基于云的存储与计算框架可提供灵活且高性能的数据存储与分析能力。
企业如今可以将数据整合至集中式云存储，并在同一环境中完成分析。云数据仓库对于现代数据分析至关重要，因为它能够支持实时数据处理、高级分析以及机器学习应用。
Snowflake 与Google BigQuery 是云数据仓库的两大主流选项。Snowflake 拥有独特架构，将存储与计算资源分离，并且与云平台无关，可在任意环境中灵活部署。
Google BigQuery 是 Google Cloud Platform 下的全托管无服务器解决方案，擅长分析海量复杂数据集，并内置机器学习功能。两者都为数据存储、处理与分析提供了强大能力，使数据专业人士能够更高效、更有效地用数据回答业务问题。
随着组织不断积累海量数据，学习这些平台对于开启数据职业生涯至关重要。
本指南将评估 Snowflake 与 BigQuery，探讨其功能、相似点与关键差异。我们将介绍两款产品，展示其优劣势，并围绕性能、安全性与成本等关键特性进行比较。
什么是 Snowflake？
Snowflake 是一项云数据仓库服务，拥有自有架构，旨在提供灵活的资源扩缩、成本管理，并尽量降低延迟。若您想进一步了解，请查看我们的《Snowflake 入门指南》一文。
Snowflake 的架构
Snowflake 的架构有三大原则：多集群计算、共享数据，以及存储与计算资源分离。
多集群计算
多集群计算是一种可扩展架构，多个独立的计算集群（称为虚拟仓库）提供计算资源以满足需求。Snowflake 的自动伸缩是一大亮点：会创建同一集群的更多副本来满足计算需求。
数据层
Snowflake 的数据层是其架构中的关键组件，旨在实现高效的数据管理与存储。它同时具备中心存储库与分布式数据网络。中央数据存储库保存整个企业的数据，供所有虚拟仓库访问。为获得更佳性能与可扩展性，虚拟仓库会存储整套数据中最常用的部分。
存储与计算分离
Snowflake 将存储与计算分离，使每个计算集群可以独立于存储规模进行伸缩。存储层使用云存储持久保存全部数据，而计算层由处理查询的虚拟仓库组成。此种分离带来更灵活的资源管理与成本控制。
Snowflake 关键功能
Snowflake 提供多项关键功能，使其成为强大而灵活的数据仓库解决方案：
虚拟仓库
虚拟仓库是 Snowflake 的 MPP（大规模并行处理）计算集群，用于执行 SQL 查询。它们可独立向上或向下扩展，使用户能够将计算能力与特定工作负载需求相匹配。
此外，每个虚拟仓库完全独立，与其他仓库不共享资源，确保彼此之间的性能互不影响。这种灵活性有助于高效分配资源与管理成本，用户可按需调整计算能力且不影响数据存储。
时光回溯（Time Travel）
Time Travel 功能允许用户在设定的时间范围内访问任意时间点的历史数据。这对于数据恢复、审计以及分析数据随时间的变化非常有用。用户可以查询某一过去时刻的数据状态，甚至将表、架构或数据库恢复到先前状态。
安全的数据共享
Snowflake 的安全数据共享功能允许组织在不移动或复制数据的情况下，与其他 Snowflake 账号共享实时、受治理的数据。共享过程在 Snowflake 内部直接完成，保持数据完整性与安全性。它为合作伙伴、供应商或客户提供实时的数据访问，在确保数据治理与控制的前提下促进数据协作。
Snowflake 的主要架构（来源：docs.snowflake.com）
Snowflake 的优缺点
凭借其架构设计与与云平台无关的基础，Snowflake 相较其他云数据仓库具有诸多优势。但其也存在弱点，包括潜在的高成本与复杂性。
优势
得益于其轻松整合任意云系统、灵活扩缩与处理多样化工作负载的能力，Snowflake 具备多方面优势。
- 与云平台无关： 可轻松连接多个云服务商，包括 AWS、Azure 与 Google Cloud。公司可以选择偏好的云基础设施，甚至采用多云策略。
