Einführung in Analyse- und Business-Intelligence-Tools

Sie können Analyse- und Business-Intelligence-Tools (BI) in BigQuery einbinden, um umsetzbare Informationen aus Ihrem Data Warehouse zu gewinnen. BigQuery wird durch mehrere Tools ergänzt, mit denen Sie interaktive Dashboards erstellen, benutzerdefinierte Datenanwendungen erstellen oder programmatische Analysen durchführen können, ohne Ihre Datasets zu verschieben.

Verbundene Tabellenblätter

Mit dem Feature Verbundene Tabellenblätter können Sie über Google Sheets auf Milliarden von Zeilen mit BigQuery-Daten zugreifen und diese analysieren, visualisieren und freigeben. Die Benutzeroberfläche von „Verbundene Tabellenblätter“ ermöglicht eine einfache Zusammenarbeit mit nicht technischen Projektbeteiligten, erfordert keine zusätzlichen Datenexporte, optimiert die Berichterstellung und bietet leistungsstarke Funktionen zur Zugriffssteuerung.

Weitere Informationen zur Verwendung von verbundenen Tabellenblättern mit BigQuery finden Sie unter Verbundene Tabellenblätter verwenden.

Looker

Looker ist die Unternehmensplattform von Google für Datenvisualisierung und Business Intelligence. Das Tool ist nützlich für erweiterte Datenanalysen, Vorhersageanalysen und benutzerdefinierte Datenanwendungen. Es kann auch eine Verbindung zu Transaktionsdatenbanken in anderen öffentlichen Clouds herstellen.

Weitere Informationen zur Verwendung von Looker mit BigQuery finden Sie unter Daten mit BigQuery BI Engine und Looker analysieren.

Data Studio

Data Studio ist ein Google-Tool für die Datenvisualisierung und Business Intelligence. Es kann direkt über die Google Cloud -Console eine Verbindung zu BigQuery herstellen, um Grafiken, Berichte und Dashboards zu erstellen.

Weitere Informationen zur Verwendung von Data Studio mit BigQuery finden Sie unter Daten mit Data Studio analysieren.

Programmatische Analysetools

Mit programmischen Analysetools kann Code ausgeführt werden, um in BigQuery verwaltete Daten zu analysieren. SQL ist zwar eine leistungsstarke Abfragesprache, doch bieten Python, Java oder R oft eine einfachere, ausdrucksstärkere Methode zur Datenanalyse. Diese Tools umfassen webbasierte Open-Source-Anwendungen wie Jupyter Notebooks und Apache Zeppelin. Vertex AI Workbench ist ein Google-Tool, das JupyterLab-Notebookumgebungen für die programmgesteuerte Analyse bietet.

Drittanbieter-Tools

Sie können für die Verbindung mit BigQuery auch eine Reihe von gängigen Drittanbietertools wie Tableau und Microsoft Power BI verwenden.

Das BigQuery Ready-Programm bietet eine vollständige Liste der validierten Partnerlösungen.

Wenn Sie Hilfe bei einer Lösung benötigen, können Sie sich an einen Google Cloud Ready – BigQuery-Partner wenden. Software von Drittanbietern wird von Cloud Customer Care nicht unterstützt, wenn erkannt wurde, dass BigQuery wie vorgesehen funktioniert.

Netzwerkverbindung

Alle BI- und Datenanalyselösungen, die auf Hosts und Diensten mit externen IP-Adressen bereitgestellt werden, können über die öffentliche BigQuery REST API und die RPC-basierte BigQuery Storage API über das Internet auf BigQuery zugreifen.

BI- und Datenanalyselösungen von Drittanbietern, die auf VM-Instanzen von Compute Engine bereitgestellt werden, die nur interne IP-Adressen haben, können mit privatem Google-Zugriff auf Google APIs und Google-Dienste wie BigQuery zugreifen. Informationen zum Aktivieren eines Subnetzes für den privater Google-Zugriff und zum Anzeigen der Voraussetzungen finden Sie unter Privaten Google-Zugriff konfigurieren.

BI- und Datenanalyselösungen von Drittanbietern, die auf lokalen Hosts bereitgestellt werden, können mit privatem Google-Zugriff für lokale Hosts auf Google-APIs und -Dienste wie BigQuery zugreifen. Dieser Dienst stellt eine private Verbindung über ein Cloud VPN oder Cloud Interconnect von Ihrem Rechenzentrum zu Google Cloudher. Die lokalen Hosts benötigen keine externen IP-Adressen, sie verwenden stattdessen interne IP-Adressen (RFC 1918). Wenn Sie den privater Google-Zugriff für lokale Hosts aktivieren möchten, müssen Sie DNS, Firewallregeln und Routen in Ihren lokalen und VPC-Netzwerken konfigurieren. Weitere Informationen dazu finden Sie unter Privaten privater Google-Zugriff für lokale Hosts konfigurieren.

Wenn Sie Ihre eigene Instanz einer BI-Lösung eines Drittanbieters verwalten, können Sie diese auf der Compute Engine bereitstellen, um die Latenz zwischen Ihrer Instanz und BigQuery zu minimieren.

Wenn Ihre BI-Lösung dies unterstützt, können Sie nach Möglichkeit Filter in Berichts- oder Dashboard-Abfragen festlegen. In diesem Schritt werden die Filter als Klauseln des Typs WHERE an BigQuery gesendet. Durch das Festlegen dieser Filter wird zwar die von BigQuery gescannte Datenmenge nicht verringert, aber die Datenmenge, die über das Netzwerk zurückkommt.

Weitere Informationen zur Netzwerk- und Abfrageoptimierung finden Sie unter Arbeitslasten optimieren und Einführung in die Optimierung der Abfrageleistung.

ODBC- und JDBC-Treiber

Für Lösungen von Drittanbietern und benutzerdefinierte Anwendungen, die nicht in die BigQuery API eingebunden sind, stellt Magnitude Simba ODBC und JDBC bereit, mit denen Sie BigQuery mit Ihren vorhandenen Tools verwenden können.

Authentifizierung

Die BigQuery API verwendet zur Authentifizierung von Anfragen OAuth 2.0-Zugriffstoken. Ein OAuth 2.0-Zugriffstoken ist ein String, der temporären Zugriff auf eine API ermöglicht. Der OAuth 2.0-Server von Google weist Zugriffstokens für alle Google APIs zu. Ein Zugriffstoken ist mit einem Bereich verbunden, der den Zugriff des Tokens begrenzt. Die mit der BigQuery API verknüpften Bereiche finden Sie in der vollständigen Liste der Google API-Bereiche.

Lösungen, die eine native BigQuery-Integration bieten, können automatisch Zugriffstokens für BigQuery generieren, indem sie entweder OAuth 2.0-Protokolle oder vom Kunden bereitgestellte private Schlüssel für Dienstkonten verwenden. Ebenso können auf Simba ODBC/JDBC-Treibern basierende Lösungen Zugriffstokens für ein Google-Nutzerkonto oder für ein Google-Dienstkonto erhalten.

Nächste Schritte