【初心者向け】BigQueryの基本的な使い方を実例で徹底解説！データ分析の第一歩を踏み出そう

はじめに

データ分析初心者向けに、BigQueryを使った基礎を解説します。アカウント設定からSQLクエリ、データ読み込み、分析例に加え、コストとセキュリティ管理まで網羅し、ビジネス成長に役立てる知識を提供します。

BigQueryとは？クラウドデータウェアハウスの基礎知識

BigQueryの概要と特徴

BigQuery は Google Cloud （ Google が提供するパブリッククラウドサービス）に提供するフルマネージドのクラウド データウェアハウス サービス（ DWH ）です。なお、 DWH は日本語で「データの倉庫」と呼ばれている IT ツールで、膨大なデータを保管するための場所として利用されます。
BigQuery は様々な特徴を有したサービスであり、グローバルで多くのユーザーに支持されています。
例えば、SQL クエリで高速なデータ処理や高いコストパフォーマンス、使いやすいインターフェースなどが BigQuery の大きな特徴として挙げられます。

なぜBigQueryが選ばれるのか？導入メリット

BigQueryは、Google Cloudが提供するフルマネージドのエンタープライズデータウェアハウスです。従来のデータウェアハウスと比較して、以下のような優位性があります。

①優れたパフォーマンスとスケーラビリティ

数テラバイトからペタバイト級のデータに対して、わずか数秒でクエリを実行できます。これは、Googleのインフラストラクチャを基盤とする分散型アーキテクチャによって実現されており、データ量の増加に応じて自動的にリソースを拡張します。

②サーバーレス

インフラの管理（サーバーのプロビジョニングやパッチ適用など）が不要なため、運用の手間が大幅に削減され、エンジニアはデータ分析そのものに集中できます。

③費用対効果

ストレージとコンピューティングが分離されており、クエリ実行時のみ料金が発生する従量課金制です。
未使用時のコストを抑えられます。

④統合されたエコシステム

Google Cloud の他のサービス（Dataflow、Looker Studio、Vertex AIなど）と簡単に連携できます。これにより、データのETL（抽出、変換、ロード）、可視化、機械学習への応用など、幅広い用途に対応できます。

BigQueryの始め方｜導入手順と環境構築のステップ

Google Cloudプロジェクトの作成とBigQueryの有効化

Google Cloud アカウントを作成したら、以下の手順でプロジェクトを作成します。

• Google Cloud コンソールにアクセスします。
• 左側のメニューから「 BigQuery 」を選択します。
• 画面左上の「プロジェクトを作成」をクリックします。
• プロジェクト名と所在地を入力します。
• 「作成」をクリックします。

プロジェクト作成後、BigQuery API を有効にする必要があります。

• Google Cloud コンソールで、左側のメニューから「 API とサービス」を選択します。
• 画面上部の検索バーに「 BigQuery 」と入力します。
• 検索結果から「 BigQuery API 」を選択します。
• 「有効にする」をクリックします。

データセットとテーブルの作成方法

BigQuery でのデータ分析を始めるためには、まず「データセット」というコンテナを作成し、その中に分析対象のデータを格納する「テーブル」を作成する必要があります。ここでは、それぞれの作成方法と、なぜそれらが必要なのかについて解説します。

データセットの作成

データセットは、関連するテーブルやビューをまとめて保管するためのコンテナです。プロジェクト内でデータを論理的に整理し、アクセス権を管理する際に重要な役割を果たします。データセットの作成手順は以下の通りです。

• BigQuery コンソールで、プロジェクトから「データセットを作成」をクリックします。
• データセット名とロケーションを入力します。
• 「データセットを作成」をクリックします。

テーブルの作成

テーブルは、データセット内に作成され、分析対象となるデータを実際に保持します。テーブルを作成することで、生のデータを構造化し、BigQuery で効率的に分析できるようになります。
テーブルの作成手順は以下の通りです。

• データセットから「テーブルを作成」をクリックします。
• テーブル名、スキーマを入力します。
• 「テーブルを作成」をクリックします。

BigQueryの使い方｜初心者向け実例とSQLサンプル集

データの読み込み（インポート）方法

• CSV、JSON など、さまざまな形式のデータをインポートできます。
• Web UI、コマンドラインツール、BigQuery API を使用してインポートできます。

SQLによるデータクエリの実行

BigQuery で使用される SQL は、標準的な SQL 文法に基づいていますが、ビッグデータを効率的に扱うための独自の機能も備えています。基本的な SELECT 文から始めて、データのフィルタリング、集計、そして結合まで、データ分析に必要な操作を網羅的にカバーします。