- 灵活的扩缩： 架构允许用户根据即时需求（通过虚拟仓库）调整计算能力。这种灵活性可高效利用资源，并有助于针对不同工作负载优化成本。
- 多样化工作负载处理： 多集群共享数据架构在同时管理各类工作负载方面表现出色。无论是数据加载、转换、临时查询还是复杂分析，Snowflake 都能高效应对多样的数据处理需求。
劣势
Snowflake 的一些劣势与其扩缩成本和管理复杂性相关。更大的灵活性会带来一定的管理复杂度，且定价在一定程度上难以预测。
- 规模化后的更高成本：尽管 Snowflake 的定价模型在许多用例下具有成本效益，但其按秒计费的计算费用如果管理不当，在大规模运营中会迅速攀升。
- 管理的复杂性： 有效管理与优化 Snowflake 部署可能较为复杂，尤其对于大型组织。配置虚拟仓库、调优性能、管理数据共享与安全策略等都需要相当的专业能力。
什么是 BigQuery？
BigQuery 是 Google 的企业级数据仓库，在Google Cloud Platform 内具备强大的分析与机器学习功能。由于 BigQuery 是Google Cloud 生态的一部分，它能够与 Google Drive、Sheets 与 Cloud Storage 等其他组件交互。这使用户可以在 Google Cloud Platform 内快速、轻松地传输、分析和共享数据。
BigQuery 架构（来源：Google Cloud 博客）
BigQuery 架构
BigQuery 基于 Google 的 Dremel 引擎构建，聚焦可扩展的计算资源，以便对只读的列式数据进行实时分析。
使用 BigQuery 时，用户将通过基于 SQL 的界面运行优化的 GoogleSQL。其工作方式与 MapReduce 类似，利用查询执行引擎、逻辑规划器与查询解析器进行优化。
主要差异在于 Dremel 在查询执行时使用聚合树，从而实现实时分析；而 MapReduce 框架天然存在一定延迟。
BigQuery Dremel（来源：Google Cloud 博客）
BigQuery 关键功能
BigQuery SQL
在 BigQuery 中运行 SQL 的优势之一是可使用 Google 独特的 SQL 语法。它提供了与其他 SQL 语言大体相同的功能，并附带一些额外特性。近期一个实用的 Google SQL 功能是 GROUP BY ALL。
此外，GoogleSQL 更易于进行诸如迭代循环与变量使用等操作。即使不深入掌握 GoogleSQL，用户也能借助标准 SQL 轻松使用 BigQuery。务必查看这篇关于如何上手 BigQuery的文章。
BigQuery ML
在 BigQuery 中原生构建机器学习模型相当便捷。您可以使用 SQL 语法来 CREATE 各类模型。它既提供线性回归、逻辑回归等简单模型，也支持提升树、神经网络等复杂模型。模型会存储在 BigQuery 内部，可轻松用于生成结果，并将结果保存为表。整个过程在 BigQuery 内原生完成，无需引入外部包。
BigQuery 的优势
凭借与 GCP 的整合以及 Dremel 体系，BigQuery 具备多项优势，使其成为强大的工具：
- 集成的机器学习能力： BigQuery 使基于内置模型的训练与预测变得非常容易。数据原生驻留在 BigQuery 中，可在该生态内便捷整备。
- 对数据挖掘具有成本效益的结构：由于 BigQuery 以处理的数据量为计费依据，高度复杂且计算密集型的分析并不会额外增加成本。这为开展广泛分析、提取有价值模式创造了更多机会。
- 自动扩缩： 依托 Google Cloud 架构，BigQuery 可根据用户需求轻松进行上下扩缩。
BigQuery 的劣势
尽管具有这些优势，但也存在一些不足。其中部分源于 BigQuery 设计为存在于 Google Cloud 之中。对于技术背景较弱的数据从业者而言，在该生态之外处理数据可能具有挑战：
