Google BigQuery vs Amazon Redshift 2026: เปรียบเทียบ Data Warehouse และคำถามสัมภาษณ์ Data Analyst

Google BigQuery และ Amazon Redshift ครองตลาด cloud data warehouse ในปี 2026 โดยแต่ละแพลตฟอร์มมีข้อได้เปรียบที่แตกต่างกันสำหรับ workload data analytics การเปรียบเทียบนี้ครอบคลุมความแตกต่างด้านสถาปัตยกรรม โมเดลราคา ลักษณะประสิทธิภาพ และคำถามสัมภาษณ์ที่ผู้สมัคร data analyst มักพบ

ความแตกต่างด้านสถาปัตยกรรมระหว่าง BigQuery และ Redshift

BigQuery ใช้สถาปัตยกรรม serverless แบบ multi-tenant ที่ storage และ compute แยกออกจากกันอย่างสมบูรณ์ Query ทำงานบน resource ที่จัดสรรแบบไดนามิกโดยไม่ต้องจัดการ cluster เลย Google จัดการการ scaling infrastructure, patching และ optimization ทั้งหมดโดยอัตโนมัติ

Redshift ทำงานบนโมเดล provisioned cluster ด้วย node เฉพาะ Storage และ compute เชื่อมต่อกันอย่างแน่นหนาภายใน node แม้ว่า Redshift Serverless จะเสนอทางเลือกแบบ consumption-based ในปัจจุบัน Node type RA3 ได้แนะนำการแยก managed storage ทำให้สามารถ scaling compute และ storage ได้อย่างอิสระ

ความแตกต่างด้านสถาปัตยกรรมนี้ส่งผลกระทบอย่างมากต่อ overhead ในการดำเนินงาน BigQuery ไม่ต้องการ capacity planning ในขณะที่ Redshift ต้องการการตัดสินใจเกี่ยวกับ cluster sizing และการจัดตาราง maintenance อย่างต่อเนื่อง

โมเดลราคา: Pay-per-Query vs Provisioned Capacity

BigQuery คิดค่าบริการ $6.25 ต่อ TB ที่ถูก scan ในโหมด on-demand ณ ปี 2026 ราคา reserved capacity (flat-rate) เสนอต้นทุนรายเดือนที่คาดการณ์ได้สำหรับ workload ที่สม่ำเสมอ ค่า storage คือ $0.02/GB/เดือน สำหรับข้อมูล active และ $0.01/GB/เดือน สำหรับ long-term storage หลังจาก 90 วัน

-- BigQuery: ตรวจสอบค่าใช้จ่าย query ก่อนการ execute
SELECT
  total_bytes_billed / POW(10, 12) AS tb_billed,
  (total_bytes_billed / POW(10, 12)) * 6.25 AS estimated_cost_usd
FROM `region-us`.INFORMATION_SCHEMA.JOBS_BY_PROJECT
WHERE job_id = 'your-job-id';

ราคา Redshift ขึ้นอยู่กับประเภทและจำนวน node Node DC2 (dense compute) เริ่มต้นที่ $0.25/ชั่วโมง ในขณะที่ node RA3 พร้อม managed storage เริ่มต้นที่ $1.086/ชั่วโมง Redshift Serverless คิดค่าบริการตาม Redshift Processing Units (RPU) ที่ใช้

กลยุทธ์การเพิ่มประสิทธิภาพต้นทุนแตกต่างกันอย่างมาก BigQuery ให้รางวัลการเพิ่มประสิทธิภาพ query ผ่าน partitioning และ clustering เนื่องจากการ scan ข้อมูลน้อยลงจะลดต้นทุนโดยตรง การเพิ่มประสิทธิภาพ Redshift มุ่งเน้นที่ right-sizing cluster และใช้ประโยชน์จาก reserved instances สำหรับ workload ที่คาดการณ์ได้

ความแตกต่างของ SQL Syntax และ Function

ทั้งสองแพลตฟอร์มรองรับ ANSI SQL แต่มีความแตกต่างของ syntax สำหรับฟีเจอร์ขั้นสูง การทำความเข้าใจความแตกต่างเหล่านี้สำคัญสำหรับคำถามสัมภาษณ์ SQL และโปรเจกต์ migration

