# Google BigQuery vs Amazon Redshift у 2026: Порівняння та питання на співбесіду для аналітиків даних

> Детальне порівняння BigQuery та Redshift, що охоплює архітектуру, моделі ціноутворення, продуктивність та питання на співбесіду для аналітиків даних у 2026 році.

- Published: 2026-07-31
- Updated: 2026-07-31
- Author: Anthony Fillion-Maillet
- Tags: bigquery, redshift, сховище даних, аналітика даних, хмара
- Reading time: 12 min

---

Google BigQuery та Amazon Redshift домінують на ринку хмарних сховищ даних у 2026 році, пропонуючи різні переваги для робочих навантажень [аналітики даних](/technologies/data-analytics). Це порівняння охоплює архітектурні відмінності, моделі ціноутворення, характеристики продуктивності та питання, з якими кандидати на посади аналітиків даних найчастіше стикаються.

> **Швидкий посібник з прийняття рішень**
>
> Обирайте BigQuery для безсерверної простоти, оплати за запит та тісної інтеграції з GCP. Обирайте Redshift для передбачуваних витрат при масштабуванні, складних ETL-процесів та глибокої інтеграції з екосистемою AWS.

## Архітектурні відмінності між BigQuery та Redshift

BigQuery використовує безсерверну, багатокористувацьку архітектуру, де сховище та обчислення повністю розділені. Запити виконуються на динамічно виділених ресурсах без будь-якого управління кластером. Google автоматично обробляє все масштабування інфраструктури, оновлення та оптимізацію.

Redshift працює на моделі провізійованого кластера з виділеними вузлами. Сховище та обчислення тісно пов'язані всередині вузлів, хоча [Redshift Serverless](https://docs.aws.amazon.com/redshift/latest/mgmt/serverless-whatis.html) тепер пропонує альтернативу на основі споживання. Тип вузла RA3 запровадив розділення керованого сховища, дозволяючи незалежне масштабування обчислень та сховища.

| Аспект | BigQuery | Redshift |
|--------|----------|----------|
| Розгортання | Повністю безсерверне | Провізійовані кластери або Serverless |
| Сховище-Обчислення | Повністю розділені | Пов'язані (RA3 розділяє кероване сховище) |
| Масштабування | Автоматичне | Ручна зміна розміру або Concurrency Scaling |
| Обслуговування | Нульове | Потрібні вікна обслуговування |
| Холодний старт | Відсутній | Час відновлення кластера при призупиненні |

Ця архітектурна різниця суттєво впливає на операційне навантаження. BigQuery не потребує планування потужності, тоді як Redshift вимагає постійних рішень щодо розміру кластера та планування обслуговування.

## Моделі ціноутворення: оплата за запит vs провізійована потужність

BigQuery стягує плату у розмірі 6,25 USD за ТБ сканованих даних у режимі на вимогу станом на 2026 рік. Резервована потужність (фіксована ставка) пропонує передбачувані щомісячні витрати для стабільних робочих навантажень. Вартість зберігання складає 0,02 USD/ГБ/місяць для активних даних та 0,01 USD/ГБ/місяць для довгострокового зберігання після 90 днів.

```sql
-- BigQuery: Перевірка вартості запиту перед виконанням
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';
```

Ціноутворення Redshift залежить від типу та кількості вузлів. Вузли DC2 (щільні обчислення) починаються від 0,25 USD/годину, тоді як вузли RA3 з керованим сховищем починаються від 1,086 USD/годину. Redshift Serverless стягує плату на основі спожитих одиниць обробки Redshift (RPU).

Стратегії оптимізації витрат суттєво відрізняються. BigQuery винагороджує оптимізацію запитів через партиціонування та кластеризацію, оскільки сканування меншої кількості даних безпосередньо зменшує витрати. Оптимізація Redshift фокусується на правильному підборі розміру кластерів та використанні зарезервованих інстансів для передбачуваних навантажень.

