データ分析

データとの対話と予測生成を効率化する BigQuery の新しい MCP＆ADK ツール

2025年10月15日

https://storage.googleapis.com/gweb-cloudblog-publish/images/1-2-Hero.max-900x900.png

Ganesh Kumar Gella

Senior Director of Engineering

Sandeep Karmarkar

Product Lead, BigQuery

※この投稿は米国時間 2025 年 10 月 1 日に、Google Cloud blog に投稿されたものの抄訳です。

真に有用な AI エージェントとなるには、企業データと安全な対話ができることが不可欠です。Google Cloud はこの 7 月に、AI エージェントが自然言語とわずか数行のコードで BigQuery のビジネスデータを操作、分析できるツールセットを発表しました。そして今回、次のステップとして、会話分析を使用した「Ask data insights（データにインサイトを求める）」と、時系列予測をローコードで行える「BigQuery Forecast」の 2 つのツールにより、メタデータの取得やクエリの実行にとどまらず、本格的なデータ分析と予測も可能になりました。どちらのツールも、MCP ツールボックスと Agent Development Kit の組み込みツールセットで今すぐご利用いただけます。

これらの新しいツールで何ができるのか、詳しく見ていきましょう。

ask_data_insights: BigQuery と会話する

ask_data_insights ツールを使用すると、BigQuery の構造化データに関する複雑な質問に、平易な英語で回答できるようになります。

高度な Conversational Analytics API を基盤とする ask_data_insights をエージェントに接続することで、ユーザーの質問を理解し、関連するコンテキストを取り込み、クエリを作成して実行し、平易な英語で回答を要約するといったタスクをこの API にオフロードできます。その過程で、ask_data_insights ツールは処理内容を表示し、そのプロセスの詳細なステップバイステップのログを返します。これにより、回答にたどり着くまでの過程を完全に把握できます。

BigQuery Forecast で未来を予測する

インサイトのない情報は、ただのノイズです。売上、ユーザートラフィック、在庫ニーズなど、将来のトレンドを予測する能力は、あらゆるビジネスの成功に不可欠です。BigQuery Forecast は、組み込みの TimesFM モデルに基づく BigQuery ML の AI.FORECAST 関数を使用して、時系列予測を簡素化します。

BigQuery Forecast をエージェントに接続することで、ML インフラストラクチャをセットアップしなくても BigQuery 内で直接予測ジョブを実行できます。ツールでデータを指定し、予測したい内容と期間を指定するだけで、エージェントが TimesFM を使用して予測を行います。

新しいツールの活用法: Google アナリティクスのデータエージェントを構築する

ask_data_insights と BigQuery Forecast を使用して、Google アナリティクス 360 のデータに関する質問に回答するシンプルなエージェントを構築する手順を見ていきましょう。このデモの前提と大まかな流れは次のとおりです。

データは BigQuery テーブルに保存されています。このテーブルは、BigQuery の一般公開データセットである bigquery-public-data.google_analytics_sample にあり、エージェントのユーザーにはこのテーブルへの読み取りアクセス権のみ必要です。
このエージェントは ADK を使用してビルドし、「adk web」を使用してテストします。
ADK の組み込みツールから 1 つ、MCP ツールボックスから 1 つのツールを使用します。エージェントのアーキテクチャとニーズに応じて、どちらかのオプションを使用できるようにします。

この図は、このシンプルなエージェントのアーキテクチャを示しています。

https://storage.googleapis.com/gweb-cloudblog-publish/images/2-2-architecture.max-600x600.png

エージェントのコードは次のとおりです。

lang-py

読み込んでいます...

import asyncio
from google.adk.agents import Agent
from google.adk.runners import Runner
from google.adk.sessions import InMemorySessionService
from google.adk.tools.bigquery import BigQueryCredentialsConfig
from google.adk.tools.bigquery import BigQueryToolset
from google.adk.tools.bigquery.config import BigQueryToolConfig
from google.adk.tools.bigquery.config import WriteMode
from google.genai import types
from toolbox_core import ToolboxSyncClient
import google.auth

# このサンプル エージェントの定数
AGENT_NAME = "bigquery_agent"
APP_NAME = "bigquery_app"
USER_ID = "user1234"
SESSION_ID = "1234"
GEMINI_MODEL = "gemini-2.5-pro"

# 書き込み操作をすべてブロックするツール構成
tool_config = BigQueryToolConfig(write_mode=WriteMode.BLOCKED)

# アプリケーションのデフォルト認証情報を使用します
application_default_credentials, _ = google.auth.default()
credentials_config = BigQueryCredentialsConfig(
    credentials=application_default_credentials
)

# 組み込みの BigQuery ツールセットを単一のツールでインスタンス化します
# 「ask_data_insights」を使用してより詳細なインサイトを取得します
bigquery_toolset = BigQueryToolset(
    credentials_config=credentials_config, bigquery_tool_config=tool_config, tool_filter=['ask_data_insights']
)