-- BigQuery: Date functions ใช้ EXTRACT และ DATE_TRUNC
SELECT
  DATE_TRUNC(order_date, MONTH) AS order_month,
  EXTRACT(DAYOFWEEK FROM order_date) AS day_of_week,
  COUNT(*) AS order_count
FROM `project.dataset.orders`
WHERE order_date >= DATE_SUB(CURRENT_DATE(), INTERVAL 1 YEAR)
GROUP BY 1, 2;

-- Redshift: คล้ายกันแต่ใช้ DATE_TRUNC กับ string argument
SELECT
  DATE_TRUNC('month', order_date) AS order_month,
  EXTRACT(DOW FROM order_date) AS day_of_week,
  COUNT(*) AS order_count
FROM orders
WHERE order_date >= DATEADD(year, -1, CURRENT_DATE)
GROUP BY 1, 2;

การจัดการ array และ struct แสดงความแตกต่างที่สำคัญ BigQuery รองรับ nested และ repeated fields แบบ native ด้วย operation UNNEST Redshift จัดการ semi-structured data ผ่าน SUPER type และ PartiQL syntax ที่เปิดตัวในเวอร์ชันล่าสุด

-- BigQuery: ทำงานกับ nested arrays
SELECT
  user_id,
  event.name AS event_name,
  event.timestamp AS event_time
FROM `analytics.events`,
UNNEST(events) AS event
WHERE DATE(event.timestamp) = CURRENT_DATE();

-- Redshift: SUPER type กับ PartiQL
SELECT
  user_id,
  e.name AS event_name,
  e.timestamp AS event_time
FROM events_table AS t, t.events AS e
WHERE DATE(e.timestamp) = CURRENT_DATE;

ลักษณะประสิทธิภาพและการเพิ่มประสิทธิภาพ Query

BigQuery โดดเด่นใน analytical query แบบ ad-hoc บน dataset ขนาดใหญ่โดยไม่ต้อง tuning โมเดลการทำงานแบบ slot-based กระจายงานโดยอัตโนมัติ ประสิทธิภาพยังคงสม่ำเสมอโดยไม่คำนึงถึงจำนวน concurrent users เนื่องจากแต่ละ query ได้รับ resource เฉพาะจาก slot pool

Redshift ให้ประสิทธิภาพที่เหนือกว่าสำหรับ query ที่คาดการณ์ได้และทำซ้ำเมื่อได้รับการ tune อย่างถูกต้อง Distribution keys, sort keys และ materialized views ส่งผลกระทบอย่างมากต่อความเร็ว query Query planner สร้าง execution plan ที่ optimize แล้วตาม table statistics

-- Redshift: กำหนด distribution และ sort keys
CREATE TABLE sales_fact (
  sale_id BIGINT,
  customer_id BIGINT,
  product_id BIGINT,
  sale_date DATE,
  amount DECIMAL(10, 2)
)
DISTKEY(customer_id)
SORTKEY(sale_date);

-- Redshift: Materialized view สำหรับ dashboard query
CREATE MATERIALIZED VIEW daily_sales_summary AS
SELECT
  sale_date,
  COUNT(*) AS transaction_count,
  SUM(amount) AS total_revenue
FROM sales_fact
GROUP BY sale_date;

การเพิ่มประสิทธิภาพ BigQuery อาศัย partitioning และ clustering Partitioning ลดข้อมูลที่ถูก scan ตามช่วงวันที่หรือ integer Clustering จัดเรียงข้อมูลภายใน partition เพื่อ filter query ที่เร็วขึ้น

-- BigQuery: ตาราง partitioned และ clustered
CREATE TABLE `project.dataset.sales_fact`
PARTITION BY DATE(sale_date)
CLUSTER BY customer_id, product_id
AS SELECT * FROM `project.dataset.raw_sales`;

สำหรับกลยุทธ์ performance tuning ในหัวข้อที่เกี่ยวข้อง คู่มือ window functions และ CTE ครอบคลุมเทคนิคการเพิ่มประสิทธิภาพ query ขั้นสูง

Data Loading และการรวม ETL

BigQuery รองรับ streaming inserts สำหรับข้อมูล real-time ด้วยค่าใช้จ่าย $0.05 ต่อ GB, batch loading จาก Cloud Storage ฟรี และ native connectors สำหรับ Dataflow และ Pub/Sub BigQuery Data Transfer Service ทำการ import ตามกำหนดเวลาจากแอปพลิเคชัน SaaS โดยอัตโนมัติ