- 外部集成受限： 由于其驻留在 Google Cloud Platform，原生的生态外集成相对有限。从 BigQuery 进行数据出口需要额外的技术知识，如使用 Python、Java 等语言，或通过命令行来提取数据。
- 查询成本未优化： 若编写查询时未考虑数据量，未优化的查询可能带来更高成本。关注处理的数据量是控制成本的关键。
Snowflake 与 BigQuery：性能与可扩展性
BigQuery 与 Snowflake 在性能与可扩展性方面大体相近，但各有细微差别。在更简单的场景中，Snowflake 更具优势。随着数据规模增长与复杂度提升，BigQuery 凭借更高效的成本结构与近乎无限的扩展能力逐步占优。
Snowflake
在 TPC-H 基准测试中，Snowflake 的表现优于 BigQuery。这意味着在多数标准业务问题上，Snowflake 的性能更好。凭借多集群计算与共享数据架构，Snowflake 可轻松扩展以满足任意企业级需求。
BigQuery
虽然在某些更简单的查询上 BigQuery 或许不及 Snowflake 高效，但在复杂分析方面表现突出。其原生自动扩缩几乎无需管理即可提升计算资源。尽管由于组织内部共享资源存在一些限制，但若注意编写高效查询、尽量减少处理数据量，性能仍可保持最佳状态。
BigQuery 与 Snowflake：集成与生态
Snowflake
Snowflake 运行于不依赖特定云平台的中立生态中。这意味着它可通过相应连接器轻松与其他云平台集成。这为构建 ETL 与分析流水线、并将其对接至云企业的其他部分提供了顺畅体验。
Snowflake 周边存在 60 多种第三方工具与技术，为其提供原生连接能力。这些集成让使用第三方工具进行数据准备、迁移与可视化更为便捷。针对更高级的 BI 功能，Snowflake 还提供 Snowflake Marketplace，可获取专为 Snowflake 环境构建的独特数据集、应用与 AI 产品。
BigQuery
由于构建在 Google Cloud Platform 之上，BigQuery 更适合在 GCP 上投入较深的团队。若您的大多数流程都在 Google Cloud Platform 内，如 Google Compute Engine、Cloud Storage 与 Cloud Run，那么使用 BigQuery 有利于将数据管道保持在同一环境中。将一切留在同一环境，可优化成本与计算时间。此外，BigQuery 与 AI/ML 工具的原生集成，使其非常适合使用 AI 驱动分析的组织。数据管道可以将数据直接导入 BigQuery，随后据此训练模型/预测结果。
安全与合规
对云服务用户而言，安全至关重要。确保符合政府标准同样重要。所幸云服务商通常会就安全与合规提供充足指引，帮助用户轻松按其安全标准配置数据。Snowflake 与 BigQuery 在基于角色的访问管理与数据恢复功能方面具有相似的安全特性。
Snowflake
Snowflake 提供多项功能，为组织打造安全可靠的使用体验。其中之一是 Time Travel，可在意外删除时进行数据恢复。
另一项数据保护功能是 Fail-safe，在 Time Travel 保留期结束后继续保留 7 天历史数据。该数据不可直接访问，但可由 Snowflake 恢复，从而确保数据韧性。
在访问控制方面，Snowflake 将自主访问控制与基于角色的访问控制相结合，构成一套强健的访问控制体系。这使组织能够以简明的角色方式精确管理访问权限。
Snowflake 也高度重视安全性，采用强加密标准保护传输中与静态数据。对于静态数据，Snowflake 使用分层密钥模型对所有存储数据进行加密，并由 Snowflake 自动轮换与管理，无需客户干预。
BigQuery
BigQuery 同样通过时光回溯实现一定的数据恢复，允许用户在 7 天的时光回溯窗口内恢复被删除的表。然而，若整个数据集被删除，用户将无法像在 Snowflake 那样恢复数据。这意味着在 BigQuery 中需要更谨慎地处理删除操作。
