Google Cloud が解説、BigQuery と Iceberg の使い分け 4つのテーブル形式と3つの連携パターン

Google Cloud が解説、BigQuery と Iceberg の使い分け 4つのテーブル形式と3つの連携パターン

公開:
CodeCampが提供するDX人材育成が可能なプログラミングやITが学べる公開講座

Apache Iceberg でテーブルの形式はそろえられても、カタログ、クラウド、権限の分断は残る。Google Cloud は、BigQuery を中心に置いた「Lakehouse」でその境界をつなごうとしている。

Google Cloud の「Data & AI Summit '26 Fall」で、Google Cloud の堤 崇行氏が、BigQuery と Iceberg を組み合わせたアーキテクチャの設計を解説した。BigQuery で扱える4つのテーブル形式の違い、AWS や Azure にあるデータを参照する2つの方式、そして要件から選ぶ3つの連携パターンを、Databricks のデータを BigQuery から分析するデモとあわせて紹介した。

この記事の要点

  1. Iceberg の採用が広がるにつれ、カタログとエンジン、クラウド間の複製、ガバナンスの3つの分断が課題になる。Google Cloud は旧 BigLake の「Lakehouse」で、単一のメタデータ層からこれらをつなぐ
  2. BigQuery で扱うテーブルは、ネイティブ、BigQuery 管理の Iceberg、Lakehouse 管理の Iceberg、外部カタログ連携の4種類。他クラウドのデータは、Iceberg なら Federated Catalog、カタログのないファイルなら Cross-Cloud Connections で参照する
  3. デモでは、Databricks の Unity Catalog にあるテーブルを BigQuery から参照し、BigQuery のテーブルと1本の SQL で結合したうえで、会話分析で自然言語の質問に答えさせた
目次
  1. Iceberg の普及で生まれる「新たなサイロ」
  2. 他クラウドや SaaS のデータを、ガバナンスごとつなぐ
  3. BigQuery 管理の Iceberg テーブルを使う利点
  4. BigQuery で扱う4つのテーブル形式
  5. 他クラウドのデータを参照する2つの方式
  6. 3つの連携パターンと、Databricks × BigQuery のデモ
  7. 要件から選ぶアーキテクチャ
  8. 開催概要

Google Cloud は2026年11月18日、データと AI をテーマにしたイベント「Data & AI Summit '26 Fall」を Google 渋谷オフィスとオンラインで開いた。Track 3 のブレイクアウトセッション「BigQuery と Iceberg のアーキテクチャ設計 ― マルチクラウド対応と連携パターン」には、Google Cloud データ アナリティクス スペシャリスト テックリードの堤 崇行氏が登壇した。堤氏は冒頭、会場に Iceberg の利用状況を挙手で尋ねた。すでに導入している人はまだ多くない様子で、堤氏は、さまざまな DWH が Iceberg 対応をうたう中、Google Cloud もきちんと対応していることを示したいと話した。

演台でマイクを持って話す Google Cloud の堤 崇行氏

Google Cloud データ アナリティクス スペシャリスト テックリードの堤 崇行氏

Iceberg の普及で生まれる「新たなサイロ」

グループ会社や複数のサービスを持つ企業がデータを連携しようとすると、どの形式でそろえるかが問題になる。堤氏によると、そこで魅力的に映るのがオープンテーブルフォーマットであり、その中では Apache Iceberg がほぼデファクトになりつつある。

ただし、Iceberg を選んでテーブルの形式をそろえても、別の分断が残る。スライドでは、これを「オープン化の裏で生じる新たなデータ サイロ」として3つに整理していた。

① カタログとエンジンの分断

BigQuery は独自のカタログ、Spark などの OSS は別のメタストアを持つ。エンジンごとにカタログを管理することになり、書き込みの競合やスキーマの同期も負担になる。

② クラウド間の複製と転送負荷

他のクラウドの S3 などにあるデータを使うたびに ETL を作り、コピーを二重に持つ。ストレージの二重課金と転送料が発生する。

③ ガバナンスと運用の二重化

バケット全体に IAM 権限を付けると、広すぎる権限を配るリスクがある。小さなファイルの統合(Compaction)やガベージコレクションのジョブも手で運用することになる。

