Google Cloud、BigQueryに拡張分析TVFを導入

公開日：2026年9月15日(火)

Google

クラウドコンピューティング

エンタープライズ

AIエージェント

開発者ツール

SQLのみで統計・因果分析を完結させAIエージェントとも連携

米Google Cloudは2026年9月14日、クラウドデータウェアハウス BigQuery（Google Cloudが提供する完全マネージドなペタバイト級アナリティクスデータウェアハウス）において、AI・機械学習（ML）および統計手法を活用してデータ分析とインサイト抽出を自動化する6つの TVF（Table-Valued Function。テーブル形式のレコードセットを戻り値として返すSQL関数）（テーブル値関数）の提供を開始したと発表しました。

今回の拡張分析（Augmented Analytics）スイートにより、アナリストやエンジニアは外部の分析ツールやPython環境へデータをエクスポートすることなく、指標が急変した要因の特定や施策の因果効果の検証をSQLクエリ内で直接完結できます。さらに、構造化されたSQLテーブルとして結果が出力されるため、AIエージェントが自律的にデータを深掘り調査する「Agent-ready」なスキル基盤としても機能します。

BigQuery Augmented Analytics — 引用元：Google Cloud

確認済みの事実：要因特定から因果測定まで担う6つの新関数

Google Cloud公式ブログによると、今回BigQueryに導入された6つのテーブル値関数（TVF）は、ビジネスデータの解釈で頻出する具体的な疑問に答えるよう設計されています。

TVF関数名	主な分析機能	解決できる問いの例
AI.KEY_DRIVERS	2期間やグループ間での指標増加・減少の主要因を特定	「前四半期と比較して今四半期の売上が急伸した理由は何か？」
AI.CAUSAL_EFFECT	予測ベースラインと実績を比較し施策の因果効果を測定	「売上向上のうち、自然増ではなく価格改定がもたらした純粋な効果はどれだけか？」
ML.CORRELATION	2つの数値指標間の関係性の強さと方向（正・負）を評価	「ユーザーのセッション滞在時間の増加はLTV（顧客生涯価値）と相関しているか？」
ML.DETECT_CHANGE_POINTS	指標が過去パターンから構造的に乖離した変化点を自動検出	「システムの遅延が恒常的・構造的に悪化したタイミングはいつか？」
ML.TREND	短期的な外れ値やノイズを排除し、基底にある成長・減少傾向を分離	「一時的なスパイクを除いた年間売上の本質的なトレンドはどう推移しているか？」
ML.SEASONALITY	時間・日・週・月・四半期ごとの反復する周期パターンを発見	「サーバー負荷が最も高くなる曜日は周期的にどこに集中しているか？」

これらの関数はSQL内で自由にパイプライン連結（チェーン実行）が可能です。たとえば、ML.DETECT_CHANGE_POINTS で異常や急変が起きた時間枠を特定し、その期間をパラメータとして AI.KEY_DRIVERS に渡して主要因を割り出し、最終的に AI.CAUSAL_EFFECT で施策の純粋な寄与度を算定するといった一連の高度な診断ワークフローを、単一の一連のSQLクエリとして実行できます。

独自価値要素：外部BIツール不要化と「Agent-ready」な設計

これまで、売上急変の要因分解や因果推論といった高度な分析を行う場合、アナリストはBigQueryからデータを抽出し、Pythonの統計ライブラリや専用BIツールにロードして前処理・モデル構築を行う必要がありました。

今回導入されたTVFは「データが保存されている場所で直接実行される（In-database）」ため、大容量データのエクスポートに伴うネットワークコストやセキュリティリスクを排除します。また、ML.DETECT_CHANGE_POINTS は単一の集計値だけでなく、数百万行規模の個別時系列データに対してもスケーラブルに並列実行できる計算性能を備えています。

さらに、これらの関数は簡潔な呼び出しと構造化されたSQLレコード出力を返すため、LLMを中核とするAIエージェントに「データ分析ツール」としてそのまま登録できます。人間が「今月の解約率急増の原因を調べて」と対話インターフェースで指示するだけで、AIエージェントが自律的にTVF群を組み合わせてSQLを実行し、要因を特定して回答を作成するワークフローが容易に構築可能です。