SQL 文例
SELECT name, age
FROM `project.dataset.table`
WHERE age >= 18
ORDER BY age DESC
LIMIT 10;

このクエリでは、特定のテーブルから名前と年齢を選択し、18歳以上のレコードのみをフィルタリングして、年齢の降順で上位10件を表示します。

その他の重要な文法:

• WHERE : 条件に基づいてレコードをフィルタリング
• GROUP BY : 特定の列に基づいてデータをグループ化
• ORDER BY : 結果を特定の列に基づいてソート
• JOIN : 複数のテーブルからデータを結合

データ分析のためのクエリ例

シナリオ： オンラインストアの販売データから、最も人気の商品カテゴリを特定する。

SQL 文例
SELECT product_category, COUNT(order_id) AS order_count
FROM `project.dataset.sales`
GROUP BY product_category
ORDER BY order_count DESC
LIMIT 5;

このクエリでは、商品カテゴリごとに注文数を集計し、最も注文数の多い上位5つのカテゴリを特定します。

その他の分析シナリオ:

• 特定の期間における顧客の購買傾向を分析
• 製品レビューから顧客の満足度を分析
• 異なるマーケティングキャンペーンの効果を比較

以上のようなシナリオでも、クエリを使うと簡単に実現できます。

クエリ結果のエクスポート方法

BigQuery は、CSV ファイルだけでなく、多様なデータソースからデータを柔軟に取り込むことができるデータ分析プラットフォームです。ここでは、CSV ファイルに加えて、Google Cloud Storage と Google スプレッドシートの3つのデータソースを例に、それぞれの読み込み方法を詳しく解説します。

①CSV ファイルからのデータソースの読み込み

CSV ファイルは、データ分析で最も一般的に使用されるデータ形式の一つです。カンマで区切られたシンプルな構造のため、多くのツールで簡単に扱えます。BigQuery では、以下の方法で CSV ファイルを簡単に読み込むことが可能です。

• 左側のナビゲーションメニューから データセット をクリックします。
• 作成したデータセット titanic_survival をクリックします。
• テーブルを作成 をクリックします。
• 以下の項目を入力します。

• テーブル名: titanic_passengers
• テーブルの作成元: アップロード
• ファイル形式: CSV
• ファイルの選択: ダウンロードした CSV ファイル
• スキーマ: 自動検出

「テーブルを作成」 をクリックします。

②Google Cloud Storage からのデータソースの読み込み

Google Cloud Storage は、Google Cloud が提供するオブジェクトストレージサービスです。大量のデータを安全かつスケーラブルに保存することができ、BigQuery とシームレスに連携できます。
Google Cloud Storage から読み込むには、以下の手順に従います。

• Google Cloud Storage バケットの作成
• CSV ファイルのアップロード
• BigQuery でのテーブル作成

BigQueryの活用術｜費用削減と分析効率化のポイント

費用を抑えるためのポイント

クエリ実行時に処理されるデータ量に基づいて課金されますが、以下で述べたベストプラクティスを実践することにより、データ処理量を削減することができます。

①データの分割とパーティショニング

テーブルを論理的に分割することで不要なデータの読み込みを避け、コストを削減できます。さらに、時間や地域など分析に役立つ属性に基づいてパーティショニングを行うことで、クエリのパフォーマンスを向上させ、コストを削減することが可能です。

②必要なデータのみを対象にクエリを実行する

WHERE 句や LIMIT 句を活用して、必要なデータのみを抽出することで、データ処理量を削減できます。

③クエリのパフォーマンスを最適化する

不要な SELECT * を避け、必要な列のみを指定することでデータ処理量を削減することができます。また、集計操作の前に行単位でのフィルタリングを行うことにより、より効率的なデータ処理を実現できます。

まとめ：Google Cloudでデータ駆動型経営を加速する

Google Cloudは、BigQueryに代表される高いスケーラビリティとパフォーマンス、Vertex AIによるAI/MLとのシームレスな統合、そしてフルマネージドサービスによる運用負荷の軽減という点で、現代のデータ分析ニーズに最適なプラットフォームです。

データ分析基盤の構築やAI活用を検討されている方は、Google Cloudパートナーであるセンティリオンシステムにご相談ください。当社は、高度な技術力と豊富な導入実績に基づき、お客様のデータ分析戦略立案から、Google Cloud環境の構築、ツールの導入・運用まで、一気通貫でサポートいたします。