※スライド「オープン化の裏で生じる新たなデータ サイロ」をもとに編集部が整理

堤氏が示した解決の方向性は、単一のオープンなメタデータ層を持ち、「エンジンの境界」と「クラウドの境界」を透過的につなぐことだ。

「オープン化の裏で生じる新たなデータ サイロ」と題したスライド。カタログとエンジンの分断、クラウド間の複製と転送負荷、ガバナンスと運用の二重化の3つ

Iceberg の採用が広がるにつれ、カタログ・クラウド・権限の分断が表面化する

その中核になるのが、Google Cloud の「Lakehouse」だ。スライドには「旧 BigLake から進化し マルチエンジンとマルチクラウドを単一カタログ層で統合」とあり、BigLake は2026年4月に Lakehouse へ、BigLake metastore は Lakehouse runtime catalog へと名前が変わっている[1]。Cloud Storage 上の Iceberg テーブルに加え、AWS Glue Data Catalog、Databricks Unity Catalog、Snowflake Horizon Catalog などで管理されている他クラウドのテーブルも、Lakehouse を通せば BigQuery や Managed Service for Apache Spark、Gemini、Looker から使える。堤氏によると、Lakehouse の管理下に入れたデータは Knowledge Catalog によるメタデータやコンテキストの管理の対象にもなり、AI からも参照しやすくなる。

「Lakehouse がつなぐ統合基盤」と題したスライド。ストレージ・外部データ層、Lakehouse、分析・処理エンジンと AI 利用層の3層構成

Lakehouse runtime catalog と Knowledge Catalog が、ストレージと分析エンジン・AI の間に入る

他クラウドや SaaS のデータを、ガバナンスごとつなぐ

続いて堤氏は、2026年の Lakehouse 関連のアップデートを紹介した。最初に挙げたのが、AWS や Azure など他のクラウドと接続する機能(Borderless Lakehouse)だ。堤氏はこれが「今月 GA になった」と述べた。リリースノートでも、Databricks Unity Catalog、AWS Glue、Snowflake Horizon などを外部カタログとして連携する機能と、後述のインテリジェント キャッシングが、2026年11月2日に一般提供(GA)になったことが確認できる[1]。

堤氏は、これまで BigQuery は他のクラウドにあるデータの参照が弱いと言われがちだったと認めたうえで、クラウドをまたいだ分析を支える仕組みとして2つを挙げた。1つは、クラウド同士を専用線で直接つなぐ「Cross-Cloud Interconnect」だ。インターネット経由は社内ルール上使えない、速度を安定させたい、といった場合に使え、データ量が多ければ転送料も安くなる。もう1つが「インテリジェント キャッシング」で、使った部分だけをブロック単位でキャッシュし、クラウドをまたぐ通信の量そのものを減らす。スライドでは、エージェントに多い繰り返し・定型的なクエリのコストを削減できると説明していた。

つなげる先はクラウドのデータレイクだけではない。スライドには、Oracle や PostgreSQL などのデータベース、SAP、Salesforce、ServiceNow、Workday といった SaaS、Databricks と Snowflake が並び、S3 互換のオンプレミスのストレージは「Roadmap」とされていた。堤氏は SAP などの例を挙げ、API を解読して ETL を作らなくても参照できるようになっていると説明した。

ガバナンスとセキュリティのアップデートも紹介した。スライドでは、次の4つの提供状況が示されていた。

領域 機能 提供状況
カタログ 認証情報の払い出し(クレデンシャル ベンディング)。ソース側のカタログが引き続き正本 GA
アイデンティティ アイデンティティ伝播。各クエリをログイン中のユーザーとして実行 GA
アクセス きめ細かいアクセス制御。クロスクラウドのテーブルに列マスクと行フィルタ Roadmap
ネットワーク Cross-Cloud Interconnect によるプライベート接続とネットワーク分離 GA

※スライド「ひとつのアイデンティティとガバナンス モデル」をもとに編集部が整理

クレデンシャル ベンディングについて堤氏は、テーブルにアクセスできる人だけが、その裏のバケットやオブジェクトにアクセスできる認証情報を、固定のキーではなく都度払い出す仕組みだと説明した。オブジェクトストレージの権限を別に配らずに済み、権限管理も一元化できる。アイデンティティ伝播は、Databricks や Snowflake を併用している企業で「権限管理をどちらに寄せるか」という課題に応えるものだ。Databricks Unity Catalog のユーザー ID 連携は、2026年11月2日に GA になっている[2]。

「ひとつのアイデンティティとガバナンス モデル」と題したスライド。認証情報の払い出し、アイデンティティ伝播、きめ細かいアクセス制御、Cross-Cloud Interconnect の4項目と提供状況

