คู่มือ BigQuery สำหรับผู้เริ่มต้น: จากการตั้งค่าถึงคิวรีแรก

คลังข้อมูลแบบดั้งเดิม vs คลังข้อมูลบนคลาวด์

คลังข้อมูลแบบดั้งเดิมติดตั้งภายในองค์กร มักมีค่าใช้จ่ายเริ่มต้นสูง ต้องใช้ทีมงานที่มีทักษะเพื่อดูแล และต้องวางแผนอย่างรอบคอบเพื่อรองรับความต้องการที่เพิ่มขึ้น เนื่องจากการปรับสเกลทรัพยากรของดาต้าเซ็นเตอร์แบบเดิมทำได้ยาก

ส่วนคลังข้อมูลบนคลาวด์จะได้รับการดูแลและโฮสต์โดยผู้ให้บริการคลาวด์ ตัวอย่างเช่น Google BigQuery, Amazon Redshift และ Snowflake

ข้อดีของคลังข้อมูลบนคลาวด์

โดยทั่วไป คลังข้อมูลบนคลาวด์มีข้อดีหลายประการเมื่อเทียบกับคลังข้อมูลแบบดั้งเดิม:

• ออกแบบมาเพื่อการปรับสเกลและใช้ประโยชน์จากความยืดหยุ่นของสภาพแวดล้อมคลาวด์
• มีความเร็วและประสิทธิภาพที่ดีขึ้น
• รูปแบบราคาและสภาพแวดล้อมคลาวด์ที่ยืดหยุ่นช่วยเพิ่มการปรับค่าใช้จ่ายให้เหมาะสม (เช่น ปรับลดสเกลเมื่อความต้องการต่ำ)
• สามารถบริหารจัดการได้เต็มรูปแบบหรือบางส่วน ช่วยลดต้นทุนการปฏิบัติการ

ฐานข้อมูลแบบแถว vs แบบคอลัมน์

ตัวอย่างฐานข้อมูลแบบแถว:

ตัวอย่างฐานข้อมูลแบบคอลัมน์:

ฐานข้อมูลแบบแววเหมาะกับการดึงข้อมูลทั้งแถว การแทรกระเบียน และการอัปเดต แต่ไม่ถนัดงานวิเคราะห์

ตัวอย่างเช่น หากคิวรี 3 คอลัมน์จากตารางที่มี 50 คอลัมน์ ฐานข้อมูลแบบแถวยังคงต้องอ่านทั้ง 50 คอลัมน์ของทุกแถว ขณะที่ฐานข้อมูลแบบคอลัมน์จะอ่านเฉพาะ 3 คอลัมน์ที่ต้องการ ซึ่งเร็วกว่าอย่างมากสำหรับงานวิเคราะห์ เช่น การพยากรณ์สินค้า หรือรายงานเฉพาะกิจ

ฐานข้อมูลแบบแถวโดยทั่วไปเหมาะกับการประมวลผลธุรกรรมออนไลน์ (OLTP) ส่วนฐานข้อมูลแบบคอลัมน์เหมาะกับการประมวลผลเชิงวิเคราะห์ออนไลน์ (OLAP)

OLTP vs OLAP

• OLTP คือระบบฐานข้อมูลที่ใช้ในแอปพลิเคชันเชิงธุรกรรม “ออนไลน์” หมายความว่าระบบดังกล่าวต้องตอบสนองคำขอผู้ใช้และประมวลผลแบบเรียลไทม์ (เช่น ประมวลผลธุรกรรม)
• คำนี้ตรงข้ามกับการประมวลผลเชิงวิเคราะห์ออนไลน์ (OLAP) ซึ่งมุ่งเน้นการวิเคราะห์ข้อมูล

สรุปการเปรียบเทียบ:

BigQuery ทำงานอย่างไร?

