Summary  
This chapter covers strategies for estimating and controlling costs in usage-based data query and storage services, detailing pricing models, storage tiers, partitioning techniques, and billing alerts.

General domain of usage  
Cloud data analytics

BigQuery-lagring är uppdelad i två typer: **Aktiv lagring** och **Långtidslagring**. Denna modell är utformad för att balansera prestanda och kostnad utan att kräva manuell dataflyttning.

**Aktiv lagring** används för data som har åtkommits inom de senaste 90 dagarna. Den stödjer frekventa frågor och är väl lämpad för realtids- och operativ analys.

**Långtidslagring** tillämpas automatiskt på tabeller som inte har frågats på mer än 90 dagar. Data förblir fullt tillgänglig, men lagringskostnaderna minskas utan några ändringar i frågor eller tabellstruktur.

BigQuery optimerar lagring genom inbyggda funktioner såsom **automatisk komprimering**, **geografisk redundans** och **flexibel hantering av datalivscykel**. Det finns ingen minsta lagringstid, vilket möjliggör sömlös övergång mellan lagringsnivåer baserat på användning.

För att kontrollera lagringskostnader rekommenderas följande bästa praxis:

* Ta bort oanvända tabeller;
* Sätt utgångsdatum för tabeller;
* Partitionera stora tabeller för att begränsa skannad data;
* Övervaka lagringsanvändning regelbundet.

BigQuery erbjuder även flera **kostnadsfria lagringsrelaterade operationer**, inklusive cachade frågeresultat, inläsning av data i tabeller, ändring av scheman och skapande av tabeller med hjälp av `SELECT`-satser. Dessa funktioner bidrar till att minska den operativa belastningen samtidigt som lagringen hålls effektiv.

Hur bidrar Långtidslagring till att minska kostnaderna?

Vilken av följande är en kostnadsbesparande metod i BigQuery?

Vilken är en kostnadsfri operation i BigQuery?

Fördjupa dig i grunderna för BigQuery-plattformen och förändra ditt sätt att hantera molndata. Behärska de färdigheter som krävs för att navigera i konsolen, hantera projekt och optimera frågekostnader. Få praktisk erfarenhet av BigQuery-specifika funktioner som array-operationer, geografiska data och datumfunktioner. Utforska avancerade optimeringstekniker och lär dig hemligheterna bakom att bygga maskininlärningsmodeller direkt i lagret med BigQuery ML.

Få en gedigen förståelse för BigQuery-miljön, som skiljer sig från traditionella databaser. Lär dig att navigera i konsolen, hantera projekt och dataset samt analysera kostnader på ett effektivt sätt. Bygg upp förtroende för att konfigurera din arbetsyta för effektiv dataanalys.

Utforska grunderna i Query Engine för att hämta data effektivt. Behärska tekniker för dataval och lär dig analysera specifika produktmått. Upptäck prestandafunktioner och metoder för frågetestning för att säkerställa att din analys är både snabb och korrekt.

Ta dina kunskaper till nästa nivå genom att behärska BigQuerys unika datatyper. Lär dig hantera komplexa arrayoperationer och manipulera datum- och tidsfunktioner. Utforska geografiska funktioner för att lösa platsbaserade utmaningar såsom att beräkna avstånd mellan städer.

Optimera arbetsflödet genom att hantera stora tabeller och förbättra frågeprestanda. Upptäck hemligheterna bakom effektiv felhantering för att snabbt felsöka problem. Behärska de färdigheter som krävs för att upprätthålla en högpresterande databasmiljö.

Tillämpa dina kunskaper på verkliga scenarier. Upptäck hur du bygger omfattande rapporter och integrerar BigQuery med externa verktyg. Omvandla rådata till användbara affärsinsikter genom praktisk tillämpning och rapporteringsstrategier.

Fördjupa dig i grunderna för BigQuery ML. Utforska hur du skapar och kör maskininlärningsmodeller med standard-SQL utan att flytta data. Få praktisk erfarenhet genom modellgenomgångar för att förutsäga utfall direkt i plattformen.

Förståelse av BigQuery-kostnader

1. Vad definierar Aktiv lagring i BigQuery?

2. Hur bidrar Långtidslagring till att minska kostnaderna?

3. Vilken av följande är en kostnadsbesparande metod i BigQuery?

4. Vilken är en kostnadsfri operation i BigQuery?