内にデータセットを作成します。作成画面に従って、IDやロケーションタイプなどを設定しましょう。

4.テーブルの作成

データセット内にテーブルを作成していきます。作成画面に従って、テーブル名や取得するデータなどを設定しましょう。

データのアップロード後は、テーブルから「プレビュー」を選択することで読み込み済みのデータを確認できます。データを解析したいときは、「クエリ」のエディタに処理したいクエリを入力して実行します。

BigQueryの導入事例

最後に、BigQueryの導入事例を4つご紹介します。

• SaaSプロダクトを扱うA社
• 株式会社ぐるなび
• イオンリテール株式会社
• 株式会社アダストリア

SaaSプロダクトを扱うA社

まずは弊社が支援させていただいた企業の事例を紹介します。

MA・SFAツールの活用を進めてきたA社は、今行っているマーケティング施策が、最終的に成果に結びついているのかどうかを判断するため、以下のデータを統合して活用する必要がありました。

• 「Googleアナリティクスで計測される集客・ランディングページのデータ」
• 「MA・SFAで補足できているWebコンバージョン以降の有効リード（SQL）・商談・成約のデータ」

例えば、とあるページからいくらコンバージョン（リード獲得）が発生していたとしても、その後の工程で商談や成約に結びついていないのであれば、そこへいくら投資をしても事業成長に結びつきにくい、ということが判断できるためです。

そこで上記のデータを統合するために、BigQueryを活用することに。

まずは、ユーザーがフォーム送信をするごとにユニークなユーザーIDを、GA4とMAの双方で取得していきます。その後、それぞれで取得したデータをBigQueryに格納し、BigQuery上で統合。

そのデータをBIツール（Looker Studio）を用いて可視化し、分析に活用していきました。

その結果、各施策（流入経路）で取れたリードが、最終的にどれくらい商談・成約に繋がっているのかを分析できるようになり、投資判断なども行いやすくなりました。

課題・実施目的	以下のデータを統合し、可視化したい ・「GAで計測される集客・ランディングページのデータ」 ・「MA・SFAで補足できているWebCV以降の有効リード（SQL）・商談・成約のデータ」
施策	・GA4・MA双方で取得したデータをBigQueryにエクスポートし、BigQuery上で統合 ・統合したデータをLooker Studioで可視化していく
成果	・各流入経路で取れたリードが、最終的にどれくらい商談・成約に繋がっているのかを分析できるようになった ・その結果、マーケティング施策への投資判断などがより行いやすくなった

株式会社ぐるなび

ここからは、BigQuery公式サイトを参照し、各社の活用事例を見ていきましょう。

まずは飲食店のポータルサイトを運営する株式会社ぐるなびの事例です。2010年頃からオンプレミス型のDWHにアクセス解析データや社内データを統合していたものの、データを抽出してDWHにロードする作業にランニングコストがかかっていました。

そこで2014年、Googleアナリティクス360の導入をきっかけとして、BigQueryを採用。2015年にはマーケティング用であるオンプレミス型のDWHもBigQueryに移行しています。

BigQueryの高速なパフォーマンスが発揮されただけでなく、Googleの他サービスとの連携により、ビジネス部門へのデータ提供のスピードが大幅に加速しました。

課題・実施目的	DWHへのロード作業の簡略化
施策	・Googleアナリティクス360の導入とともにBigQueryを採用 ・オンプレミス型のDWHをBigQueryに移行
成果	ビジネス部門へのデータ提供スピードが加速

※参考：株式会社ぐるなびの導入事例 | Google Cloud

イオンリテール株式会社

イオンリテール株式会社では、「イオンお買物アプリ」における会員の急激な増加により、従来使用していたプラットフォームではデータ処理が対応できなくなっていました。

そこで、2018年に「イオンお買物アプリ」の実行環境とデータ分析基盤をGoogle Cloudに移設。その後、BigQueryとApp Engineの導入により、アプリ登録者数が700万人を超えた現在でも問題なく運用できています。

また、1つにつき30〜40秒程度かかっていた分析は5秒程度に高速化され、業務の効率化にもつながっています。

課題・実施目的	急激に増加する会員データの処理
施策	・アプリ実行環境を Compute Engine上に移行 ・データ分析基盤を BigQueryにリプレイス ・アプリ実行環境を Compute EngineからApp Engineに再移転
成果	・アプリ登録者数が700万人を超えてからも問題なく運用可能 ・データ分析処理の高速化

参考：イオンリテール株式会社の導入事例 | Google Cloud

株式会社アダストリア

カジュアルファッションのチェーン店を全国各地に展開する株式会社アダストリア。売上や在庫の管理において、基本的なKPIを計測するためにデータ分析を行っています。

アパレルのほかにも飲食や家具など複数の業態があり、数十種類のシステムにデータが分散されてしまっている状態でした。また、大量なデータを適切に扱えるデータベース環境自体が存在していなかったことも当初の課題であったといいます。

そこで、膨大な規模のデータにも対応可能なBigQueryを導入。収集したデータをDWHに保存してから加工するELT方式の採用により、多数のソースからのビッグデータを元の多様な形式のまま保管するデータレイク構築をBigQueryのみで実現しました。

結果として、集約作業やチェックにかかる業務効率化はもちろんのこと、開発の負担軽減やサプライチェーンの最適化までできるようになりました。

課題・実施目的	・複数のシステムに分散されたデータの集約 ・データ分析にかかる工数削減 ・データベース環境の確保
施策	・Google Cloudの採用とともに外部パートナーへのサポートを依頼 ・分散されていたデータをCloud Storage に集約して構造化データとともにBigQueryに保存 ・収集したデータをDWHに保存してから加工する ELT方式の採用
成果	・外部パートナーとの連携のリードタイムが短縮 ・サプライチェーンの最適化

参考：株式会社アダストリアの導入事例 | Google Cloud

まとめ｜Googleが提供するBigQueryはさまざまなマーケティングシーンで活用可能

Googleが提供するDWHのBigQueryについて解説しました。

BigQueryは処理能力の高さが魅力で、膨大なデータを処理したり、BIツールと連携させてリアルタイムでデータを確認したりすることができます。また、料金は従量課金制なので、予算や使用量に応じて無駄なく調整できる点も大きなメリットです。

一方で、BigQueryのメリットを最大限に活かすためには、専門の知識やノウハウが欠かせません。

THE MOLTSでは、BigQueryによるデータ基盤構築支援も行っています。自社で構築が難しい場合や、より効果的なマーケティングを行いたい方は、ぜひTHE MOLTSまでご相談ください。