## Синтаксис SQL та відмінності у функціях

Обидві платформи підтримують ANSI SQL, але існують синтаксичні відмінності для розширених функцій. Розуміння цих відмінностей має значення для [питань на співбесіді з SQL](/technologies/data-analytics/interview-questions/sql-subqueries-ctes) та проектів міграції.

```sql
-- BigQuery: Функції дат використовують EXTRACT та 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: Подібно, але використовує DATE_TRUNC з рядковим аргументом
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;
```

Обробка масивів та структур демонструє значні розбіжності. BigQuery нативно підтримує вкладені та повторювані поля з операціями UNNEST. Redshift обробляє напівструктуровані дані через тип SUPER та синтаксис PartiQL, запроваджені в останніх версіях.

```sql
-- BigQuery: Робота з вкладеними масивами
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: Тип SUPER з 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;
```

## Характеристики продуктивності та оптимізація запитів

BigQuery відзначається у ad-hoc аналітичних запитах на величезних наборах даних без налаштування. Модель виконання на основі слотів автоматично розподіляє роботу. Продуктивність залишається стабільною незалежно від кількості одночасних користувачів, оскільки кожен запит отримує виділені ресурси з пулу слотів.

Redshift забезпечує кращу продуктивність для передбачуваних, повторюваних запитів при належному налаштуванні. Ключі розподілу, ключі сортування та матеріалізовані представлення значно впливають на швидкість запитів. Планувальник запитів генерує оптимізовані плани виконання на основі статистики таблиць.

```sql
-- Redshift: Визначення ключів розподілу та сортування
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: Матеріалізоване представлення для запитів дашборду
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;
```

Оптимізація BigQuery базується на партиціонуванні та кластеризації. Партиціонування зменшує обсяг сканованих даних за датою або діапазоном цілих чисел. Кластеризація сортує дані всередині партицій для швидших фільтрованих запитів.

```sql
-- BigQuery: Партиціонована та кластеризована таблиця
CREATE TABLE `project.dataset.sales_fact`
PARTITION BY DATE(sale_date)
CLUSTER BY customer_id, product_id
AS SELECT * FROM `project.dataset.raw_sales`;
```

Стратегії налаштування продуктивності для суміжних тем описані у [посібнику з віконних функцій та CTE](/blog/data-analytics/sql-window-functions-ctes-advanced-queries), який охоплює передові техніки оптимізації запитів.

## Завантаження даних та інтеграція ETL

BigQuery підтримує потокове вставлення для даних у реальному часі за 0,05 USD за ГБ, безкоштовне пакетне завантаження з Cloud Storage та нативні конектори для Dataflow та Pub/Sub. BigQuery Data Transfer Service автоматизує заплановані імпорти з SaaS-додатків.

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

Redshift тісно інтегрується з S3 через команду COPY, яка паралелізує завантаження даних між вузлами кластера. AWS Glue забезпечує керований ETL, тоді як Redshift Spectrum запитує дані S3 безпосередньо без завантаження.

```sql
-- Redshift: Команда COPY з оптимальними налаштуваннями
COPY events
FROM 's3://bucket/events/'
IAM_ROLE 'arn:aws:iam::123456789:role/RedshiftS3Access'
FORMAT AS PARQUET
COMPUPDATE ON
STATUPDATE ON;
```

Обидві платформи тепер підтримують формат таблиць [Apache Iceberg](https://iceberg.apache.org/) для зовнішніх озер даних. BigQuery BigLake та Redshift Spectrum уможливлюють уніфіковану аналітику як сховища даних, так і озера даних.

## Питання на співбесіду: порівняння BigQuery vs Redshift

Співбесіди для аналітиків даних часто перевіряють розуміння компромісів хмарних сховищ даних. Наведені нижче питання зустрічаються на позиціях, що вимагають експертизи в хмарних платформах.

**Питання 1: Коли рекомендувати BigQuery замість Redshift?**

BigQuery варто рекомендувати, коли організації потрібна безсерверна робота без управління інфраструктурою, модель оплати за запит підходить для непередбачуваних або змінних навантажень, платформа даних вже працює на GCP або командам потрібні миттєві результати запитів на даних петабайтного масштабу без затримок на провізійонування кластера.

**Питання 2: Як працює розподіл слотів у BigQuery?**

BigQuery динамічно розподіляє слоти (одиниці обчислювальної потужності) для запитів. Запити на вимогу ділять пул з 2000 слотів на проект. Кожен слот представляє приблизно один віртуальний CPU з потоковим доступом до Colossus (розподіленого сховища). Складні запити, що вимагають більшої паралельності, отримують пропорційно більше слотів до вичерпання доступної потужності.