BigQuery 的静态数据安全主要由 Google 管理。Google 提供 IAM，以实现全面的访问控制与监控。该访问控制可在任意层级进行管理，从整个项目到特定项目内的具体表。Google 云环境中的所有静态数据均使用 Google Cloud 管理的密钥加密。若需要更高安全性，用户可自带私钥，对 Google Cloud 内的数据进一步加密。
Snowflake 与 BigQuery：成本对比
Snowflake 与 BigQuery 的成本均由两部分构成：存储与计算。存储指将数据存放在仓库中的费用，与是否使用无关。计算成本则基于所使用的计算量或处理的数据量来计算。
存储成本
- Snowflake：采用按需付费模式。按需存储定价为每 TB 每月 23 美元。容量存储定价与按需相同起步，但费率会根据账户平均合同价值（ACV）提高而降低。
- BigQuery： 每月提供 10GB 免费额度。之后，主动逻辑存储为每 TB 每月 20 美元，长期逻辑存储为每 TB 10 美元；主动物理存储为每 TB 每月 40 美元，长期物理存储为每 TB 每月 20 美元。
计算成本
- Snowflake：使用积分（credits）按计算时间与性能等级计费。积分价格取决于 Snowflake 版本，且每小时消耗的积分与所选虚拟仓库等级相关（超小用 1 积分/小时，中等用 4 积分/小时，等等）。
- BigQuery：按每次查询处理的数据量计费（按需为每 TB 5 美元），或按容量计算计费。容量计算更可预测，因为它按 slot 小时计费并利用自动扩缩器。
BigQuery 与 Snowflake：该如何选择
既然我们已了解两款工具的一些关键组成部分，不妨回顾其要点。这将有助于您为企业选择合适的工具：
|
组件
|
Snowflake
|
BigQuery
|
|
性能
|
面向常见业务任务与大数据作业所设计
|
为复杂分析而生，查询引擎原生内置机器学习
|
|
可扩展性
|
借助多集群架构中的虚拟仓库可自动扩展
|
可根据需求原生扩缩
|
|
集成与生态
|
与云平台无关，通过多种连接器与其他云平台集成
|
主要聚焦 Google Cloud Platform，可将数据导出，但在 GCP 中管理最为便捷
|
|
安全与合规
|
基于用户的安全协议与组织/角色级恢复。提供 7 天内的数据恢复机制
|
Google IAM 搭配 Google 托管密钥或用户自管密钥。同样提供 7 天恢复窗口
|
|
存储成本
|
按需存储为 23 美元/TB/月，合同价更低
|
基于存储类型：主动 20 美元/TB，长期 10 美元/TB。C
|
|
计算成本
|
按使用的计算时间计费，按性能等级分层
|
按处理的数据量计费，5 美元/TB
|
结论
Snowflake 与 BigQuery 各有其独特的优劣势。若您的业务主要关注直接明了的分析、大量数据与快速查询，那么 Snowflake 凭借自动扩缩的虚拟仓库与基于计算的定价，或是更佳选择。
若您的业务目标更偏向带有机器学习的复杂分析，或与 Google Cloud Platform 深度集成，那么 BigQuery 则是不二之选，它具备自动扩缩的计算管理、原生 ML 集成与基于数据处理量的定价。
同时学习两者，是成为数据专业人士、获取工作机会的最佳路径。DataCamp 提供了大量学习资源，助您深入了解。
基于云的存储与计算框架可提供灵活且高性能的数据存储与分析能力。
企业如今可以将数据整合至集中式云存储，并在同一环境中完成分析。云数据仓库对于现代数据分析至关重要，因为它能够支持实时数据处理、高级分析以及机器学习应用。
Snowflake 与Google BigQuery 是云数据仓库的两大主流选项。Snowflake 拥有独特架构，将存储与计算资源分离，并且与云平台无关，可在任意环境中灵活部署。
