A Snowflake, a BigQuery és a Redshift 2026-ban három alapvetően eltérő árazási modellel dolgozik: a Snowflake credit-alapú másodperces számlázással; a BigQuery választható on-demand (TB-alapú) vagy edition-alapú (slot-óra) modellel; a Redshift pedig serverless (RPU-óra) vagy provisioned (RA3 csomópont-óra) módban. Egy tipikus, közepes méretű ELT-workload esetén a BigQuery on-demand a legolcsóbb ritkán futtatott lekérdezésekre, a Snowflake Standard a legjobb interaktív BI-ra, a Redshift RA3 pedig ott nyer, ahol a workload állandó és nagy volumenű. Ez az útmutató három tényleges terheléstípuson keresztül mutatja meg, hogy melyik data warehouse mikor a legköltséghatékonyabb, plusz azt is, hogyan lehet 30–60 százalékot lefaragni bármelyik platformon anélkül, hogy migrálni kellene.
A Snowflake credit-ára 2026-ban 2 USD (Standard), 3 USD (Enterprise) és 4 USD (Business Critical) régiótól függően; egy X-Small warehouse 1 credit/óra fogyasztást jelent.
A BigQuery on-demand ára 6,25 USD/TB szkennelt adat 1 TB ingyenes havi kerettel; az edition-alapú modell 0,04–0,10 USD/slot-óra között mozog.
A Redshift Serverless 0,375–0,436 USD/RPU-óra régiónként; a legkisebb elszámolási egység 60 másodperc és 8 RPU minimum.
Ritkán futtatott, nagyméretű elemzésekre a BigQuery on-demand a legolcsóbb; állandó, magas kihasználtságú workloadra a Redshift RA3 Reserved 1 év no-upfront a legjobb ár-érték.
Az igazi különbség nem a listaáron van, hanem a storage tier-ekben (Time Travel, Fail-safe, GCS Nearline) és a data transfer díjakban. Ezek 15–25%-át teszik ki a teljes számlának.
A három árazási modell dióhéjban
Mielőtt bármelyik platformon árat számolnék, tisztázni kell, hogy alapjaiban mit fizetsz. Ez a három warehouse három különböző filozófiát követ, és őszintén szólva a helytelen mentális modell az egyik leggyakoribb ok, amiért egy csapat rossz döntést hoz. Egy korábbi ügyfelemnél pontosan ez történt: BigQuery on-demandről váltottak Snowflake Enterprise-ra "mert olcsóbbnak tűnt", és három hónap múlva 2,5-szeres számla jött.
Snowflake, credit-alapú compute plusz különálló storage. Minden lekérdezés egy virtuális warehouse-t (compute clustert) futtat, ami T-shirt méret szerint fogyaszt creditet: X-Small = 1 credit/óra, Small = 2, Medium = 4, Large = 8, egészen 6X-Large = 512 credit/óra-ig. A számlázás másodperc alapú 60 másodperces minimummal, és a warehouse auto-suspend állapotba mehet inaktivitás után. A storage külön: 2026-ban tipikusan 23–40 USD/TB/hó régiótól függően, on-demand esetén (kapacitás vásárlásnál ez 20 USD alá csökkenhet). A cloud services és serverless funkciók (Snowpipe, Search Optimization, Materialized Views karbantartása) külön számlázódnak. Erről bővebben a Snowflake hivatalos warehouse-considerations dokumentációjában olvashatsz.
BigQuery, választható on-demand vagy edition. Az on-demand modellben 6,25 USD/TB szkennelt adatot fizetsz (1 TB ingyenes havonta), függetlenül attól, hogy a lekérdezés mennyi ideig fut. Az edition-alapú modellben slotokat foglalsz: Standard edition 0,04 USD/slot-óra, Enterprise 0,06 USD, Enterprise Plus 0,10 USD, autoscale és pay-as-you-go módban. A storage külön: aktív 0,02 USD/GB/hó, hosszú távú (90 nap érintetlen) 0,01 USD/GB/hó. Ez a tiering automatikus, tehát nem kell hozzányúlni.
Amazon Redshift, Serverless vagy Provisioned. A Serverless RPU-óra alapon fizet (Redshift Processing Unit): 0,375–0,436 USD/RPU-óra régiónként, minimum 8 RPU base capacity, 60 másodperc a minimum elszámolási idő. A Provisioned RA3 csomópont-óra alapú: ra3.large ~0,243 USD/óra, ra3.xlplus ~1,086 USD/óra, ra3.4xlarge ~3,26 USD/óra, ra3.16xlarge ~13,04 USD/óra (us-east-1, on-demand). A managed storage külön: 0,024 USD/GB/hó.
