Google BigQuery

De quoi s’agit-il

BigQuery est le data warehouse serverless de Google Cloud : vous chargez des données, exécutez du SQL et payez stockage et calcul séparément, sans cluster à dimensionner. Cette page le traite comme l’entrepôt derrière les données GTM, sous l’angle de ce qui a changé en 2026 : Conversational Analytics. Google a annoncé sa disponibilité générale le 1er juillet 2026. Une équipe data crée un agent de données dans BigQuery Studio, ancré sur des tables, vues, graphes et UDF choisis, ainsi que sur des requêtes vérifiées et des instructions écrites. Un utilisateur métier pose ensuite ses questions en langage naturel et reçoit une réponse avec un graphique, le SQL généré et des citations du contexte utilisé par l’agent. Le mode deep-dive traite les questions du type « pourquoi cette métrique a-t-elle bougé ? » avec un plan en plusieurs étapes et un rapport téléchargeable.

Les agents peuvent être publiés dans Gemini Enterprise (GA depuis le 14 octobre 2026), dans Data Studio ou dans votre propre application via la Conversational Analytics API (GA le 23 juin 2026). Chaque requête s’exécute avec les permissions IAM de l’utilisateur qui pose la question et elle est journalisée. Les agents sont en lecture seule : ils ne peuvent ni exécuter de DML, ni écrire de données, ni appeler de fonctions distantes. Par ailleurs, un serveur MCP géré par Google à l’adresse bigquery.googleapis.com/mcp permet à Claude et à d’autres clients MCP de lister les datasets et d’exécuter du SQL, avec des résultats plafonnés à 3 000 lignes et un timeout de requête de trois minutes par défaut.

Pourquoi il apparaît dans les stacks RevOps et CS

• Les données marketing de Google y arrivent nativement. L’export GA4 et le Data Transfer Service pour Google Ads placent les données publicitaires et web dans BigQuery sans pipeline tiers. Ajoutez CRM et facturation via Fivetran, et le marketing ops peut croiser dépenses et pipeline au même endroit.
• Les ops peuvent poser leurs questions sans licence BI. Un responsable RevOps demande « quelles opportunités ouvertes de plus de 50 000 $ viennent de comptes dont l’usage produit a baissé ce trimestre ? » et obtient un SQL qu’il peut confier à un analyste pour relecture. Aucune licence Looker ou Tableau n’est nécessaire pour poser la question.
• Le résultat alimente le reste du stack. Les segments construits dans BigQuery se synchronisent vers Salesforce ou HubSpot via Hightouch. Des outils BI comme Looker, Hex et Sigma interrogent les mêmes tables.

La réalité des prix

Le calcul se facture de deux façons. L’on-demand coûte 6,25 $ par TiB analysé, le premier TiB de chaque mois étant gratuit. La tarification à la capacité facture par slot-heure selon l’édition : 0,04 $ en Standard, 0,06 $ en Enterprise et 0,10 $ en Enterprise Plus, en paiement à l’usage, et les engagements sur 1 et 3 ans font descendre Enterprise jusqu’à 0,048 $. Le stockage logique actif coûte environ 0,023 $ par GiB et par mois dans les régions américaines, et les 10 premiers GiB sont gratuits.

L’agent est facturé en plus. La tarification des agents Data Cloud de Google facture 3 $ par million de tokens en entrée et 20 $ par million de tokens en sortie pour le Conversational Analytics Agent. Tous les agents Data Cloud sont en essai gratuit jusqu’au 31 décembre 2026, et la tarification aux tokens démarre ensuite. Le SQL exécuté par chaque réponse est facturé comme du calcul BigQuery classique.

Notre estimation, à 30 000 tokens en entrée et 3 000 en sortie par question, est d’environ 0,15 $ en tokens d’agent. Une équipe ops de 40 personnes posant 1 000 questions par jour ouvré atteint près de 3 150 $ par mois en tokens à partir de janvier 2027, avant le calcul des requêtes. Une équipe en facturation on-demand dont chaque question analyse 20 Go ajoute environ 0,12 $ par question. Mesurez vos propres volumes de tokens pendant l’essai gratuit plutôt que de budgéter avec les nôtres.

Idéal pour

Les responsables RevOps, marketing ops et CS ops d’entreprises déjà sur Google Cloud, ou dont les données GA4 et Google Ads arrivent déjà dans BigQuery, qui veulent que 20 à 200 utilisateurs métier posent des questions sur le pipeline, les dépenses et la santé des comptes sous l’IAM existant, sans acheter une licence BI à chacun.

Passez votre chemin si votre entrepôt est déjà Snowflake ou Databricks : déplacer les données pour obtenir l’agent en vaut rarement la peine. Passez votre chemin si les utilisateurs doivent réécrire des chiffres, comme des modifications de forecast ou de quota. Les agents de données sont en lecture seule, ce travail demande donc un outil de writeback comme Sigma.

Face aux alternatives

Snowflake est l’entrepôt indépendant leader en part de marché, et sa couche d’agents, CoWork, fait le même travail. Choisissez Snowflake si vous avez besoin du multicloud sur AWS ou Azure. Choisissez BigQuery si vous êtes sur Google Cloud ou si la majorité de vos données marketing vient de produits Google.

Databricks est l’autre leader. Son agent pour utilisateurs métier s’appelle Genie et se facture en DBU. Choisissez-le si l’équipe data exploite déjà un lakehouse Databricks pour le ML. BigQuery peut interroger des tables Databricks Unity Catalog comme source lakehouse, mais les deux ne forment pas une paire à combiner librement.

ClickHouse est le nouvel entrant à la croissance la plus rapide. Il a levé 400 millions de dollars sur une valorisation de 15 milliards de dollars en janvier 2026, selon Bloomberg. Choisissez-le pour l’analytique produit en moins d’une seconde sur des données d’événements. Il n’a pas d’agent pour utilisateurs métier comparable à Conversational Analytics.

Si aucun ne convient parce que personne ne s’accorde sur ce que signifie « pipeline », corrigez d’abord le modèle. Voir data warehouse vs CDP et reverse ETL.

Points de vigilance

• L’essai gratuit masque le coût réel de l’agent. La facturation aux tokens démarre le 1er janvier 2027, et un pilote mesuré avant cette date ne montre que le calcul des requêtes. Garde-fou : pendant l’essai, journalisez les tokens en entrée et en sortie par question sur une semaine représentative. Multipliez par 3 $ et 20 $ par million, et faites valider ce chiffre avant le déploiement.
• Les plafonds de coût ne fonctionnent qu’en facturation on-demand. La limite big_query_max_billed_bytes et les quotas quotidiens de requêtes par utilisateur ne s’appliquent pas aux réservations de slots, et les quotas et labels par agent ne sont pas pris en charge. Garde-fou : exécutez les agents dans un projet dédié en facturation on-demand. Configurez-y un plafond d’octets par requête et un quota « Query usage per day per user ».
• Les réponses ne valent que leur ancrage. Des tables Fivetran brutes aux noms de colonnes cryptiques produisent un SQL faux mais assuré. Garde-fou : pointez les agents vers des vues préparées, pas vers des tables brutes. Ajoutez des requêtes vérifiées pour vos 20 à 30 métriques clés et relancez chaque mois un jeu fixe de questions connues.
• Le serveur MCP peut écrire. Son outil execute_sql accepte le DML et le DDL, contrairement à execute_sql_readonly. Garde-fou : n’accordez aux identités connectées via MCP que BigQuery Data Viewer et BigQuery Job User sur des datasets préparés, pour que les écritures échouent au niveau des permissions.