Google BigQuery

Was es ist

BigQuery ist das serverlose Data Warehouse von Google Cloud: Sie laden Daten, führen SQL aus und zahlen Speicher und Rechenleistung getrennt, ohne einen Cluster dimensionieren zu müssen. Diese Seite behandelt es als das Warehouse hinter GTM-Daten, und zwar den Teil, der sich 2026 geändert hat: Conversational Analytics. Google hat die allgemeine Verfügbarkeit am 1. Juli 2026 angekündigt. Ein Datenteam baut in BigQuery Studio einen Data Agent, der auf ausgewählten Tabellen, Views, Graphen und UDFs sowie auf verifizierten Abfragen und schriftlichen Anweisungen basiert. Ein Business-Nutzer stellt dann Fragen in natürlicher Sprache und erhält eine Antwort mit Diagramm, dem generierten SQL und Quellenangaben zum Kontext, den der Agent genutzt hat. Der Deep-Dive-Modus beantwortet Fragen wie „Warum hat sich diese Kennzahl bewegt?“ mit einem mehrstufigen Plan und einem herunterladbaren Bericht.

Agents lassen sich in Gemini Enterprise veröffentlichen (GA seit dem 14. Oktober 2026), in Data Studio oder über die Conversational Analytics API (GA seit dem 23. Juni 2026) in Ihrer eigenen App. Jede Abfrage läuft unter den IAM-Berechtigungen des fragenden Nutzers und wird protokolliert. Agents sind schreibgeschützt: Sie können kein DML ausführen, keine Daten schreiben und keine Remote Functions aufrufen. Davon getrennt ermöglicht ein von Google verwalteter MCP-Server unter bigquery.googleapis.com/mcp es Claude und anderen MCP-Clients, Datasets aufzulisten und SQL auszuführen. Ergebnisse sind standardmäßig auf 3.000 Zeilen begrenzt, Abfragen auf drei Minuten Laufzeit.

Warum es in RevOps- und CS-Stacks auftaucht

• Googles Marketingdaten landen dort nativ. Der GA4-Export und der Data Transfer Service für Google Ads bringen Werbe- und Webdaten ohne Drittanbieter-Pipeline in BigQuery. Kommen CRM- und Abrechnungsdaten über Fivetran hinzu, kann Marketing Ops Ausgaben und Pipeline an einem Ort verknüpfen.
• Ops kann ohne BI-Lizenz fragen. Eine RevOps-Leitung fragt „Welche offenen Opportunities über 50.000 $ stammen von Accounts, deren Produktnutzung in diesem Quartal gesunken ist?“ und bekommt SQL, das sie einem Analysten zur Prüfung geben kann. Für die Frage braucht es keine Looker- oder Tableau-Lizenz.
• Das Ergebnis speist den Rest des Stacks. In BigQuery gebaute Segmente synchronisieren über Hightouch zurück nach Salesforce oder HubSpot. BI-Tools wie Looker, Hex und Sigma fragen dieselben Tabellen ab.

Die Preisrealität

Rechenleistung wird auf eine von zwei Arten abgerechnet. On-Demand kostet 6,25 $ pro gescanntem TiB, das erste TiB pro Monat ist kostenlos. Kapazitätspreise gelten pro Slot-Stunde je nach Edition: 0,04 $ für Standard, 0,06 $ für Enterprise, 0,10 $ für Enterprise Plus im Pay-as-you-go-Modell. Mit 1- und 3-Jahres-Commitments sinkt Enterprise auf bis zu 0,048 $. Aktiver logischer Speicher kostet in US-Regionen etwa 0,023 $ pro GiB und Monat, die ersten 10 GiB sind kostenlos.

Der Agent wird zusätzlich abgerechnet. Googles Preismodell für Data Cloud Agents berechnet für den Conversational Analytics Agent 3 $ pro Million Input-Token und 20 $ pro Million Output-Token. Alle Data Cloud Agents sind bis zum 31. Dezember 2026 in einer kostenlosen Testphase, danach gilt die Token-Abrechnung. Das SQL, das jede Antwort ausführt, wird als normale BigQuery-Rechenleistung abgerechnet.

Unsere Schätzung bei 30.000 Input- und 3.000 Output-Token pro Frage: etwa 0,15 $ an Agent-Token. Ein Ops-Team mit 40 Personen, das 1.000 Fragen pro Arbeitstag stellt, landet ab Januar 2027 bei rund 3.150 $ pro Monat an Token, vor der Abfrage-Rechenleistung. Ein Team mit On-Demand-Abrechnung, dessen Fragen jeweils 20 GB scannen, zahlt pro Frage etwa 0,12 $ zusätzlich. Messen Sie während der Testphase Ihre eigenen Token-Zahlen, statt mit unseren zu budgetieren.

