---
title: Google Cloud Next Tokyo ’25_これがフルパワーだ！BigQuery のメタデータで Gemini が完全体に
tags: 
author: [岩尾一優](https://www.docswell.com/user/kazumasa-iwao)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/GJWZPM9PJ2.jpg?width=480
description: Google Cloud Next Tokyo ’25_これがフルパワーだ！BigQuery のメタデータで Gemini が完全体に by 岩尾一優
published: August 06, 25
canonical: https://www.docswell.com/s/kazumasa-iwao/ZJQNQ1-2025-08-06-222053
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/GJWZPM9PJ2.jpg)

これがフルパワーだ！
BigQuery のメタデータ
で Gemini が完全体に
Proprietary


# Page. 2

![Page Image](https://bcdn.docswell.com/page/4EZ1KQ9673.jpg)

Proprietary
イワオ
カズマサ
岩尾 一優
株式会社 MBK デジタル
執行役員 CTO
Google Developer Experts
Google Cloud Next Tokyo
02


# Page. 3

![Page Image](https://bcdn.docswell.com/page/Y76LQ6KLJV.jpg)

Proprietary
株式会社 MBK デジタル（ 2025 / 4 / 1 設立）
企業のデータ活用 / AI 活用を支援
●
●
コンサルティング & 受託サービス
○ データ分析 / データ基盤構築
○ 生成 AI アプリケーション開発
自社開発プロダクト
○ Collectro（データ収集）
○ BI Suite（AI-Powered BI ツール）
○ AI Craft（生成 AI アプリ作り放題）
○ Bizschola（データ人材育成講座）
Google Cloud Next Tokyo
03


# Page. 4

![Page Image](https://bcdn.docswell.com/page/G751R6PME4.jpg)

Proprietary
発表サマリー
AI との対話によるデータ活用が本格化する現代 において、
回答の精度を高める鍵の 1 つは「BigQuery のメタデータ」です。
本セッションでは、 ビジネスメンバーでも簡単に実現できる
実践的なメタデータ整備プロセスをご紹介します。
Google Cloud Next Tokyo
04


# Page. 5

![Page Image](https://bcdn.docswell.com/page/9J21DM6R7R.jpg)

Proprietary
BigQuery のメタデータ自動生成
（2025 / 06 / 18 より Preview）
対応言語が「英語のみ」「生成のためのプロンプトのチューニングができない」
などの制限があるため、今回は現時点でより柔軟で精度の高い別の方法を解説します。
Google Cloud Next Tokyo
05


# Page. 6

![Page Image](https://bcdn.docswell.com/page/DEYZ2X957M.jpg)

Proprietary
01. なぜ「今」、
メタデータの話をするのか？
Google Cloud Next Tokyo
06


# Page. 7

![Page Image](https://bcdn.docswell.com/page/VJN381L4J8.jpg)

Proprietary
「AI との対話による分析」の本格化
4 月にラスベガスで現地参加した
Google Cloud Next 25 でも
●
●
●
Looker
BigQuery data canvas
Google Agentspace
などを用いて AI と対話をしながら
データ分析を行うセッションが
大きな注目を集めていた。
Google Cloud Next Tokyo
07


# Page. 8

![Page Image](https://bcdn.docswell.com/page/YE99K544E3.jpg)

Proprietary
「AI との対話による分析」の本格化
また、最近新たに
Looker の MCP サーバーが登場。
●
●
Gemini CLI
Claude
などをクライアントとして AI が Looker
に直接アクセスし、
対話形式でデータ分析を行うデモが公
開された。
https://www.linkedin.com/posts/szinsmeister_googledatacloud-activity-7354218061039603712-ja4Y
Google Cloud Next Tokyo
08


# Page. 9

![Page Image](https://bcdn.docswell.com/page/GE89RYQV7D.jpg)

Proprietary
「AI との対話」を成功させる 2 つの鍵
モデルの性能に加え以下が重要。
1. 効果的なプロンプトの作成技術
2. AI が理解できる、整備されたメタデータ
本発表では、AI との対話による分析の土台となる
BigQuery のメタデータ整備に焦点を当て、
その重要性と実践的なアプローチをご紹介します。
Google Cloud Next Tokyo
09


