Google BigQuery

O que é

O BigQuery é o data warehouse serverless do Google Cloud: você carrega dados, roda SQL e paga armazenamento e computação separadamente, sem cluster para dimensionar. Esta página trata dele como o warehouse por trás dos dados de GTM, e da parte que mudou em 2026: o Conversational Analytics. O Google anunciou a disponibilidade geral em 1º de julho de 2026. Um time de dados cria um agente de dados no BigQuery Studio, ancorado em tabelas, views, grafos e UDFs escolhidos, além de consultas verificadas e instruções escritas. Depois, um usuário de negócio faz perguntas em linguagem natural e recebe uma resposta com um gráfico, o SQL gerado e citações do contexto que o agente usou. O modo deep-dive responde a perguntas do tipo “por que essa métrica mudou” com um plano de várias etapas e um relatório para download.

Os agentes podem ser publicados no Gemini Enterprise (GA desde 14 de outubro de 2026), no Data Studio ou no seu próprio app pela Conversational Analytics API (GA em 23 de junho de 2026). Cada consulta roda com as permissões de IAM do usuário que pergunta e fica registrada em log. Os agentes são somente leitura: não podem rodar DML, gravar dados nem chamar funções remotas. À parte, um servidor MCP gerenciado pelo Google em bigquery.googleapis.com/mcp permite que o Claude e outros clientes MCP listem datasets e rodem SQL, com resultados limitados a 3,000 linhas e timeout de consulta de três minutos por padrão.

Por que aparece em stacks de RevOps e CS

• Os dados de marketing do Google chegam lá nativamente. A exportação do GA4 e o Data Transfer Service para Google Ads colocam dados de anúncios e web no BigQuery sem pipeline de terceiros. Some CRM e faturamento via Fivetran e o marketing ops consegue cruzar investimento com pipeline em um só lugar.
• Ops pergunta sem licença de BI. Um líder de RevOps pergunta “quais oportunidades abertas acima de $50,000 vêm de contas cujo uso do produto caiu neste trimestre” e recebe um SQL que pode passar para um analista revisar. Não é preciso licença de Looker ou Tableau para perguntar.
• O resultado alimenta o resto do stack. Segmentos criados no BigQuery voltam para o Salesforce ou o HubSpot pelo Hightouch. Ferramentas de BI como Looker, Hex e Sigma consultam as mesmas tabelas.

A realidade do preço

A computação é cobrada de uma de duas formas. O on-demand cobra $6.25 por TiB escaneado, com o primeiro TiB de cada mês grátis. O preço por capacidade cobra por slot-hora conforme a edição: $0.04 no Standard, $0.06 no Enterprise e $0.10 no Enterprise Plus, no pay as you go, e compromissos de 1 e 3 anos levam o Enterprise até $0.048. O armazenamento lógico ativo custa cerca de $0.023 por GiB por mês em regiões dos EUA, e os primeiros 10 GiB são grátis.

O agente é cobrado à parte. O preço dos agentes do Data Cloud do Google cobra $3 por milhão de tokens de entrada e $20 por milhão de tokens de saída para o Conversational Analytics Agent. Todos os agentes do Data Cloud estão em teste gratuito até 31 de dezembro de 2026, e o preço por tokens começa depois disso. O SQL que cada resposta roda é cobrado como computação normal do BigQuery.

Nossa estimativa, com 30,000 tokens de entrada e 3,000 de saída por pergunta, é de cerca de $0.15 em tokens do agente. Um time de ops de 40 pessoas fazendo 1,000 perguntas por dia útil chega perto de $3,150 por mês em tokens a partir de janeiro de 2027, antes da computação das consultas. Um time no faturamento on-demand cujas perguntas escaneiam 20 GB cada adiciona cerca de $0.12 por pergunta. Meça suas próprias contagens de tokens durante o teste gratuito em vez de orçar com as nossas.

Ideal para

Líderes de RevOps, marketing ops e CS ops em empresas que já estão no Google Cloud, ou cujos dados de GA4 e Google Ads já chegam ao BigQuery, que querem de 20 a 200 usuários de negócio fazendo perguntas sobre pipeline, investimento e saúde de contas sob o IAM existente, sem comprar uma licença de BI para cada um.

Descarte se o seu warehouse já é Snowflake ou Databricks: mover os dados para ganhar o agente raramente compensa. Descarte se os usuários precisam gravar números de volta, como mudanças de forecast ou de cota. Agentes de dados são somente leitura, então esse trabalho pede uma ferramenta de writeback como o Sigma.

Comparado às alternativas

Snowflake é o warehouse independente líder em participação de mercado, e sua camada de agentes, o CoWork, faz o mesmo trabalho. Escolha Snowflake quando precisar de multicloud em AWS ou Azure. Escolha BigQuery quando estiver no Google Cloud ou quando a maior parte dos seus dados de marketing vier de produtos do Google.

Databricks é o outro líder. Seu agente para usuários de negócio é o Genie, cobrado em DBUs. Escolha quando o time de dados já roda um lakehouse Databricks para ML. O BigQuery consegue consultar tabelas do Databricks Unity Catalog como fonte de lakehouse, mas os dois não formam um par para misturar à vontade.

ClickHouse é o entrante que mais cresce. Captou $400 milhões com valuation de $15 bilhões em janeiro de 2026, segundo a Bloomberg. Escolha para analytics de produto em menos de um segundo sobre dados de eventos. Ele não tem um agente para usuários de negócio comparável ao Conversational Analytics.

Se nenhum servir porque ninguém concorda sobre o que “pipeline” significa, conserte o modelo primeiro. Veja data warehouse vs CDP e reverse ETL.

Pontos de atenção

• O teste gratuito esconde o custo real do agente. A cobrança por tokens começa em 1º de janeiro de 2027, e um piloto medido antes disso mostra só a computação das consultas. Proteção: durante o teste, registre os tokens de entrada e saída por pergunta de uma semana representativa. Multiplique por $3 e $20 por milhão e aprove esse número antes do rollout.
• Os limites de custo só funcionam no faturamento on-demand. O limite big_query_max_billed_bytes e as cotas diárias de consulta por usuário não valem para reservas de slots, e cotas e labels por agente não são suportadas. Proteção: rode os agentes em um projeto dedicado com faturamento on-demand. Configure ali um limite de bytes por consulta e uma cota “Query usage per day per user”.
• As respostas só são tão boas quanto o ancoramento. Tabelas brutas do Fivetran com nomes de coluna crípticos geram SQL errado com toda a confiança. Proteção: aponte os agentes para views curadas, não para tabelas brutas. Adicione consultas verificadas para suas 20 a 30 métricas principais e rode de novo, todo mês, um conjunto fixo de perguntas conhecidas.
• O servidor MCP pode gravar. A ferramenta execute_sql aceita DML e DDL, ao contrário da execute_sql_readonly. Proteção: dê às identidades conectadas via MCP apenas BigQuery Data Viewer e BigQuery Job User em datasets curados, para que gravações falhem na camada de permissões.