Snowflake vs BigQuery vs Redshift: 2026-os összehasonlító táblázat
Dimenzió
Snowflake
BigQuery
Amazon Redshift
Compute árazási modell
Credit/óra (másodperc-alapú, 60 mp minimum)
TB szkennelt (on-demand) vagy slot-óra (editions)
RPU-óra (Serverless) vagy csomópont-óra (RA3)
Legkisebb compute egység
X-Small warehouse: ~2 USD/óra (Standard)
100 slot minimum (Standard: ~4 USD/óra)
Serverless: 8 RPU × 0,375 USD = 3 USD/óra
Storage ár (aktív, USD/TB/hó)
23–40 USD (on-demand), ~20 USD (capacity)
20 USD (aktív), 10 USD (long-term)
24 USD (RA3 managed storage)
Data transfer (kimenő internet)
Cloud provider szerint (AWS/Azure/GCP)
Ingyenes ugyanabban a régióban; GCP egress rate kifelé
AWS egress rate: első 100 GB/hó ingyenes, majd 0,09 USD/GB
Auto-suspend / pause
Igen, 60 mp minimum inaktivitás
Automatikus (nincs mit szüneteltetni on-demandnél)
Ez a táblázat egy indulási pont, de a valódi döntés a workload profilon múlik. Az alábbi három forgatókönyv a leggyakoribb, amivel az elmúlt két évben találkoztam ügyfeleknél.
Melyik data warehouse olcsóbb a saját workloadomra?
Egy közepes SaaS cég ML-csapata heti 15 nagy explorációs lekérdezést futtat, összesen kb. 40 TB szkennelt adattal havonta. A cluster a hét maradék részében üresen áll.
Snowflake Standard, Medium warehouse: 15 lekérdezés × átlag 6 perc = 90 perc + 60 mp min. billing (több esetben) = ~2 óra × 4 credit × 2 USD = ~250–320 USD/hó. Storage 5 TB × 40 USD = 200 USD. Összesen: ~500 USD/hó.
Redshift Serverless, 8 RPU base: ~2,5 óra aktív compute × 8 RPU × 0,375 USD = ~7,5 USD/hó (elméletileg), de a valóságban a base capacity és a lassabb "wake up" miatt inkább 60–90 USD. Storage 5 TB × 24 USD = 120 USD. Összesen: ~180–210 USD/hó.
Nyertes: Redshift Serverless vagy BigQuery on-demand. Sporadikus munkán a Snowflake kb. 40%-kal drágább, mert az X-Small alatt nem tud menni.
2. forgatókönyv: Állandó BI dashboard-terhelés (napi 24/7, közepes lekérdezésekkel)
Egy pénzügyi szolgáltató 200 aktív Tableau/Looker felhasználót szolgál ki, folyamatosan érkező interaktív lekérdezésekkel; napi ~200 TB szkennelés összesen.
BigQuery on-demand: 200 TB × 30 nap × 6,25 USD = ~37 500 USD/hó csak compute. Ez tarthatatlan, editionsre kell váltani.
Nyertes: Redshift RA3 Reserved vagy Snowflake Standard. Az állandó terhelésnél a slot-alapú modellek felkerekednek, és a legjobb ár a hosszabb távú commitmenttel érhető el. Nagyon hasonlóan ahhoz, ahogy az EC2 Reserved Instances vs Savings Plans vs CUD-ok döntést hoznád meg compute rétegen.
Redshift ra3.xlplus × 2, on-demand: 2 × 1,086 × 24 × 30 = ~1 564 USD/hó (dedikált cluster, de itt a warehouse állandóan él).
Nyertes: Snowflake vagy Redshift. A pause/suspend képességek jobban skálázódnak batch workloadhoz, mert csak a tényleges compute idő számít.
Snowflake költségek csökkentése: 7 gyakorlati taktika
A Snowflake számlák tipikusan 60–75%-át a warehouse compute teszi ki, 15–25%-át a storage, a maradékot a serverless funkciók (Snowpipe, Search Optimization, Materialized Views karbantartás). Itt van a hét taktika, amit én először szoktam alkalmazni egy Snowflake auditon.