# Page. 10

![Page Image](https://bcdn.docswell.com/page/LELWK4XRJR.jpg)

Proprietary
メタデータの定義と価値
メタデータの定義
データを説明するためのデータ
例: BigQuery のテーブルやカラムの description
●
●
価値
●
●
人間にとって : データの検索性の向上
AI にとって : SQL 生成や分析の自動化
メタデータは、人間と AI の両方にとって、
データを効果的に活用するための共通言語となる。
Google Cloud Next Tokyo
010


# Page. 11

![Page Image](https://bcdn.docswell.com/page/4JM92KLPEW.jpg)

Proprietary
メタデータ整備の課題
メタデータの重要性は広く認識されているが、実際に
は多くの企業で整備されていない。
なぜか？
●
●
ビジネスメンバーはデータの意味を知っている
が、整備する手段に明るくない。
エンジニアは整備する技術を持つが、
主業務が優先され、後回しになりがち。
結果、メタデータ整備は「誰の仕事でもない」状態に
陥り、後回しにされてしまう。
Google Cloud Next Tokyo
011


# Page. 12

![Page Image](https://bcdn.docswell.com/page/PJRGMXKYE9.jpg)

Proprietary
提案
ビジネスメンバー自身が主役 となり簡単かつ効率的に整備できる「新
しいメタデータ整備プロセス」を導入すること。
Google Cloud Next Tokyo
012


# Page. 13

![Page Image](https://bcdn.docswell.com/page/PEXXV6L4EX.jpg)

Proprietary
02. AI で加速する
メタデータ整備プロセス
Google Cloud Next Tokyo
013


# Page. 14

![Page Image](https://bcdn.docswell.com/page/3EKWQ1LPED.jpg)

Proprietary
シンプルな 3 ステップで
BigQuery のメタデータを整備
① 対象の優先度付け
② Gemini で
メタデータを生成
③ BigQuery へ
メタデータを反映
数百のテーブルが存在しても、頻
繁に使われる重要なテーブルはご
く一部。
Gemini がテーブル/カラムの
description の下書きを生成。
レビューが完了した description を
インプットとして、Gemini が ALTER
TABLE 文を生成。
人間はレビューと修正に集中。
人間は生成された SQL を確認・実
行するだけで、メタデータを
BigQuery へ反映できる。
Google Cloud Next Tokyo
014


# Page. 15

![Page Image](https://bcdn.docswell.com/page/L731PQ34J5.jpg)

Proprietary
① 対象の優先度付け
BigQueryの利用履歴
（INFORMATION_SCHEMA.JOBS）
を分析しテーブルごとの参照回数をラン
キング化（右の SQL）。
プロジェクト、データセット、テーブルごとに
参照回数をランキング化
Google Cloud Next Tokyo
-- よく使われるテーブルをランキング化
SELECT
t.project_id,
t.dataset_id,
t.table_id,
COUNT(*) AS reference_count
FROM
-- ▼ your-region は実際のリージョンに変更
`your-region`.INFORMATION_SCHEMA.JOBS_BY_PROJECT,
UNNEST(referenced_tables) AS t
WHERE
DATE(creation_time, 'Asia/Tokyo') >= CURRENT_DATE('Asia/Tokyo') - 30
AND job_type = 'QUERY'
AND state = 'DONE'
AND error_result IS NULL
GROUP BY
1, 2, 3
ORDER BY
reference_count DESC;
015


# Page. 16

![Page Image](https://bcdn.docswell.com/page/87DXL945EG.jpg)