-- BigQuery: Loading data จาก Cloud Storage
LOAD DATA INTO `project.dataset.events`
FROM FILES (
  format = 'PARQUET',
  uris = ['gs://bucket/events/*.parquet']
);

Redshift รวมกับ S3 อย่างแน่นหนาผ่านคำสั่ง COPY ซึ่งทำการ parallelize data loading ข้าม cluster nodes AWS Glue ให้ managed ETL ในขณะที่ Redshift Spectrum query ข้อมูล S3 โดยตรงโดยไม่ต้อง loading

-- Redshift: คำสั่ง COPY พร้อมการตั้งค่าที่เหมาะสม
COPY events
FROM 's3://bucket/events/'
IAM_ROLE 'arn:aws:iam::123456789:role/RedshiftS3Access'
FORMAT AS PARQUET
COMPUPDATE ON
STATUPDATE ON;

ทั้งสองแพลตฟอร์มรองรับรูปแบบตาราง Apache Iceberg สำหรับ data lake ภายนอกแล้ว BigQuery BigLake และ Redshift Spectrum ช่วยให้ analytics รวมข้าม data warehouse และ data lake storage

คำถามสัมภาษณ์: เปรียบเทียบ BigQuery vs Redshift

การสัมภาษณ์ data analyst มักทดสอบความเข้าใจเกี่ยวกับ tradeoff ของ cloud data warehouse คำถามเหล่านี้ปรากฏในบทบาทที่ต้องการความเชี่ยวชาญ cloud platform

คำถาม 1: เมื่อใดควรแนะนำ BigQuery แทน Redshift?

แนะนำ BigQuery เมื่อองค์กรต้องการการทำงานแบบ serverless โดยไม่ต้องจัดการ infrastructure, ราคา pay-per-query เหมาะกับ workload ที่คาดการณ์ไม่ได้หรือมีลักษณะ spiky, data platform ทำงานบน GCP อยู่แล้ว หรือทีมต้องการผลลัพธ์ query ทันทีบนข้อมูลระดับ petabyte โดยไม่มี delay จากการ provisioning cluster

คำถาม 2: การจัดสรร slot ทำงานอย่างไรใน BigQuery?

BigQuery จัดสรร slot (หน่วยความจุการประมวลผล) ให้กับ query แบบไดนามิก Query แบบ on-demand แชร์ pool 2,000 slot ต่อโปรเจกต์ แต่ละ slot แทน virtual CPU ประมาณหนึ่งตัวพร้อม streaming access ไปยัง Colossus (distributed storage) Query ที่ซับซ้อนที่ต้องการ parallelism มากขึ้นจะได้รับ slot มากขึ้นตามสัดส่วนจนกว่าจะหมดความจุที่มี

คำถาม 3: อธิบาย distribution styles ของ Redshift และเมื่อใดควรใช้แต่ละแบบ

Redshift เสนอ distribution styles สี่แบบ:

• KEY: กระจายแถวตาม hash ของคอลัมน์ที่ระบุ ใช้สำหรับตาราง fact ขนาดใหญ่ที่ถูก join บ่อยบนคอลัมน์นั้น
• EVEN: กระจายแถวแบบ round-robin ข้าม node ใช้สำหรับตารางที่ไม่มี pattern การ join ที่ชัดเจน
• ALL: คัดลอกทั้งตารางไปยังทุก node ใช้สำหรับตาราง dimension ขนาดเล็กที่ถูก join กับ fact ขนาดใหญ่
• AUTO: ให้ Redshift เลือกตามขนาดตารางและ query patterns

คำถาม 4: จะเพิ่มประสิทธิภาพต้นทุน query ใน BigQuery ได้อย่างไร?