Google BigQuery 是 Google Cloud Platform 下的全托管无服务器解决方案，擅长分析海量复杂数据集，并内置机器学习功能。两者都为数据存储、处理与分析提供了强大能力，使数据专业人士能够更高效、更有效地用数据回答业务问题。
随着组织不断积累海量数据，学习这些平台对于开启数据职业生涯至关重要。
本指南将评估 Snowflake 与 BigQuery，探讨其功能、相似点与关键差异。我们将介绍两款产品，展示其优劣势，并围绕性能、安全性与成本等关键特性进行比较。
什么是 Snowflake？
Snowflake 是一项云数据仓库服务，拥有自有架构，旨在提供灵活的资源扩缩、成本管理，并尽量降低延迟。若您想进一步了解，请查看我们的《Snowflake 入门指南》一文。
Snowflake 的架构
Snowflake 的架构有三大原则：多集群计算、共享数据，以及存储与计算资源分离。
多集群计算
多集群计算是一种可扩展架构，多个独立的计算集群（称为虚拟仓库）提供计算资源以满足需求。Snowflake 的自动伸缩是一大亮点：会创建同一集群的更多副本来满足计算需求。
数据层
Snowflake 的数据层是其架构中的关键组件，旨在实现高效的数据管理与存储。它同时具备中心存储库与分布式数据网络。中央数据存储库保存整个企业的数据，供所有虚拟仓库访问。为获得更佳性能与可扩展性，虚拟仓库会存储整套数据中最常用的部分。
存储与计算分离
Snowflake 将存储与计算分离，使每个计算集群可以独立于存储规模进行伸缩。存储层使用云存储持久保存全部数据，而计算层由处理查询的虚拟仓库组成。此种分离带来更灵活的资源管理与成本控制。
Snowflake 关键功能
Snowflake 提供多项关键功能，使其成为强大而灵活的数据仓库解决方案：
虚拟仓库
虚拟仓库是 Snowflake 的 MPP（大规模并行处理）计算集群，用于执行 SQL 查询。它们可独立向上或向下扩展，使用户能够将计算能力与特定工作负载需求相匹配。
此外，每个虚拟仓库完全独立，与其他仓库不共享资源，确保彼此之间的性能互不影响。这种灵活性有助于高效分配资源与管理成本，用户可按需调整计算能力且不影响数据存储。
时光回溯（Time Travel）
Time Travel 功能允许用户在设定的时间范围内访问任意时间点的历史数据。这对于数据恢复、审计以及分析数据随时间的变化非常有用。用户可以查询某一过去时刻的数据状态，甚至将表、架构或数据库恢复到先前状态。
安全的数据共享
Snowflake 的安全数据共享功能允许组织在不移动或复制数据的情况下，与其他 Snowflake 账号共享实时、受治理的数据。共享过程在 Snowflake 内部直接完成，保持数据完整性与安全性。它为合作伙伴、供应商或客户提供实时的数据访问，在确保数据治理与控制的前提下促进数据协作。
Snowflake 的主要架构（来源：docs.snowflake.com）
Snowflake 的优缺点
凭借其架构设计与与云平台无关的基础，Snowflake 相较其他云数据仓库具有诸多优势。但其也存在弱点，包括潜在的高成本与复杂性。
优势
得益于其轻松整合任意云系统、灵活扩缩与处理多样化工作负载的能力，Snowflake 具备多方面优势。
劣势
Snowflake 的一些劣势与其扩缩成本和管理复杂性相关。更大的灵活性会带来一定的管理复杂度，且定价在一定程度上难以预测。
什么是 BigQuery？
BigQuery 是 Google 的企业级数据仓库，在Google Cloud Platform 内具备强大的分析与机器学习功能。由于 BigQuery 是Google Cloud 生态的一部分，它能够与 Google Drive、Sheets 与 Cloud Storage 等其他组件交互。这使用户可以在 Google Cloud Platform 内快速、轻松地传输、分析和共享数据。
BigQuery 架构（来源：Google Cloud 博客）
BigQuery 架构
