BigQuery — Data warehouse cloud

Section 12.3.2 : BigQuery — Data warehouse cloud

🎯 Objectif pédagogique

Utiliser Google BigQuery comme data warehouse : charger des données, écrire des requêtes SQL sur des volumes massifs, et construire des vues analytiques.

BigQuery : le SQL à l'échelle du cloud

BigQuery est le data warehouse serverless de Google. Ses avantages :

• →Serverless : pas de serveur à gérer, pas d'infrastructure
• →Performant : requêtes sur des téraoctets en secondes
• →Économique : 1 To de stockage = 20$/mois, 1 To de requêtes = 5$
• →SQL standard : pas de nouveau langage à apprendre

Premiers pas avec BigQuery

-- Créer un dataset (= une base de données)
CREATE SCHEMA IF NOT EXISTS mon_projet;

-- Requêter les données chargées par Fivetran
SELECT 
    contact_email,
    deal_name,
    deal_amount,
    deal_stage,
    created_at
FROM mon_projet.hubspot_deals
WHERE deal_stage = 'Closed Won'
  AND created_at >= '2025-01-01'
ORDER BY deal_amount DESC
LIMIT 100;

Fonctions BigQuery spécifiques

-- Fonctions de fenêtre (window functions)
SELECT 
    client,
    mois,
    revenue,
    SUM(revenue) OVER (PARTITION BY client ORDER BY mois) AS revenue_cumule,
    LAG(revenue) OVER (PARTITION BY client ORDER BY mois) AS revenue_mois_precedent
FROM mon_projet.revenue_mensuel;

-- Requêtes sur des données JSON
SELECT 
    JSON_VALUE(metadata, '$.utm_source') AS source,
    COUNT(*) AS conversions
FROM mon_projet.events
WHERE event_type = 'purchase'
GROUP BY source
ORDER BY conversions DESC;