เพิ่มประสิทธิภาพต้นทุน BigQuery โดยการ partition ตารางบนคอลัมน์วันที่ที่ถูก filter บ่อย, clustering บนคอลัมน์ filter ที่มี high-cardinality, หลีกเลี่ยง query SELECT *, ใช้ฟังก์ชัน approximate aggregation (APPROX_COUNT_DISTINCT) สำหรับการวิเคราะห์เชิงสำรวจ, materialize ผลลัพธ์ intermediate สำหรับการคำนวณที่ทำซ้ำ และตั้ง cost controls ด้วย custom quotas

คำถาม 5: มีเครื่องมือ monitoring อะไรบ้างสำหรับประสิทธิภาพ Redshift?

Redshift มี system tables และ views สำหรับ performance monitoring: STL_QUERY บันทึกรายละเอียดการทำงานของ query, STL_WLM_QUERY แสดงสถิติ workload management, SVL_QUERY_REPORT แสดง metrics ระดับ step และ CloudWatch metrics ติดตาม health ระดับ cluster ประสิทธิภาพ query อาจลดลงเมื่อ vacuum operations ค้างอยู่หรือเมื่อ table statistics ล้าสมัย

ความสามารถด้านความปลอดภัยและ Compliance

ทั้งสองแพลตฟอร์มรองรับ column-level encryption, VPC isolation และ audit logging BigQuery บังคับใช้ fine-grained access ผ่าน IAM และ column-level security policies Data masking และ row-level security ช่วยให้สถาปัตยกรรม multi-tenant เป็นไปได้

Redshift เสนอ control ที่คล้ายกันผ่านการรวม IAM, column-level access control และ dynamic data masking Cross-region snapshot replication รองรับข้อกำหนด disaster recovery

ทั้งสองแพลตฟอร์มรักษา certification compliance SOC 1/2/3, ISO 27001, HIPAA และ PCI DSS Feature parity มีอยู่สำหรับข้อกำหนดความปลอดภัยระดับ enterprise ส่วนใหญ่ ทำให้การเลือกขึ้นอยู่กับความสัมพันธ์กับ cloud provider ที่มีอยู่มากกว่าความสามารถด้านความปลอดภัย

ข้อพิจารณาการ Migration และแนวทาง Hybrid

การ migration ระหว่างแพลตฟอร์มต้องจัดการความแตกต่างของ SQL dialect, การ mapping data type และการเขียน ETL workflow ใหม่ BigQuery Migration Service ประเมิน Redshift workloads และทำ SQL translation โดยอัตโนมัติ AWS Database Migration Service จัดการทิศทางตรงกันข้าม

หลายองค์กรใช้กลยุทธ์ hybrid โดย query ข้ามทั้งสองแพลตฟอร์มผ่านความสามารถ federated query BigQuery Omni ทำงานบน infrastructure AWS ทำให้สามารถใช้ BigQuery SQL กับข้อมูล S3 ได้ Data sharing ของ Redshift รองรับ cross-account query federation ภายใน AWS

ทีม data analytics เลือกมากขึ้นตามการลงทุน cloud ที่มีอยู่มากกว่าความเหนือกว่าทางเทคนิค ทั้งสองแพลตฟอร์มยังคงเพิ่มฟีเจอร์ที่แก้ไขข้อจำกัดในอดีต ทำให้ช่องว่างด้านฟังก์ชันแคบลง

สรุป

• BigQuery เหมาะกับทีมที่ให้ความสำคัญกับความเรียบง่ายแบบ serverless และ workload ที่แปรผันด้วย billing pay-per-query
• Redshift เหมาะกับองค์กรที่มี query volume สูงที่คาดการณ์ได้ ซึ่ง provisioned capacity ให้ข้อได้เปรียบด้านต้นทุน
• ความแตกต่างของ SQL syntax ต้องให้ความสนใจระหว่างการวางแผน migration และการฝึกอบรมทีม
• แนวทางการเพิ่มประสิทธิภาพแตกต่างกันโดยพื้นฐาน: BigQuery เน้น partitioning และ clustering, Redshift ต้องการ distribution keys และ sort keys
• คำถามสัมภาษณ์มุ่งเน้นที่ tradeoff ด้านสถาปัตยกรรม กลยุทธ์การเพิ่มประสิทธิภาพต้นทุน และเทคนิค tuning เฉพาะแพลตฟอร์ม
• ความสามารถด้านความปลอดภัยและ compliance เทียบเท่ากัน; การรวมกับระบบนิเวศ cloud มักเป็นตัวขับเคลื่อนการเลือกแพลตฟอร์ม