**Питання 3: Поясніть стилі розподілу Redshift та коли використовувати кожен з них.**

Redshift пропонує чотири стилі розподілу:
- **KEY**: Розподіляє рядки за хешем вказаного стовпця. Використовується для великих фактових таблиць, які часто з'єднуються по цьому стовпцю.
- **EVEN**: Розподіляє рядки методом round-robin між вузлами. Використовується для таблиць без чітких патернів з'єднання.
- **ALL**: Копіює всю таблицю на кожен вузол. Використовується для малих таблиць вимірів, що з'єднуються з великими фактами.
- **AUTO**: Дозволяє Redshift обирати на основі розміру таблиці та патернів запитів.

**Питання 4: Як оптимізувати витрати на запити в BigQuery?**

Оптимізація витрат BigQuery включає партиціонування таблиць за часто фільтрованими стовпцями дат, кластеризацію за стовпцями фільтрів з високою кардинальністю, уникнення запитів SELECT *, використання наближених функцій агрегації (APPROX_COUNT_DISTINCT) для дослідницького аналізу, матеріалізацію проміжних результатів для повторюваних обчислень та налаштування контролю витрат з користувацькими квотами.

**Питання 5: Які інструменти моніторингу існують для продуктивності Redshift?**

Redshift надає системні таблиці та представлення для моніторингу продуктивності: STL_QUERY записує деталі виконання запитів, STL_WLM_QUERY показує статистику управління робочим навантаженням, SVL_QUERY_REPORT відображає метрики на рівні кроків, а метрики CloudWatch відстежують стан кластера. Продуктивність запитів може погіршуватися, коли операції vacuum відкладені або коли статистика таблиць застаріла.

## Безпека та можливості відповідності

Обидві платформи підтримують шифрування на рівні стовпців, ізоляцію VPC та ведення журналу аудиту. BigQuery застосовує детальний контроль доступу через [IAM та політики безпеки на рівні стовпців](https://cloud.google.com/bigquery/docs/column-level-security). Маскування даних та безпека на рівні рядків уможливлюють багатокористувацькі архітектури.

Redshift пропонує подібні контролі через інтеграцію IAM, контроль доступу на рівні стовпців та динамічне маскування даних. Реплікація знімків між регіонами підтримує вимоги аварійного відновлення.

Обидві платформи підтримують сертифікати відповідності SOC 1/2/3, ISO 27001, HIPAA та PCI DSS. Функціональний паритет існує для більшості корпоративних вимог безпеки, що робить вибір залежним від існуючих відносин з хмарним постачальником, а не від можливостей безпеки.

## Міграційні аспекти та гібридні підходи

Міграція між платформами вимагає врахування відмінностей діалектів SQL, відповідності типів даних та переписування робочих процесів ETL. BigQuery Migration Service оцінює робочі навантаження Redshift та автоматизує переклад SQL. AWS Database Migration Service обробляє зворотний напрямок.

Багато організацій впроваджують гібридні стратегії, запитуючи обидві платформи через можливості федеративних запитів. BigQuery Omni працює на інфраструктурі AWS, уможливлюючи SQL BigQuery проти даних S3. Обмін даними Redshift підтримує федерацію запитів між обліковими записами в межах AWS.

Команди аналітики даних все частіше роблять вибір на основі існуючих хмарних інвестицій, а не технічної переваги. Обидві платформи продовжують додавати функції, що вирішують історичні обмеження, звужуючи функціональний розрив.

## Висновок

- BigQuery підходить командам, що надають перевагу безсерверній простоті та змінним навантаженням з оплатою за запит
- Redshift підходить організаціям з передбачуваними запитами великого обсягу, де провізійована потужність забезпечує цінову перевагу
- Відмінності синтаксису SQL вимагають уваги під час планування міграції та навчання команд
- Підходи до оптимізації продуктивності фундаментально відрізняються: BigQuery наголошує на партиціонуванні та кластеризації, Redshift вимагає ключів розподілу та сортування
- Питання на співбесіді фокусуються на архітектурних компромісах, стратегіях оптимізації витрат та техніках налаштування, специфічних для платформи
- Можливості безпеки та відповідності порівнянні; інтеграція з хмарною екосистемою часто визначає вибір платформи

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/uk/blog/data-analytics/bigquery-vs-redshift-comparison-interview-2026