カタログ、アイデンティティ、ネットワークは GA、列マスクと行フィルタはロードマップ

AI との組み合わせとして示されたのが「Gemini × Borderless Lakehouse」だ。たとえば「今月の EC 売上の合計は?」と尋ねると、どのデータを見て、どう結合すればよいかを Knowledge Catalog が教え、その情報をもとに作ったクエリが Borderless Lakehouse を通じて、他のクラウドや SaaS のデータにも届く。スライドによれば、結合はゼロコピーのフェデレーションでソース側で実行し、簡潔な結果だけをエージェントに返す。堤氏は、BigQuery にはデータエージェントを簡単に作る仕組みがあり、Databricks にあるデータも含めて「3クリックぐらいで」作れると述べた。

「Gemini × Borderless Lakehouse」と題したスライド。質問を受けた Gemini プラットフォームが Knowledge Catalog で関連データを探し、Looker、BigQuery、Managed Spark を通じて Borderless Lakehouse にクエリをプッシュダウンする図

質問の意味は Knowledge Catalog が補い、データの所在の違いは Borderless Lakehouse が吸収する

BigQuery 管理の Iceberg テーブルを使う利点

堤氏は、BigQuery が管理する Iceberg テーブルならではの利点も紹介した。1つはマルチステートメント トランザクションだ。複数のテーブルにまたがる更新を1つの単位として扱い、コミットするまではロールバックできる。Iceberg そのままでは単一のクエリ単位などの制約があるが、BigQuery 管理の Iceberg テーブルでは、通常のデータベースのような ACID 特性を持ったトランザクションを組める。スライドでは、財務データの更新や、GDPR/CCPA に基づく削除要求の確実な実行といった用途が挙げられていた。

もう1つは、CDC(変更データキャプチャ)によるリアルタイムな取り込みだ。堤氏によると、Iceberg は他のオープンテーブルフォーマットに比べて、リアルタイムにデータを入れると管理が大変になり、不要なファイルも増えやすい。BigQuery が間に入って一旦受け止めることでこれを解決し、業務データベースやログをリアルタイムに連携できるという。

このほか、Lakehouse runtime catalog で管理する Iceberg テーブルに BigQuery から DML を実行する機能がプレビューで出ていること[1]、BigQuery や Lakehouse のデータを分析した結果を Spanner、Bigtable、AlloyDB に書き戻す「リバース ETL」の機能を順次提供していることも紹介した。分析結果をアプリケーションのバックエンドに戻し、フロントエンドから使いやすくするための仕組みだ。

BigQuery で扱う4つのテーブル形式

セッションの中心は、テーブル形式の選び方だった。スライドでは、ストレージの所在とカタログの管理主体によって、BigQuery で扱うテーブルを4つに分けていた。

「BigQuery で扱う 4 つのテーブル アーキテクチャ」と題したスライド。BigQuery ネイティブ、BigQuery 管理 Iceberg、Lakehouse 管理 Iceberg、外部カタログ連携の4列

4つの選択肢は、エンジン、カタログの管理主体、物理ストレージの3つの観点で違う

形式 主なエンジン・利用 カタログ 物理ストレージ 位置づけ
① BigQuery ネイティブ BigQuery の全機能 BigQuery カタログ BigQuery 管理ストレージ 高速な BI・AI 分析の第一選択
② BigQuery 管理 Iceberg BigQuery が書き込み・更新、OSS エンジンは読み取り BigQuery カタログ 自社の Cloud Storage BigQuery 主導で管理しつつオープンに公開
③ Lakehouse 管理 Iceberg OSS と BigQuery が双方向に読み書き(BigQuery の DML はプレビュー) Lakehouse runtime catalog 自社の Cloud Storage マルチエンジン共存の中核
④ 外部カタログ連携 BigQuery・Managed Spark から読み取り 外部カタログを自動同期 Amazon S3/ADLS/GCS マルチクラウドのデータをその場で分析

※スライド「BigQuery で扱う 4 つのテーブル アーキテクチャ」をもとに編集部が整理

堤氏の整理はこうだ。一番速くて安いのはネイティブテーブル。公開して他のエンジンにも読ませたいなら BigQuery 管理の Iceberg。BigQuery からも読み書きはするが、Spark など OSS を主体にするなら Lakehouse 管理の Iceberg。他のクラウドにあるものをそのまま参照したいなら外部カタログ連携、というイメージになる。