Proprietary
② Gemini で
メタデータを生成
SELECT
t.project_id, t.dataset_id, t.table_id,
COUNT(*) AS reference_count
FROM
`region-us`.INFORMATION_SCHEMA.JOBS_BY_PROJECT,
UNNEST(referenced_tables) AS t
WHERE
DATE(creation_time, 'Asia/Tokyo') >= CURRENT_DATE('Asia/Tokyo') - 30
AND job_type = 'QUERY'
AND state = 'DONE'
①BigQuery テーブルの「スキー
AND error_result IS NULL
GROUP BY
マ」タブでフィールド名をチェックし
t.project_id, t.dataset_id, t.table_id
「JSON 形式でコピー」を選択す
ORDER BY
る。
reference_count DESC;
②取得したスキーマを右のプロン
プトにコピーして実行する。
Google Cloud Next Tokyo
# 命令
あなたは EC サイトを運営する企業のデータアナリストです。
以下のテーブルスキーマ情報に基づき、BigQuery のメタデータとして利用するテーブ
ルと各カラムの description を、簡潔で分かりやすい日本語で生成してください。
# 制約
- 出力は必ず JSON 形式とします。
- テーブルの description は tableDescription キーに、カラムの description は
columns 配列内の各要素に含めてください。
# 入力スキーマ
<BigQuery テーブルのスキーマ>
# 出力形式
{
"tableDescription": "（ここにテーブル全体の概要説明を生成）",
"columns": [
{
"name": "（カラム名 1）",
"description": "（ここにカラム 1 の説明を生成）"
},
{
"name": "（カラム名 2）",
"description": "（ここにカラム 2 の説明を生成）"
}
]
💡プロンプトにドメイン知識を
}
入れると更に精度が向上
016


# Page. 17

![Page Image](https://bcdn.docswell.com/page/VJPP2ZMDJ8.jpg)

Proprietary
② Gemini で
メタデータを生成
1. 前ページのプロンプトから、
右の JSON（description 案）
が出力される。
2. これをビジネスメンバーが
ブラッシュアップ。
ゼロから人間が整備するより
90% 程度の工数削減になる。
Google Cloud Next Tokyo
{
"tableDescription": "各商品の日ごとの売上金額、ユニーク購入者数、平均
販
売価格を集計したテーブルです。",
"columns": [
{
"name": "sales_date",
"description": "売上が計上された日付"
},
{
"name": "product_id",
"description": "商品を一意に識別するためのID"
},
{
"name": "total_sales_amt",
"description": "該当日の合計売上金額（円）"
},
{
"name": "unique_purchasers",
"description": "該当日に商品を購入したユニークユーザー数"
},
{
"name": "avg_price",
"description": "該当日の商品の平均販売価格（円）"
}
]
}
017


# Page. 18

![Page Image](https://bcdn.docswell.com/page/2EV2DW9GEQ.jpg)

Proprietary
③ BigQuery へ
メタデータを反映
ALTER TABLE 文を生成し利用。
※既存のテーブルのスキーマを変更
するための SQL コマンド
ブラッシュアップ済みの JSON
（description）を右のプロンプトにコ
ピーして実行する。
Google Cloud Next Tokyo
あなたは BigQuery を専門とする、熟練のデータエンジニアです。
以下の `テーブル名` と `JSON形式のメタデータ` を基に、BigQuery で実行す
る DDL（ALTER TABLE 文）を生成してください。
# 制約
- テーブル本体の説明には`ALTER TABLE ... SET
OPTIONS(description="...")` を使用。
- 各カラムの説明は `ALTER TABLE ... ALTER COLUMN ...` 形式で 1 文にまと
める。
- SQL コードのみを生成し、前置きや説明は一切含めないこと。
# テーブル名
`your-project.dm_sales.daily_sales_summary`
# JSON 形式のメタデータ
{
"tableDescription": "（レビュー済みのテーブル説明文...）",
"columns": [
{ "name": "sales_date", "description": "（カラム1の説明...）" },
{ "name": "product_id", "description": "（カラム2の説明...）" },
... (以下略)
]
}
018


# Page. 19

![Page Image](https://bcdn.docswell.com/page/57GRYD4DEL.jpg)

Proprietary
③ BigQuery へメタデータを反映
1. 前ページのプロンプトから、
ALTER TABLE 文が出力される。
2. これを BigQuery のコンソールで
実行する。
Google Cloud Next Tokyo
ALTER TABLE `your-project.dm_sales.daily_sales_summary`
SET OPTIONS(description="商品ごとの日次売上実績を格納するサマリー
テーブル。");
ALTER TABLE `your-project.dm_sales.daily_sales_summary`
ALTER COLUMN sales_date SET OPTIONS(description="売上日。この行
のデータが集計された日付。"),
ALTER COLUMN product_id SET OPTIONS(description="商品のユニーク
な識別子。商品マスターと結合するためのキー。"),
ALTER COLUMN total_sales_amt SET OPTIONS(description="その日にそ
の商品が売り上げた合計金額（税抜）。"),
ALTER COLUMN unique_purchasers SET OPTIONS(description="その日
にその商品を購入したユニークユーザーの数。"),
ALTER COLUMN avg_price SET OPTIONS(description="その日のその商
品の平均販売価格。");
019