BigQuery 基于 Google 的 Dremel 引擎构建，聚焦可扩展的计算资源，以便对只读的列式数据进行实时分析。
使用 BigQuery 时，用户将通过基于 SQL 的界面运行优化的 GoogleSQL。其工作方式与 MapReduce 类似，利用查询执行引擎、逻辑规划器与查询解析器进行优化。
主要差异在于 Dremel 在查询执行时使用聚合树，从而实现实时分析；而 MapReduce 框架天然存在一定延迟。
BigQuery Dremel（来源：Google Cloud 博客）
BigQuery 关键功能
BigQuery SQL
在 BigQuery 中运行 SQL 的优势之一是可使用 Google 独特的 SQL 语法。它提供了与其他 SQL 语言大体相同的功能，并附带一些额外特性。近期一个实用的 Google SQL 功能是
GROUP BY ALL。此外，GoogleSQL 更易于进行诸如迭代循环与变量使用等操作。即使不深入掌握 GoogleSQL，用户也能借助标准 SQL 轻松使用 BigQuery。务必查看这篇关于如何上手 BigQuery的文章。
BigQuery ML
在 BigQuery 中原生构建机器学习模型相当便捷。您可以使用 SQL 语法来
CREATE各类模型。它既提供线性回归、逻辑回归等简单模型，也支持提升树、神经网络等复杂模型。模型会存储在 BigQuery 内部，可轻松用于生成结果，并将结果保存为表。整个过程在 BigQuery 内原生完成，无需引入外部包。BigQuery 的优势
凭借与 GCP 的整合以及 Dremel 体系，BigQuery 具备多项优势，使其成为强大的工具：
BigQuery 的劣势
尽管具有这些优势，但也存在一些不足。其中部分源于 BigQuery 设计为存在于 Google Cloud 之中。对于技术背景较弱的数据从业者而言，在该生态之外处理数据可能具有挑战：
Snowflake 与 BigQuery：性能与可扩展性
BigQuery 与 Snowflake 在性能与可扩展性方面大体相近，但各有细微差别。在更简单的场景中，Snowflake 更具优势。随着数据规模增长与复杂度提升，BigQuery 凭借更高效的成本结构与近乎无限的扩展能力逐步占优。
Snowflake
在 TPC-H 基准测试中，Snowflake 的表现优于 BigQuery。这意味着在多数标准业务问题上，Snowflake 的性能更好。凭借多集群计算与共享数据架构，Snowflake 可轻松扩展以满足任意企业级需求。
BigQuery
虽然在某些更简单的查询上 BigQuery 或许不及 Snowflake 高效，但在复杂分析方面表现突出。其原生自动扩缩几乎无需管理即可提升计算资源。尽管由于组织内部共享资源存在一些限制，但若注意编写高效查询、尽量减少处理数据量，性能仍可保持最佳状态。
BigQuery 与 Snowflake：集成与生态
Snowflake
Snowflake 运行于不依赖特定云平台的中立生态中。这意味着它可通过相应连接器轻松与其他云平台集成。这为构建 ETL 与分析流水线、并将其对接至云企业的其他部分提供了顺畅体验。
Snowflake 周边存在 60 多种第三方工具与技术，为其提供原生连接能力。这些集成让使用第三方工具进行数据准备、迁移与可视化更为便捷。针对更高级的 BI 功能，Snowflake 还提供 Snowflake Marketplace，可获取专为 Snowflake 环境构建的独特数据集、应用与 AI 产品。
BigQuery
由于构建在 Google Cloud Platform 之上，BigQuery 更适合在 GCP 上投入较深的团队。若您的大多数流程都在 Google Cloud Platform 内，如 Google Compute Engine、Cloud Storage 与 Cloud Run，那么使用 BigQuery 有利于将数据管道保持在同一环境中。将一切留在同一环境，可优化成本与计算时间。此外，BigQuery 与 AI/ML 工具的原生集成，使其非常适合使用 AI 驱动分析的组织。数据管道可以将数据直接导入 BigQuery，随后据此训练模型/预测结果。