迷いやすいのが、②と③の2つのマネージド Iceberg テーブルの違いだ。BigQuery 管理の Iceberg テーブルは、列・行レベルのセキュリティやデータマスキングを BigQuery のネイティブテーブルのように使え、Storage Write API による高スループットなストリーミングにも対応する。その代わり、Spark などの OSS エンジンから直接書き込むことはできない。一方、Lakehouse runtime catalog 管理の Iceberg テーブルは、OSS エンジンと BigQuery の双方から書き込める。標準の Iceberg REST カタログなので、オープンにしたいという要望に合うことが多いが、スライドによれば BigQuery の行・列レベルのセキュリティには現時点で対応していない。堤氏は、性能面でも今は BigQuery 管理のほうが優れているとしつつ、ロードマップでアップデートが多そうな部分だと述べた。

では、どれか1つに統一すべきか。堤氏は「統一したい気持ちはすごく出てくるが、このご時世、データウェアハウスのレベルでも統一は難しい」と話し、データの階層とワークロードに応じて使い分けることを勧めた。ブロンズやシルバーの層ではそれぞれの形式で整えつつ、特に AI から使うゴールドの層では BigQuery を選ぶ顧客も多いという。堤氏は、BigQuery のオートスケールが今年特に改善し、AI のように断続的に大量のクエリが来る用途に効果があると話した。ゴールドの層のデータを他のチームに渡す場合は、BigQuery から書き込める Iceberg を用意すれば、エクスポートして使い終わったら消す、といった手間がなくなるという。

Point

オープンにするほど BigQuery の機能からは離れる。すべてを Iceberg にそろえるのではなく、速さが要る層は BigQuery ネイティブ、他のエンジンと共有する層は Iceberg と、データの役割ごとに選ぶ。

他クラウドのデータを参照する2つの方式

AWS や Azure にあるデータを BigQuery から使う方法は2つある。1つは、外部の Iceberg カタログを同期する「Lakehouse Federated Catalog」(GA)。もう1つは、BigQuery の外部テーブルを他のクラウドに対しても作れる「BigQuery Cross-Cloud Connections」で、スライドでは Preview と表記されていた[2]。堤氏は、Iceberg をまだ使っていない企業も多いことから、Iceberg 以外のファイルを BigQuery から参照できるようにしたのが Cross-Cloud Connections だと説明した。

「他クラウドのデータを参照する 2 つの方式」と題したスライド。Lakehouse Federated Catalog はカタログを同期し、BigQuery Cross-Cloud Connections はファイルを直接読み取る

カタログがあれば Federated Catalog、カタログのないファイルなら Cross-Cloud Connections

比較の観点 Federated Catalog(GA) Cross-Cloud Connections(Preview)
対象データ 外部の Iceberg カタログ(Glue/Unity/Horizon など) S3・Azure Blob 上のファイル(Parquet・CSV など)
メタデータ カタログ単位で自動同期(最短300秒) 外部テーブル・外部スキーマを個別に定義
利用エンジン BigQuery・Managed Spark・Apache Spark BigQuery のみ
向いている場面 Iceberg カタログの横断、Spark との併用 カタログのないファイルを BigQuery で分析

※スライド「マルチクラウド接続方式の判断軸」をもとに編集部が整理

堤氏は、Iceberg であれば Federated Catalog を使うのが基本だと話した。テーブルが増えたり、スキーマが変わったりしても自動で更新され、Iceberg 自体が必要なデータだけを取ってくる仕組みを持つため、たいていの場合は性能面でも有利だという。一方、少しだけデータを連携したい、とりあえず参照して別のデータマートを作りたい、Iceberg 形式ではない、といった場合は、Cross-Cloud Connections で BigQuery から直接参照できる。

3つの連携パターンと、Databricks × BigQuery のデモ

最後のパートで堤氏は、典型的な構成を3つのパターンとして示した。

パターン A:Google Cloud 内のマルチエンジン共存

Lakehouse runtime catalog で Iceberg テーブルを管理し、Spark、Dataflow、BigQuery から双方向に読み書きする。オープンソースにこだわる構成。コンパクションなどの管理ジョブを自動で任せられる(自動テーブル管理はスライドでは Preview)。

パターン B:マルチクラウド・外部カタログ統合

AWS Glue、Databricks Unity Catalog、Snowflake Horizon Catalog にある Iceberg を Federated Catalog で参照し、Google Cloud 上のデータマートとゼロコピーで結合する。参照専用。Iceberg 以外のファイルは Cross-Cloud Connections でつなぐ。

