GCP PDE 試験対策｜BigQuery 出題範囲深掘り・パーティショニング・Editions・BigQuery ML

PDE 試験で最大の比重を占める BigQuery 領域を、試験頻出ポイント別に整理します。パーティショニング・クラスタリング・Editions・取り込み API の選択肢・BigQuery ML・コスト最適化・最新の BigLake / Omni / Gemini 統合まで網羅します。

BigQuery 課金モデル

モデル	料金	用途
オンデマンド	$6.25 / TB スキャン	不定期クエリ、小規模利用
Editions Standard	Slot 時間課金	SQL のみ、安価
Editions Enterprise	Slot 時間 + CMEK / Workload Mgmt	本格運用
Editions Enterprise Plus	+ DR / Disaster Recovery	規制対応・大企業
ストレージ	Active $0.02 / GB、Long-term $0.01	90 日未変更で自動 Long-term

パーティショニング・クラスタリング

パーティショニング種類

Time-unit column: DATETIME / TIMESTAMP / DATE 列でパーティション
Ingestion time: 取り込み時刻 (_PARTITIONTIME) で自動パーティション
Integer range: 整数範囲でパーティション (ID 等)

クラスタリング

最大 4 列をクラスタキーに指定
ブロック内で物理ソート → フィルタ・集約が高速化
パーティション + クラスタリング併用が王道 (例: パーティション=date、クラスタ=user_id, country)

データ取り込み方法

方法	用途	スループット
Batch Load (CLI / API)	無料、定期バッチ	無制限
Storage Write API	新規開発の標準	高、Exactly-once
Legacy Streaming Insert	段階的廃止	有料
BigQuery Data Transfer	SaaS (GA / Ads / S3) 連携	定期実行
Datastream	CDC (Oracle / MySQL / PostgreSQL)	準リアルタイム

BigQuery ML 主要モデル

線形/ロジスティック回帰: CREATE MODEL ... OPTIONS(model_type='linear_reg')
K-means: クラスタリング
行列分解: 推薦システム
Boosted Tree: XGBoost ベース
Deep Neural Network: TensorFlow 統合
AutoML Tables: 自動モデル選択
TensorFlow Import: 既存モデル取り込み
Gemini 統合: ML.GENERATE_TEXT, ML.GENERATE_EMBEDDING, Remote Model

BigQuery Omni / BigLake

機能	BigQuery Omni	BigLake
対象データ	AWS S3 / Azure Blob	GCS / S3 / Azure
形式	BigQuery 標準	Iceberg / Parquet / ORC
処理場所	Anthos on AWS/Azure	GCP リージョン
主用途	マルチクラウド SQL	レイクハウス統合

コスト最適化チェックリスト

SELECT * 禁止、必要列のみ指定
パーティションフィルタを WHERE 句に強制 (require_partition_filter)
Materialized View / BI Engine でホットクエリ高速化
Custom Cost Controls (Project / User 単位の日次上限)
INFORMATION_SCHEMA.JOBS で高コストクエリ抽出
Editions Reservation で予測可能なコスト
Long-term storage 移行を意識した未更新テーブル管理

頻出ひっかけ問題

Materialized View の制限: 集約関数のみ、INNER JOIN 不可など
Streaming buffer: 取り込み後 ~90 分は UPDATE/DELETE 不可
Wildcard table: TABLE_SUFFIX フィルタでスキャン量制御
Query result cache: 24h 有効、同一クエリで無料
Reservation Assignment: Folder / Project / Reservation 階層

PDE 試験で BigQuery の出題比率は？

推定 30〜40%。データ取り込み・パーティショニング・クラスタリング・コスト最適化・BigQuery ML・BI Engine など多角的に問われます。

オンデマンドとエディションのどちらが出題されますか？

両方。2023 以降に登場した Editions (Standard / Enterprise / Enterprise Plus) は新ブループリントで頻出です。Slot ベースの予測可能なコスト管理として理解しましょう。

パーティショニングとクラスタリングの違いは？

パーティション (DATE / RANGE) は物理分割、クラスタリングは同パーティション内の物理ソート。クエリのフィルタ列で使い分けます。両方併用が定石。

BigQuery Omni と BigQuery Lake の違いは？

Omni は AWS S3 / Azure Blob のデータをクロスクラウドでクエリ。BigLake は GCS / S3 / Azure 上の Iceberg / Parquet / ORC を統合管理。両方の使い分けは頻出。

Streaming Insert vs Storage Write API のどちらを使う？

新規開発は Storage Write API (高スループット・低コスト・Exactly-once)。Legacy Streaming Insert は段階的に廃止予定です。

BigQuery ML で何が作れる？

線形/ロジスティック回帰、k-means、行列分解、AutoML、TensorFlow モデルインポート、最近では Gemini との統合 (ML.GENERATE_TEXT)。SQL で ML を実装できる強みあり。

コスト爆発を防ぐベストプラクティスは？

SELECT * 回避、パーティションフィルタ必須化、Editions の予約 Slot 利用、Cost Controls (Custom quota)、INFORMATION_SCHEMA でクエリ監視。

Materialized View と Authorized View の違いは？

Materialized View は事前計算 (キャッシュ + 自動リフレッシュ)、Authorized View は権限境界の論理ビュー。出題ポイントが異なるので両方理解が必須。

この記事で学んだ内容を問題で確認しましょう

16,000問以上の問題で実力チェック

GCP 試験対策ページを見る

この記事の著者

NicheeLab編集部

データエンジニアリング・クラウド資格の専門家。Databricks・Snowflake等の認定資格を保有し、実務経験に基づいた問題作成・解説を行っています。NicheeLab運営。