Am besten geeignet für

RevOps-, Marketing-Ops- und CS-Ops-Verantwortliche in Unternehmen, die bereits auf Google Cloud sind oder deren GA4- und Google-Ads-Daten bereits in BigQuery landen, und die 20–200 Business-Nutzer Fragen zu Pipeline, Ausgaben und Account-Health unter dem bestehenden IAM stellen lassen wollen, ohne jedem eine BI-Lizenz zu kaufen.

Lassen Sie es aus, wenn Ihr Warehouse bereits Snowflake oder Databricks ist: Die Daten nur für den Agent umzuziehen, lohnt sich selten. Lassen Sie es aus, wenn Nutzer Zahlen zurückschreiben müssen, etwa Forecast- oder Quota-Änderungen. Data Agents sind schreibgeschützt, dafür braucht es ein Writeback-Tool wie Sigma.

Im Vergleich zu den Alternativen

Snowflake ist das führende unabhängige Warehouse nach Marktanteil, und seine Agent-Schicht CoWork erledigt dieselbe Aufgabe. Wählen Sie Snowflake, wenn Sie Multi-Cloud auf AWS oder Azure brauchen. Wählen Sie BigQuery, wenn Sie auf Google Cloud sind oder die meisten Ihrer Marketingdaten aus Google-Produkten stammen.

Databricks ist der andere Marktführer. Sein Agent für Business-Nutzer heißt Genie und wird in DBUs abgerechnet. Wählen Sie es, wenn das Datenteam bereits ein Databricks-Lakehouse für ML betreibt. BigQuery kann Tabellen aus Databricks Unity Catalog als Lakehouse-Quelle abfragen, aber die beiden sind kein Paar, das man beliebig kombiniert.

ClickHouse ist der am schnellsten wachsende Herausforderer. Laut Bloomberg sammelte es im Januar 2026 400 Millionen $ bei einer Bewertung von 15 Milliarden $ ein. Wählen Sie es für Produktanalysen auf Event-Daten in unter einer Sekunde. Einen mit Conversational Analytics vergleichbaren Agent für Business-Nutzer hat es nicht.

Wenn nichts davon passt, weil sich niemand einig ist, was „Pipeline“ bedeutet, bringen Sie zuerst das Modell in Ordnung. Siehe Data Warehouse vs. CDP und Reverse ETL.

Worauf Sie achten sollten

• Die Testphase verdeckt die echten Kosten des Agents. Die Token-Abrechnung beginnt am 1. Januar 2027, und ein vorher gemessener Pilot zeigt nur die Abfrage-Rechenleistung. Absicherung: Protokollieren Sie während der Testphase die Input- und Output-Token pro Frage über eine repräsentative Woche. Multiplizieren Sie mit 3 $ und 20 $ pro Million und lassen Sie diese Zahl vor dem Rollout freigeben.
• Kostenlimits greifen nur bei On-Demand-Abrechnung. Das Limit big_query_max_billed_bytes und die täglichen Abfrage-Quotas pro Nutzer gelten nicht für Slot-Reservierungen, und Quotas oder Labels pro Agent werden nicht unterstützt. Absicherung: Betreiben Sie Agents in einem eigenen Projekt mit On-Demand-Abrechnung. Setzen Sie dort ein Byte-Limit pro Abfrage und eine Quota „Query usage per day per user“.
• Antworten sind nur so gut wie ihre Grundlage. Rohe Fivetran-Tabellen mit kryptischen Spaltennamen erzeugen selbstsicher falsches SQL. Absicherung: Richten Sie Agents auf kuratierte Views statt auf Rohtabellen aus. Hinterlegen Sie verifizierte Abfragen für Ihre 20–30 Kernkennzahlen und lassen Sie monatlich einen festen Satz bekannter Fragen erneut laufen.
• Der MCP-Server kann schreiben. Sein Tool execute_sql akzeptiert DML und DDL, anders als execute_sql_readonly. Absicherung: Geben Sie über MCP verbundenen Identitäten nur BigQuery Data Viewer und BigQuery Job User auf kuratierten Datasets, damit Schreibvorgänge an der Berechtigungsebene scheitern.