# Page. 20

![Page Image](https://bcdn.docswell.com/page/4EQVM1GXJP.jpg)

Proprietary
補足（Gem）
各プロンプトを Gem（専用の AI アシス
タント）として保存することを推奨。
●
●
入力の手間を省きつつ、品質の
高いメタデータ / DDL を生成。
生成の過程で得た学びを Gem
のカスタム指示に追加しプロンプ
トを育てていく。
Google Cloud Next Tokyo
020


# Page. 21

![Page Image](https://bcdn.docswell.com/page/KJ4MVR52E1.jpg)

Proprietary
03. 得られる効果
Google Cloud Next Tokyo
021


# Page. 22

![Page Image](https://bcdn.docswell.com/page/LE183QWK7G.jpg)

Proprietary
従来の課題
データ探索と SQL 実装は
専門家にとっても大きなボトルネック。
AI との対話によるデータ活用において、
この一連のプロセスがどう変わるのか見てみましょう。
Google Cloud Next Tokyo
022


# Page. 23

![Page Image](https://bcdn.docswell.com/page/GEWZPM6PE2.jpg)

Proprietary
【例】Gemini のアシスタント機能
BigQuery のコンソール上で
「Gemini を使用して SQL を作成」機能
を利用し、
自然言語で曖昧な指示を実施。
人気 = 売上金額が大きい
と AI が判断
AI が多くのテーブルから
該当テーブルを特定
Google Cloud Next Tokyo
023


# Page. 24

![Page Image](https://bcdn.docswell.com/page/47Z1KQY6J3.jpg)

Proprietary
その他、メタデータ整備の期待効果
曖昧なカラム名を AI が理解
●
「tmp_flg」のような曖昧なカラム名も、
メタデータがあれば AI が「仮会員フラグ」のよう
にビジネス上の意味を理解。
AI と対話するだけでデータ分析が完了
●
Looker の Conversational Analytics や MCP
サーバーがメタデータを参照。
「先月の売れ筋商品は？」と話しかけるだけで
結果を提示。
Google Cloud Next Tokyo
024


# Page. 25

![Page Image](https://bcdn.docswell.com/page/YJ6LQ6DLEV.jpg)

Proprietary
得られる効果のまとめ
●
●
メタデータを整備することで AI が
「データ探索」や「SQL 実装」する際の
精度が大幅に向上。
メタデータ整備は、もはや単なる「お作法」では
なく、AI の能力を最大限に引き出すための戦略
的な投資と言える。
Google Cloud Next Tokyo
025


# Page. 26

![Page Image](https://bcdn.docswell.com/page/GJ51R63M74.jpg)

Proprietary
04. まとめ
Google Cloud Next Tokyo
026


# Page. 27

![Page Image](https://bcdn.docswell.com/page/LE31PQ6975.jpg)

Proprietary
まとめ
AI との対話によるデータ活用が本格化する現代にお
いて、回答の精度を高める鍵の 1 つである
「BigQuery のメタデータ」整備についてご紹介しまし
た。
本日の発表が、皆様のデータ活用を一段階先へ進
める一助となれば幸いです。
ご清聴いただき誠にありがとうございました。
本資料は弊社テックブログ
にて公開予定
Google Cloud Next Tokyo
027


# Page. 28

![Page Image](https://bcdn.docswell.com/page/8EDXL9V8JG.jpg)

Proprietary
Ask the Expert にぜひお越しください
Google Cloud に関する技術的なご質問に
GDE（ Google Developers Experts ）がお答えします！
Stage
本ステージの後方にございますので、
ぜひお立ち寄りくださいませ！
Ask the Expert
Google Cloud Next Tokyo
028