AIコーディングアシスタント3種でBigQueryのデータパイプラインを作り比べた

GA4のデータをBigQueryに蓄積しているものの、そこから先の活用に行き詰まる事業者は少なくない。BigQueryに出力されたデータはそのままではLooker Studioで見づらく、毎日集計するためのパイプラインを別途組む必要がある。従来この自動化にはエンジニアへの依頼が欠かせなかったが、AIコーディングアシスタントの普及により、SQLが少し読めるレベルの担当者でも構築に挑める環境が整いつつある。今回の記事は、AIコーディングアシスタント3種を使って同じデータパイプラインを作り比べるという試みを伝えている。

AIの鬼として引っかかるのは、「AIがコードを書いてくれる」という話の争点が、初回に動くかどうかではなく、動いた後に誰が壊れた箇所を直すかにあるという点だ。パイプラインは一度作って終わりではなく、毎日動き続ける仕組みである。ツールを比べるなら、生成の速さよりも、エラーが出たときに非エンジニアでも原因を理解できる形で返してくるかを見るべきだと考える。作って動いたように見えるものほど、半年後には誰も触れない資産になりやすい。ここが業界的にいちばん見落とされている落とし穴だ。

中小企業の現場では、GA4からBigQueryへのデータが既に貯まっているケースが多い。明日からできるのは、いきなり全自動を目指すことではなく、毎日見たい数値を3つに絞り、手作業で集計するSQLを一本書いてみることである。定期実行に載せるのはその後でいい。外注するにせよ内製するにせよ、依頼前に「壊れたら誰が見るのか」を決めておくことが、判断を誤らないための一番確かな一言になる。