BigQuery แยกเอนจินประมวลผลออกจากที่เก็บข้อมูล ทำให้ปรับสเกลแยกกันได้ ผลลัพธ์คือสามารถคิวรีข้อมูลระดับเทราไบต์ได้ภายในไม่กี่วินาที และระดับเพตะไบต์ภายในไม่กี่นาที

เมื่อ BigQuery รันคิวรี เอนจินคิวรีจะแจกจ่ายงานแบบขนาน สแกนตารางที่เกี่ยวข้องในสตอเรจ รวมผลลัพธ์ และส่งคืนชุดข้อมูลสุดท้าย

คุณสมบัติเด่นของ BigQuery ในปี 2026

ตั้งแต่เปิดตัว Google ได้เพิ่มคุณสมบัติหลายอย่างที่ขยายขีดความสามารถเกินกว่าคลังข้อมูลแบบดั้งเดิม:

• BigQuery ML — สร้าง เทรน และปรับใช้โมเดลแมชชีนเลิร์นนิงด้วย SQL รองรับลอจิสติก/ลิเนียร์รีเกรสชัน การจัดประเภท การพยากรณ์อนุกรมเวลา และอื่น ๆ
• Gemini ใน BigQuery — ผู้ช่วย AI สำหรับเขียนคิวรี ทำความเข้าใจสคีมา และสร้างอินไซต์จากข้อมูลด้วยภาษาธรรมชาติ
• BigQuery Studio — เวิร์กสเปซแบบรวมศูนย์สำหรับ SQL, สมุดบันทึก Python และ Spark ภายในคอนโซล BigQuery
• Federated queries — คิวรีข้อมูลใน Cloud SQL, Cloud Storage, Bigtable และแหล่งอื่นได้โดยไม่ต้องย้ายเข้ามาใน BigQuery
• BigQuery Omni — รันงานวิเคราะห์ของ BigQuery กับข้อมูลที่เก็บใน AWS หรือ Azure ได้โดยไม่ต้องคัดลอกเข้ามาใน Google Cloud

เริ่มต้นใช้งาน BigQuery อย่างไร

BigQuery sandbox ช่วยให้ทดลองใช้ BigQuery ได้โดยไม่ต้องใส่บัตรเครดิตหรือสร้างบัญชีเรียกเก็บเงิน ในส่วนนี้ ผมจะแนะนำวิธีเข้าถึง BigQuery และตั้งค่าโปรเจกต์แรกด้วย sandbox

เข้าถึง BigQuery ได้ผ่าน Google Cloud Console ต้องลงชื่อเข้าใช้ด้วยบัญชี Google (หรือสร้างบัญชีใหม่) เมื่อเข้าสู่ระบบแล้ว หน้าจอต้อนรับจะปรากฏขึ้น:

สามารถค้นหา BigQuery ได้จากแถบเมนูด้านซ้าย คลิกแล้วจะเข้าสู่หน้าจอต่อไปนี้:

การใช้ BigQuery sandbox

หากต้องการใช้ BigQuery sandbox ให้สร้างโปรเจกต์ก่อนโดยคลิกที่ ‘Select Project’

จากนั้นคลิก ‘New Project’:

ต้องระบุชื่อโปรเจกต์ สำหรับคู่มือนี้ เราใช้ datacamp-guide-project

ขณะนี้จะแสดงประกาศ sandbox บนหน้า BigQuery แสดงว่าเปิดใช้ BigQuery sandbox สำเร็จแล้ว

เมื่อเปิดใช้ BigQuery sandbox แล้ว สามารถใช้โปรเจกต์ใหม่เพื่อโหลดข้อมูลและคิวรี รวมถึงคิวรีชุดข้อมูลสาธารณะของ Google ได้

สร้าง dataset และตาราง

ก่อนสร้างตาราง ต้องสร้าง dataset ในโปรเจกต์ใหม่ก่อน Dataset เป็นคอนเทนเนอร์ระดับบนสุดสำหรับจัดระเบียบและควบคุมการเข้าถึงชุดของตารางและมุมมอง หากต้องการสร้าง dataset ให้คลิกไอคอน ‘Actions’ ของโปรเจกต์:

ในคู่มือนี้ เราจะกรอก ‘Dataset ID’ เป็น ‘main’

สามารถสร้างตารางด้วย SQL ได้ BigQuery ใช้ GoogleSQL ซึ่งสอดคล้องตาม ANSI

CREATE TABLE datacamp-guide-project.main.users (
  id INT64 NOT NULL,
  first_name STRING NOT NULL,
  middle_name STRING,
  last_name STRING NOT NULL,
  active_account BOOL NOT NULL
);