Csökkentsd az auto-suspend időt 60 másodpercre. Az alapértelmezett 600 mp (10 perc), és sok warehouse csak azért fizet, mert vár. A Snowflake dokumentációban ez az egyik legfontosabb beállítás.
Használj több kisebb warehouse-t workload izolációra. Egy Medium warehouse 4 credit/óra, két X-Small csak 2. Ha ELT és BI külön mehet, akkor menjen külön.
Aktiváld a query result cache-t. A metadata cache 0 credit, tehát az ismétlődő dashboard-lekérdezések ingyenesek 24 óráig, ha az underlying tábla nem változott.
Vizsgáld át a Materialized View karbantartási költséget. Az ACCOUNT_USAGE.MATERIALIZED_VIEW_REFRESH_HISTORY nézetből látod, melyik MV eszik legtöbb creditet. Sokszor jobb, ha törlöd és egy Task-alapú incremental modelra váltasz.
Csökkentsd a Time Travel retention-t. Az alapértelmezett 1 nap, de sok csapat 90-re állítja "biztos, ami biztos" alapon. Ez 2–3× storage-t jelent Fail-safe-fel együtt.
Konszolidálj kis fájlokat Snowpipe-ban. A Snowpipe file-onként ~0,06 credit-et fogyaszt overhead-re; ha 10 MB alatti fájlokat streameltek, jobb egy 5 perces batch loader.
Elemezd a Warehouse Utilization metrikát. A WAREHOUSE_METERING_HISTORY táblából számolható, hány százalékos a kihasználtság; 20% alatt zsugorítsd a méretet.
-- A 10 legdrágább warehouse az elmúlt 30 napban Snowflake-ben
SELECT
warehouse_name,
ROUND(SUM(credits_used), 2) AS total_credits,
ROUND(SUM(credits_used) * 2, 2) AS estimated_cost_usd,
ROUND(AVG(avg_running), 2) AS avg_concurrent_queries,
ROUND(AVG(avg_queued_load), 2) AS avg_queued
FROM SNOWFLAKE.ACCOUNT_USAGE.WAREHOUSE_METERING_HISTORY
WHERE start_time >= DATEADD(day, -30, CURRENT_TIMESTAMP())
GROUP BY warehouse_name
ORDER BY total_credits DESC
LIMIT 10;
BigQuery számla optimalizálása: on-demand vs editions
A legfontosabb BigQuery döntés az on-demand vs edition modell közötti választás. Az empirikus szabályom: ha havonta többször átléped a ~300 TB szkennelt adatot, érdemes editions-re váltani. E felett az on-demand ~1 875 USD-t költenél, míg egy 100 slot Standard commitment ~2 900 USD, viszont az edition korlátlan volumenre skálázik.
A leggyakoribb BigQuery pénzégetők:
SELECT * tiltása: A BigQuery oszlopos tárolású, tehát csak a valóban használt oszlopokat szabad kiválasztani. Egy 500 GB-os táblán SELECT * vs SELECT id, event_date 20× különbséget jelenthet.
Partícionált táblák használata: Dátum vagy integer range szerint particionálva a WHERE feltétel pruning-ot idéz elő; a szkennelt volumen sokszor 90%-kal csökken.
Clustering: A gyakran szűrt oszlopokra clustering egy másodlagos optimalizáció, ami tovább csökkenti a szkennelt bájtot.
Query cache: Ingyenes és 24 órán át él, ha a query determinisztikus és az underlying tábla változatlan.
Bytes Billed Limit query szinten: Az API-hívásban maximumBytesBilled paraméterrel megakadályozható, hogy egy hibás lekérdezés 100 TB-ot szkenneljen. Én ezt a hard limitet a saját projektjeimben is beállítom, mert egyszer láttam egy junior collégát elindítani egy JOIN-t particionálás nélkül, és a napi számla 800 USD-vel ugrott.
# A legdrágább BigQuery lekérdezések az elmúlt 7 napból
SELECT
user_email,
job_id,
ROUND(total_bytes_billed / POW(1024, 4), 2) AS tb_billed,
ROUND((total_bytes_billed / POW(1024, 4)) * 6.25, 2) AS cost_usd,
query
FROM `region-us`.INFORMATION_SCHEMA.JOBS_BY_PROJECT
WHERE creation_time >= TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 7 DAY)
AND job_type = 'QUERY'
AND state = 'DONE'
ORDER BY total_bytes_billed DESC
LIMIT 20;
Ha BI dashboardokat futtatsz BigQuery-n, a Materialized Views hivatalos dokumentáció szerint a pre-aggregált nézetek automatikusan újraszámolnak inkrementálisan, és 60–90%-kal csökkenthetik a napi szkennelt volument.