パターン C:BigQuery 管理データの安全な外部公開

BigQuery でストリーミング取り込みや自動最適化を行い、BigQuery 管理の Iceberg テーブルとして Spark、Trino、Flink などの外部エンジンに読み取り専用で公開する。BigQuery から CTAS するだけで Iceberg テーブルができる。

※スライド「パターン A」「パターン B」「パターン C」をもとに編集部が整理

「パターン B:マルチクラウド・外部カタログ統合」と題したスライド。外部 Iceberg カタログ資産は Lakehouse Federated Catalog、非 Iceberg ファイル資産は BigQuery Cross-Cloud Connections を経て、BigQuery、Managed Service for Apache Spark、Knowledge Catalog と Gemini につながる

パターン B は、他クラウドの Iceberg 資産と Google Cloud 上のデータマートをコピーせずに結合する

パターン B の構成例として、東京リージョンどうしで AWS Glue のカタログと BigQuery を連携する設定も紹介された。スライドによれば、静的なアクセスキーを使わず OIDC の短命トークンで信頼関係を結び、gcloud コマンドでフェデレーテッド カタログを作成して同期を有効にすれば、BigQuery のテーブルと Glue 側のテーブルを1本の SQL で JOIN できる。

デモ:Databricks のテーブルを BigQuery から分析する

続いて、パターン B を実際に動かすデモ動画(約1分)が流された。動画は自動で再生されず、堤氏が操作しながらの紹介になった。始めるのに必要なのは3ステップだと堤氏は説明した。Databricks 側で、共有したい Delta Lake のテーブルの UniForm を有効にして Iceberg として読めるようにすること、Lakehouse に Databricks のカタログを指す Federated Catalog を作ること。そこまでできれば、あとはクエリを書くか、質問するだけだ。

デモは次の流れで進んだ。

  • STEP 1:Databricks の Unity Catalog で、CRM の受注実績テーブル(Delta Lake、UniForm で Iceberg も有効)と、受注 ID・顧客セグメント・金額など7列のスキーマを確認する
  • STEP 2:BigQuery Studio を開くと、連携したカタログとして Databricks のテーブルが表示される。スキーマや列の説明は Databricks と同じで、テーブルの詳細では、データの場所が Unity Catalog が管理する S3 上であること、カタログのソースが Databricks Unity(Iceberg REST カタログ経由)であることが分かる
  • STEP 3:Databricks 側の受注テーブルと、BigQuery のネイティブテーブルにある広告キャンペーンの日次データを1本の SQL で JOIN し、キャンペーン別の広告費と受注売上(ROAS)を集計する
  • STEP 4:この2つのテーブルをナレッジソースにしたデータエージェントに、会話分析で「3月26日に売上が落ち込んだ理由と、影響を受けた顧客セグメント」を自然言語で尋ねる。エージェントは両方のデータを組み合わせて答え、顧客セグメント別の売上推移のグラフも自動で作った

※デモ画面の表示と堤氏の説明をもとに編集部が整理。デモのデータは説明用に用意されたもの

堤氏によると、この会話分析のエージェントは BigQuery の Conversational Analytics の機能で、「本当に3クリック、2クリックでも」作れる。その分析の対象に、他のクラウドにあるデータも入れられるようになったという。

要件から選ぶアーキテクチャ

締めくくりに堤氏は、ここまでの内容を選定フローにまとめた。最初の分かれ目は、対象のデータがどこにあるかだ。

  • Google Cloud 内:BigQuery で完結し最速の BI・AI 分析をしたいなら BigQuery ネイティブテーブル。BigQuery で書き込みを管理しつつ外部に公開したいなら BigQuery 管理の Iceberg(パターン C)。Spark や Flink などと双方向に読み書きしたいなら Lakehouse 管理の Iceberg(パターン A)
  • 他のクラウド(AWS/Azure など):外部の Iceberg カタログがあれば Federated Catalog(パターン B)。カタログのないファイルなら BigQuery Cross-Cloud Connections

※スライド「要件から選ぶアーキテクチャ選定フロー」をもとに編集部が整理

「要件から選ぶアーキテクチャ選定フロー」と題したスライド。対象データの所在から、Google Cloud 内と他クラウドに分かれ、5つの選択肢にたどり着くフローチャート

どのパターンを選んでも、Knowledge Catalog のガバナンスと Gemini/Conversational Analytics につながる

堤氏が最後に強調したのは、どのパターンを選んでも Knowledge Catalog の管理対象になり、Gemini などによる AI の分析、これまでの BI、会話分析やエージェントによる分析にまで対応できるという点だ。「BigQuery を真ん中に置いてもらえれば、他のクラウドのデータも、頑張って集めなくても使える」。それが Iceberg でデータをオープンにすることの効果の1つだと話し、セッションを締めくくった。