安全与合规
对云服务用户而言，安全至关重要。确保符合政府标准同样重要。所幸云服务商通常会就安全与合规提供充足指引，帮助用户轻松按其安全标准配置数据。Snowflake 与 BigQuery 在基于角色的访问管理与数据恢复功能方面具有相似的安全特性。
Snowflake
Snowflake 提供多项功能，为组织打造安全可靠的使用体验。其中之一是 Time Travel，可在意外删除时进行数据恢复。
另一项数据保护功能是 Fail-safe，在 Time Travel 保留期结束后继续保留 7 天历史数据。该数据不可直接访问，但可由 Snowflake 恢复，从而确保数据韧性。
在访问控制方面，Snowflake 将自主访问控制与基于角色的访问控制相结合，构成一套强健的访问控制体系。这使组织能够以简明的角色方式精确管理访问权限。
Snowflake 也高度重视安全性，采用强加密标准保护传输中与静态数据。对于静态数据，Snowflake 使用分层密钥模型对所有存储数据进行加密，并由 Snowflake 自动轮换与管理，无需客户干预。
BigQuery
BigQuery 同样通过时光回溯实现一定的数据恢复，允许用户在 7 天的时光回溯窗口内恢复被删除的表。然而，若整个数据集被删除，用户将无法像在 Snowflake 那样恢复数据。这意味着在 BigQuery 中需要更谨慎地处理删除操作。
BigQuery 的静态数据安全主要由 Google 管理。Google 提供 IAM，以实现全面的访问控制与监控。该访问控制可在任意层级进行管理，从整个项目到特定项目内的具体表。Google 云环境中的所有静态数据均使用 Google Cloud 管理的密钥加密。若需要更高安全性，用户可自带私钥，对 Google Cloud 内的数据进一步加密。
Snowflake 与 BigQuery：成本对比
Snowflake 与 BigQuery 的成本均由两部分构成：存储与计算。存储指将数据存放在仓库中的费用，与是否使用无关。计算成本则基于所使用的计算量或处理的数据量来计算。
存储成本
计算成本
BigQuery 与 Snowflake：该如何选择
既然我们已了解两款工具的一些关键组成部分，不妨回顾其要点。这将有助于您为企业选择合适的工具：
组件
Snowflake
BigQuery
性能
面向常见业务任务与大数据作业所设计
为复杂分析而生，查询引擎原生内置机器学习
可扩展性
借助多集群架构中的虚拟仓库可自动扩展
可根据需求原生扩缩
集成与生态
与云平台无关，通过多种连接器与其他云平台集成
主要聚焦 Google Cloud Platform，可将数据导出，但在 GCP 中管理最为便捷
安全与合规
基于用户的安全协议与组织/角色级恢复。提供 7 天内的数据恢复机制
Google IAM 搭配 Google 托管密钥或用户自管密钥。同样提供 7 天恢复窗口
存储成本
按需存储为 23 美元/TB/月，合同价更低
基于存储类型：主动 20 美元/TB，长期 10 美元/TB。C
计算成本
按使用的计算时间计费，按性能等级分层
按处理的数据量计费，5 美元/TB
结论
Snowflake 与 BigQuery 各有其独特的优劣势。若您的业务主要关注直接明了的分析、大量数据与快速查询，那么 Snowflake 凭借自动扩缩的虚拟仓库与基于计算的定价，或是更佳选择。
若您的业务目标更偏向带有机器学习的复杂分析，或与 Google Cloud Platform 深度集成，那么 BigQuery 则是不二之选，它具备自动扩缩的计算管理、原生 ML 集成与基于数据处理量的定价。
同时学习两者，是成为数据专业人士、获取工作机会的最佳路径。DataCamp 提供了大量学习资源，助您深入了解。