Redshift Serverless vs Provisioned: mikor válts?
Az AWS 2021-ben vezette be a Redshift Serverless-t, és 2026-ra ez lett az alapértelmezett választás új projekteknél. Viszont a Serverless nem mindig olcsóbb, és az én szabályom a következő:
Serverless mellett dönts, ha: a workload variábilis, napi <12 óra aktív használat, a maximum concurrency kevesebb mint 100 párhuzamos lekérdezés, vagy fejlesztési/staging környezetről van szó.
Provisioned RA3 mellett dönts, ha: 24/7 magas kihasználtság, előre látható workload, Concurrency Scaling szükséges, workload management (WLM) queues kellenek, vagy RI kedvezményt tudsz kihasználni.
A Redshift Serverless legalattomosabb költsége a base capacity és a max capacity beállítás. Az alapértelmezett 128 RPU max capacity mellett egy váratlan cross-join könnyen napi 500 USD-t generálhat. (Igen, ezt egyszer én is elkövettem egy dev environmentben, és másnap reggel volt egy kellemetlen beszélgetés a FinOps-szal.)
-- Redshift Serverless usage az elmúlt 7 napban
SELECT
DATE_TRUNC('day', start_time) AS day,
ROUND(SUM(charged_seconds) / 3600.0, 2) AS rpu_hours,
ROUND(SUM(charged_seconds) / 3600.0 * 0.375, 2) AS estimated_cost_usd
FROM sys_serverless_usage
WHERE start_time >= DATEADD(day, -7, CURRENT_DATE)
GROUP BY 1
ORDER BY 1 DESC;
Redshift Provisioned esetén a Reserved Instances hozzák a legnagyobb megtakarítást: 1 éves no-upfront ~30%, 3 éves all-upfront akár 65%. Az AWS hivatalos Reserved Node dokumentációja szerint az RI-k csomópont-típus specifikusak, ezért a méretezést a beszerzés előtt le kell zárni. A tagelés és allokációs stratégia ugyanolyan kritikus data warehouse rétegen, mint compute-on; lásd a felhőköltség allokáció és tagging útmutatót a többfiókos elszámoláshoz.
A rejtett költségek: storage, egress és Time Travel
A "havi számla" tíz százaléka szinte minden esetben olyan tétel, amit senki nem lát előre. Ezek a leggyakoribb rejtett tételek.
Storage tiering és retention
Snowflake Time Travel + Fail-safe: Ha egy 10 TB táblán 90 napos Time Travel + 7 nap Fail-safe fut, gyakorlatilag 20–30 TB-ot fizetsz storage-ban. Az Enterprise szint feletti Time Travel csak akkor éri meg, ha a compliance megköveteli.
BigQuery long-term storage: 90 napig érintetlen partíciók automatikusan 50%-kal olcsóbbá válnak, ami jó hír. Viszont az újraírt táblák (pl. napi DELETE + INSERT) sohasem érnek el long-term státuszt. Használj MERGE-et vagy partícionált replace-t.
Redshift Managed Storage: A snapshot retention (default 1 nap, sok csapatnál 35) mind a managed storage-ba számít bele. Az UNLOAD-alapú S3 archívum tipikusan 60%-kal olcsóbb hosszú távú megőrzésre.
Data transfer és egress
Snowflake cross-region replikáció: Ha a Snowflake account us-east-1-ben van, de a BI eu-west-1-ből olvas, a data transfer 0,02 USD/GB-tól 0,09 USD/GB-ig terjed. Egy 100 GB/nap dashboard fetch évente 3 000+ USD.
BigQuery cross-region: Ha a BigQuery dataset EU multi-regionban van, de a Cloud Run job us-central1-ben, minden lekérdezés eredmény cross-region egress-t generál.
Redshift UNLOAD to S3: Ha az UNLOAD célja másik régió S3 bucket, AWS cross-region transfer díjat számol. Mindig ugyanabban a régióban tarts staging bucketot.
Serverless funkciók
Snowflake Snowpipe (0,06 credit/file), Search Optimization (2× storage + compute), Query Acceleration Service, Cortex AI (per token), mindegyik külön tétel. Havonta érdemes végigmenni a METERING_HISTORY táblán, és megnézni, mi került be a "cloud services" bucketbe.
