Google Cloud ofrece un ecosistema sólido de analíticas en tiempo real para procesar flujos de datos continuos procedentes de diversas fuentes. BigQuery es una fuente de ingestión ideal para esquemas conocidos, ya que la API Storage Write y las consultas continuas de BigQuery permiten ingerir datos directamente, maximizar la actualidad de los datos en el almacén y conectarte a otras fuentes. Bigtable, por otro lado, ofrece una escalabilidad lineal global y una sincronización de datos integrada, y destaca en los esquemas flexibles y dinámicos que necesitan una coherencia inmediata entre lectura y escritura. Bigtable también proporciona de forma predeterminada la gestión de versiones basada en marcas de tiempo y políticas de conservación de periodo de vida (TTL) automatizadas, por lo que es una opción de almacenamiento y análisis ideal para eventos de streaming. También debes tener en cuenta la cantidad de datos que necesitas para hacer streaming. BigQuery puede enviar datos en streaming a una velocidad de 1 GBps en las multirregiones de la UE y EE. UU., y a una velocidad de cientos de MBps en otras regiones. Bigtable ofrece una mayor flexibilidad a la hora de capturar datos de streaming, con una escalabilidad lineal de 14.000 escrituras por segundo por nodo en cualquier región admitida por Bigtable. 

Con la combinación de BigQuery y Bigtable, no tendrás que hacer concesiones, sino que podrás elegir la técnica de ingestión adecuada para cada caso práctico.

Con la mayoría de las bases de datos, debes elegir entre una recuperación de filas rápida o un procesamiento de analíticas a gran escala. Bigtable y BigQuery combinan sus distintos propósitos para ofrecer una base de datos de analíticas completa en tiempo real, independientemente del tipo de consulta. 

Bigtable destaca como motor de almacenamiento optimizado para la recuperación ultrarrápida de filas individuales o intervalos de datos, lo que lo convierte en la opción ideal para aplicaciones orientadas al usuario que necesitan una capacidad de respuesta en tiempo real, como gráficos dentro de una aplicación, búsquedas de perfiles, análisis de series temporales, métricas de datos de streaming (como clics) o cualquier otra consulta que sea predecible y deba servirse a un volumen alto y con baja latencia. Bigtable se basa en un motor estructurado en forma de registro (árbol LSM) que optimiza el rendimiento mediante una combinación de almacenamiento en memoria y almacenamiento en disco desagregado, junto con bibliotecas de cliente especializadas que ofrecen accesos sincrónicos y asíncronos. El esquema flexible de Bigtable y sus funciones de autogestión lo hacen aún más adecuado para aplicaciones exigentes. Por el contrario, BigQuery destaca en las cargas de trabajo de analíticas, ya que proporciona herramientas potentes para consultar y analizar grandes conjuntos de datos con agregaciones complejas, integraciones con Vertex AI y transformaciones.

Al elegir la combinación de Bigtable y BigQuery, no tendrás que elegir entre búsquedas de filas individuales y un procesamiento analítico exhaustivo de conjuntos de datos enormes. La integración perfecta hace que sea fácil usar cualquiera de los modelos de almacenamiento para impulsar tu aplicación en tiempo real. Bigtable se suele usar como una solución de almacenamiento en caché rentable para conjuntos de datos del tamaño de BigQuery. Por ejemplo, BigQuery se puede usar para generar incrustaciones en lotes y, a continuación, servirlas en Bigtable para admitir aplicaciones de generación aumentada de recuperación (RAG).

Bigtable ofrece tipos de datos especializados que preprocesan tus datos a medida que se escriben, lo que te proporciona resultados y estadísticas al instante. Puedes calcular sumas, mínimos, máximos y recuentos aproximados a medida que se escriben los datos, con una replicación global integrada que te permite obtener resultados coherentes en toda tu aplicación. Estos tipos de datos también son totalmente interoperables con los datos de almacén que se pueden cargar desde BigQuery.

La agregación de datos en tiempo real puede impulsar la creación de funciones de aprendizaje automático integrales, lo que da lugar a predicciones precisas que pueden atraer a los usuarios en el momento.

Bigtable se integra en el ecosistema de analíticas de BigQuery, lo que facilita el acceso a tus datos en tiempo real para analizarlos en flujos adicionales. Puedes consultar y combinar datos de Bigtable con otros conjuntos de datos de BigQuery mediante tablas externas, usar analíticas de Spark o flujos de procesamiento de Apache Beam de código abierto directamente en los datos de Bigtable y volver a escribir los resultados. Este acceso a las analíticas también puede usar Data Boost de Bigtable para obtener analíticas de alto rendimiento sin que el rendimiento de las aplicaciones en tiempo real se vea afectado. Además, con la captura de datos de cambios (CDC) y Dataplex, exportar y descubrir datos de Bigtable es sencillo y no requiere tareas de sincronización de datos complejas o personalizadas.