マイクを持って会場を見ながら話す堤 崇行氏

デモの後、パターン C と選定フローを説明する堤氏

SPEAKER

登壇者

堤 崇行 氏
Google Cloud
データ アナリティクス スペシャリスト テックリード

開催概要

イベント Data & AI Summit '26 Fall(主催:Google Cloud)
開催日 2026年11月18日(水)
会場 Google 渋谷オフィス+オンライン配信
セッション 【Track 3】BigQuery と Iceberg のアーキテクチャ設計 ― マルチクラウド対応と連携パターン
登壇 堤 崇行氏(Google Cloud データ アナリティクス スペシャリスト テックリード)

出典:Data & AI Summit '26 Fall 公式ページ

References

  1. Google Cloud「Lakehouse release notes」. https://docs.cloud.google.com/lakehouse/docs/release-notes(参照 2026-11-19)
  2. Google Cloud「BigQuery release notes」. https://docs.cloud.google.com/bigquery/docs/release-notes(参照 2026-11-19)

本イベントのほかのレポートも公開しています

この記事では Track 3 の Google Cloud による BigQuery と Iceberg のセッションを取り上げました。ほかの12本のレポートは、上の一覧からご覧いただけます。(trends. 編集部)

ブログに戻る

コメントを残す

コメントは公開前に承認される必要があることにご注意ください。

企業・法人向けのIT・プログラミング・生成AI研修を探す、比較する - IT・プログラミングを知って学べるコネクトメディア CodeCampが提供するDX人材育成が可能なプログラミングやITが学べる公開講座 - IT・プログラミングを知って学べるコネクトメディア コードキャンプが提供する無料で学べるプログラミングスクール講座 - IT・プログラミングを知って学べるコネクトメディア コードキャンプDX人材育成研修 - IT・プログラミングを知って学べるコネクトメディア 3.5日の研修で、年間1,600時間の削減効果が見込まれる。東京きらぼしフィナンシャルグループのDX人材育成事例 - IT・プログラミングを知って学べるコネクトメディア 配属3ヶ月で30%の生産性向上を実現するいよぎんコンピュータサービスの新人研修に迫る - IT・プログラミングを知って学べるコネクトメディア 金融業界の業務効率化を加速するニッセイアセットマネジメントの生成AI×GAS活用研修事例 - IT・プログラミングを知って学べるコネクトメディア 【製造業のDX人材育成事例】デジタル人材の即戦力化を実現する、日本ガイシ株式会社の異動者向オンボーディング研修 - ITやプログラミングを知って学べるコネクトメディア フューチャーアーキテクト株式会社が実現した新入社員向けIT研修プログラムでタスクフォース制度が主体的な学びと成長を生み出す - IT・プログラミングを知って学べるコネクトメディア コードキャンプDX人材育成研修 - IT・プログラミングを知って学べるコネクトメディア コードキャンプIT・プログラミング研修事例/【IT新入社員研修】オンラインとオフラインの最適バランスを実現したFutureOneの導入事例 - IT・プログラミングを知って学べるコネクトメディア コードキャンプIT・プログラミング研修事例/【新入社員研修】柔軟なハイブリッド型Java研修で実現した新卒20名の成長と成果|サークレイス株式会社 - ITやプログラミングを知って学べるコネクトメディア コードキャンプIT・プログラミング研修事例/現場により近いところにデジタルを根付かせるDX基礎講座研修|株式会社ブリヂストン - ITやプログラミングを知って学べるコネクトメディア コードキャンプIT・プログラミング研修事例/業務の効率化・DX推進に向けたIT人材育成への第一歩|株式会社カナエ - ITやプログラミングを知って学べるコネクトメディア 企業・法人向けのIT・プログラミング研修 - ITやプログラミングを知って学べるコネクトメディア

What's New

新着記事

対象者別で探す

子供(小学生・中学生・高校生)向け
プログラミング教室検索する

子供(小学生・中学生・高校生)がロボットやプログラミング言語を学ぶことができるオフラインからオンラインスクールを検索、比較することが可能です。

子供(小学生・中学生・高校生)
プログラミング教室検索する

ITやプログラムなどの
最新情報を検索する

日々、新しいITやプログラミング言語の情報が流れていきますが、特定の情報を時系列でニュースやコラムを確認することができます。

ITやプログラムなどの
最新情報を検索する