BigQuery permite a los equipos analizar enormes cantidades de datos sin gestionar servidores. Cargas datos desde archivos, bases de datos, flujos u otros servicios de Google, escribes SQL, y BigQuery reparte el trabajo entre muchas máquinas y devuelve los resultados rápidamente, ya sea una tabla de millones o de billones de filas. Como el almacenamiento y el cómputo están separados y gestionados, no hay un clúster que dimensionar ni ajustar, y esa es una de las razones principales por las que gusta a los equipos de analítica.
Ha incorporado muchas funciones para el trabajo moderno con datos e IA. BigQuery ML permite a los analistas entrenar y ejecutar modelos, incluidos de previsión y clasificación, con sentencias SQL, y conectarse a Gemini y otros modelos para generar texto o embeddings desde las propias consultas. La búsqueda vectorial admite cargas de similitud y recuperación. Gemini en BigQuery ayuda a escribir y explicar SQL, generar código y sugerir transformaciones de datos. También se conecta con Looker, Connected Sheets y herramientas de BI de terceros.
El precio tiene dos modelos: bajo demanda, según la cantidad de datos que analiza una consulta, y por capacidad, con cómputo reservado, además de las tarifas de almacenamiento. Hay una cuota gratuita mensual. Es fácil lanzar una consulta cara por accidente si las tablas son grandes y no están particionadas, por lo que los controles de coste importan. Snowflake y Databricks son los principales competidores, Amazon Redshift es el equivalente de AWS y DuckDB cubre el análisis local de menor tamaño. BigQuery encaja con equipos que ya usan Google Cloud.