# Toolbox のツールセットをインスタンス化します。使用するのは予測ツールのみです。Toolbox MCP サーバーがローカルで実行されていることを確認してください。詳細は、こちらの Codelab をご覧ください
toolbox = ToolboxSyncClient("http://127.0.0.1:5000")
mcp_tools = toolbox.load_toolset('bq-mcp-toolset')

# エージェントの定義
root_agent = Agent(
    model=GEMINI_MODEL,
    name=AGENT_NAME,
    description=(
        "BigQuery に保存された Google アナリティクスのデータに関する質問に答えるエージェント"
    ),
    instruction="""\
        あなたは Google アナリティクスのエージェントです。Google アナリティクスのデータに関する質問に答えることができます。

注意事項:
      BigQuery にある Google アナリティクスのデータへのアクセス権が付与されているので、それを使用して質問に答えます
      利用可能なテーブルは - 
		1. `<my-project>.google_analytics_sample.daily_total_visits`
		2. `<my-project>.google_analytics_sample.ga_sessions_20170801`
	ユーザーの質問に基づいてテーブルを自動的に選択します。どちらも使用できる場合は、最初のテーブルを使用します。 
    """,
    tools=mcp_tools+[bigquery_toolset],
)

上記のエージェントコードを使用して、ADK のデベロッパー UI（adk web）に切り替え、エージェントをテストして動作を確認します。

まず、ツールを使用してデータを理解しましょう。

https://storage.googleapis.com/gweb-cloudblog-publish/images/3-2-Agent_using_insight_tool_to_summarize_.max-1900x1900.png

インサイトツールを使用してデータを要約するエージェント

次に、エージェントがビジネスに関する質問に答えられるかどうかを確認します。

https://storage.googleapis.com/gweb-cloudblog-publish/images/4-2-conversational_Analytics_Backend_is_eq.max-1900x1900.png

Conversational Analytics API のバックエンドはより深い思考能力を備えており、豊富なインサイトを引き出すことができます。

上記のように、Conversational Analytics API には高度な思考を行う能力が備わっているため、質問に対して豊富なインサイトを提供できます。

では次に、エージェントが未来を予測できるか見てみましょう。

https://storage.googleapis.com/gweb-cloudblog-publish/images/5-2-the_power_of_TimesFM.max-2000x2000.png

はい、95% の信頼度で予測可能です。これらのツールにより、ビジネスユーザーも技術的スキルのレベルに関係なく TimesFM モデルのパワーを活用できるようになります。

データから分析と予測を引き出す

BigQuery に導入されたこれらの新機能は、デベロッパーによるデータドリブンなアプリケーションやエージェントの構築方法を根本的に変える力となるでしょう。AI を活用した会話分析と、強力な組み込みの予測機能の組み合わせにより、高度なデータ分析をこれまで以上に簡単に行えるようになると確信しています。

ask_data_insights ツールと BigQuery Forecast ツールについて詳しくは、MCP Toolbox for Databases とコアの Agent Development Kit をご覧ください。

ーエンジニアリング担当シニアディレクター Ganesh Kumar Gella

ー BigQuery、プロダクトリード Sandeep Karmarkar

投稿先

Data Analytics

Dataproc ML ライブラリを使用して Spark データパイプラインを Gemini やその他の AI モデルに接続

執筆者: Brad Miro • 所要時間: 2 分

Data Analytics

新しいデータサイエンティスト: アナリストからエージェントアーキテクトへ

執筆者: Yasmeen Ahmad • 所要時間: 6 分

Data Analytics

BigQuery の内部: 列メタデータインデックス（CMETA）の力

執筆者: James Liu • 所要時間: 4 分

Data Analytics

新しい Dataproc マルチテナントクラスタでデータサイエンスを加速

執筆者: Chris Nauroth • 所要時間: 4 分

データとの対話と予測生成を効率化する BigQuery の新しい MCP＆ADK ツール

Ganesh Kumar Gella

Sandeep Karmarkar

ask_data_insights: BigQuery と会話する

BigQuery Forecast で未来を予測する

新しいツールの活用法: Google アナリティクスのデータ エージェントを構築する

データから分析と予測を引き出す

関連記事

Dataproc ML ライブラリを使用して Spark データ パイプラインを Gemini やその他の AI モデルに接続

新しいデータ サイエンティスト: アナリストからエージェント アーキテクトへ

BigQuery の内部: 列メタデータ インデックス（CMETA）の力

新しい Dataproc マルチテナント クラスタでデータ サイエンスを加速

新しいツールの活用法: Google アナリティクスのデータエージェントを構築する

Dataproc ML ライブラリを使用して Spark データパイプラインを Gemini やその他の AI モデルに接続

新しいデータサイエンティスト: アナリストからエージェントアーキテクトへ

BigQuery の内部: 列メタデータインデックス（CMETA）の力

新しい Dataproc マルチテナントクラスタでデータサイエンスを加速