หรือจะใช้ส่วนติดต่อผู้ใช้ของ BigQuery Console ก็ได้:

หมายเหตุ: ไม่สามารถแทรกข้อมูลในสภาพแวดล้อม sandbox ได้ หากต้องการลองแทรกข้อมูล ต้องเปิดใช้งานช่วงทดลองใช้งานฟรี ส่วนถัดไปจะเน้นการคิวรีชุดข้อมูลสาธารณะที่มีให้ใน Google Cloud

คิวรีชุดข้อมูลสาธารณะด้วย BigQuery Console

หากต้องการคิวรีชุดข้อมูลสาธารณะ ให้ทำตามขั้นตอนด้านล่าง:

1. คลิก ‘Add’ ข้าง Explorer

2. จากนั้นเลือกชุดข้อมูล

3. ค้นหา ‘Google Trends’ แล้วเลือก Google Trends จากนั้นคลิกปุ่ม ‘View dataset’

4. bigquery-public-data จะปรากฏพร้อมรายการชุดข้อมูลยาว ๆ ให้ติดดาว bigquery-public-data เพื่อให้ “ปักหมุด” ใน Explorer

ตัวอย่างเชิงปฏิบัติด้วยชุดข้อมูล Google Trends

เราจะใช้ตาราง top_terms:

คลิกที่ตาราง top_terms เพื่อเปิด และตรวจดูแท็บ Details และ Preview เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับข้อมูลใน top_terms

สามารถคิวรีชุดข้อมูลได้ ตัวอย่างด้านล่างดึงคำค้นที่ติดอันดับหนึ่งในช่วงสองสัปดาห์ที่ผ่านมา:

SELECT
  term
FROM
  bigquery-public-data.google_trends.top_terms
WHERE
  rank = 1
  AND refresh_date >= DATE_SUB(CURRENT_DATE(), INTERVAL 2 WEEK)
GROUP BY
  term

ผลลัพธ์ (อาจแตกต่างกัน):

ราคา BigQuery

โครงสร้างราคาของ BigQuery มีสองส่วนหลัก: การประมวลผลคิวรี และที่จัดเก็บข้อมูล

สำหรับทีมที่มีภาระงานคาดการณ์ได้ BigQuery มีราคาแบบเหมาจ่ายผ่านการจองขีดความสามารถ (BigQuery Editions) ตรวจสอบอัตราปัจจุบันได้ที่ หน้าอัตราค่าบริการอย่างเป็นทางการ

ข้อคิดส่งท้าย

BigQuery เป็นหนึ่งในจุดเริ่มต้นที่เข้าถึงได้มากที่สุดสำหรับคลังข้อมูลบนคลาวด์ Sandbox ให้สภาพแวดล้อมที่ปราศจากความเสี่ยงสำหรับการทดลองใช้งาน และโควตาคิวรีฟรี 1 TiB ต่อเดือนช่วยให้สำรวจชุดข้อมูลสาธารณะได้โดยไม่ต้องเสียค่าใช้จ่าย เมื่อถึงเวลาต้องการมากขึ้น ช่วงทดลองใช้งานฟรีของ Google Cloud มีเครดิตให้ $300

หากต้องการต่อยอดจากที่เรียนรู้ ที่แนะนำคือคอร์ส Introduction to BigQuery บน DataCamp ซึ่งครอบคลุมการปรับแต่งคิวรีและการทำงานกับชุดข้อมูลขนาดใหญ่ สำหรับมุมมองกว้างด้านวิศวกรรมข้อมูล เส้นทาง Data Engineer in Python ครอบคลุมตั้งแต่การรับเข้าข้อมูลจนถึงคลังข้อมูล

ยังสามารถสำรวจการเปรียบเทียบ BigQuery กับทางเลือกอื่นได้ในบทความ BigQuery vs Redshift และ BigQuery vs Snowflake หรือเตรียมตัวสัมภาษณ์ด้วย คู่คำถามสัมภาษณ์ BigQuery