Költség-monitorozás és riasztások mindhárom platformon
Egyik platformon sincs "beállítod, elfelejted" opció. Mindegyiken kell egy közös FinOps dashboard, ami legalább napi ciklusban aggregálja a costokat account/project/tag szerint. A minimális setup az alábbi.
A három rendszer külön dashboardot igényel, de a végén egy közös FinOps view (pl. FOCUS specification alapú átalakítás) egy táblán tudja megjeleníteni mindhármat. Egy jól működő FinOps automatizálási pipeline tipikusan 15–25%-kal csökkenti a data warehouse számlát az első 90 napban pusztán a visibility miatt.
Gyakran ismételt kérdések
Melyik olcsóbb: a Snowflake vagy a BigQuery?
Egyik sem univerzálisan olcsóbb, a workload profil dönt. Sporadikus, nagyméretű ad-hoc analitikára a BigQuery on-demand tipikusan 40–60%-kal olcsóbb, mert nincs base compute költség. Állandó, 24/7 BI terhelésre a Snowflake Standard credit-alapú modellje és a Snowflake capacity purchase kombinációja gyakran alá tud menni a BigQuery editions árnak, különösen közepes concurrency esetén.
Mennyibe kerül a Redshift Serverless óránként?
A Redshift Serverless 2026-ban 0,375 USD/RPU-óra us-east-1 régióban, 0,436 USD/RPU-óra európai és ázsiai régiókban. A minimum 8 RPU base capacity, tehát a legalacsonyabb tényleges óradíj ~3,00 USD, a számlázás pedig 60 másodperces minimummal, másodperc-alapú.
Megéri a Snowflake capacity purchase vagy a BigQuery editions commitment?
Igen, ha a havi költséged tartósan meghalad egy küszöböt (Snowflake-nél kb. 25 000 USD/hó, BigQuery-nél kb. 15 000 USD/hó). A Snowflake capacity purchase 10–30% kedvezményt ad 1–4 éves commitre; a BigQuery editions 1 éves commitment ~20% kedvezményt, 3 éves ~40%-ot. Rövidebb megtérülési idő és nagyobb workload-egyenletesség esetén szinte mindig érdemes.
Hogyan csökkenthetem a Snowflake költségeimet gyorsan?
Három lépés az első héten hozza a legnagyobb megtakarítást: (1) állítsd az auto-suspend időt 60 másodpercre minden warehouse-on; (2) csökkentsd a Time Travel retention-t 1 napra a nem kritikus táblákon; (3) elemezd a WAREHOUSE_METERING_HISTORY táblát, és zsugorítsd egy mérettel a 20% alatti kihasználtságú warehouse-okat. Ez a három akció tipikusan 25–40% credit megtakarítást hoz konfigurációs változás szinten.
A BigQuery on-demand vagy edition modell a jobb választás nekem?
Az empirikus küszöb ~300 TB szkennelt adat/hó: e felett a Standard edition olcsóbb, mint az on-demand 6,25 USD/TB árazás. Ha a workload spike-os (napi 1–2 nagy job, közötte semmi), maradj on-demandnél. Ha a workload folyamatos (BI dashboardok 24/7), válts Enterprise editionre autoscale slot beállítással, és állíts be baseline slot commitmentet a garantált kapacitásra.
Melyik data warehouse a legjobb választás egy startupnak?
A BigQuery on-demand modell a legalacsonyabb belépési küszöbű: nincs base capacity díj, az első 1 TB szkennelés és 10 GB storage havonta ingyenes, és a Google Cloud Free Tier 300 USD kreditet ad az első három hónapra. A Snowflake trial szintén 400 USD kreditet ad 30 napra. A Redshift Serverless a legnehezebben belőhető startupként, mert a 8 RPU base capacity még idle időben is fixen 3 USD/órát jelent.
Az AWS Compute Optimizer ingyenes ML-alapú ajánlásokkal 15–35% havi költségmegtakarítást ad EC2, Lambda, EBS és Graviton workloadokra. Bekapcsolás, right-sizing lépésről lépésre, CLI példák és Organizations-integráció.
Gyakorlati útmutató a felhőköltség allokációhoz és tagging stratégiához 2026-ban: 4 kötelező tag, AWS/Azure/GCP enforcement, megosztott költségek szétosztása és FOCUS 1.1 migráció működő kódpéldákkal.
