BigLake は、アクセス委任とガバナンスを使用して、Cloud Storage、Amazon S3、Azure Blob Storage などの外部データストア内の構造化データをクエリできる Google Cloud サービスです。BigLake テーブルは、BigQuery の機能をデータレイクに拡張し、柔軟でオープンなレイクハウス アーキテクチャを実現します。外部テーブルを BigLake テーブルにアップグレードすると、データ形式の変換、述語のプッシュダウン、列の投影、メタデータのキャッシュをサポートする BigQuery ストレージ API を活用して、クエリのパフォーマンスを向上させることができます。メタデータのキャッシュにより、外部データストアへのリクエスト数が減り、クエリの実行が高速化されます。外部テーブルを BigLake テーブルにアップグレードするには、SET OPTIONS 句を指定した ALTER TABLE ステートメントを使用し、enable_metadata_caching オプションを true に指定します。
例えば：
構文
ALTER TABLE hive_partitioned_data
オプションの設定（
メタデータキャッシュを有効にする=true
);
AI によって生成されたコードです。慎重に確認して使用してください。詳細については FAQ をご覧ください。
参考文献:
* BigLakeテーブルの紹介
* 外部テーブルをBigLakeにアップグレードする
* BigQuery ストレージ API

マテリアライズド ビューは、定期的に更新できるクエリの結果を含むデータベース オブジェクトです。集計、結合、またはフィルターを含むクエリのパフォーマンスと効率を向上させることができます。マテリアライズド ビューを作成してベース テーブル データを集計し、フィルター句を使用してパーティションの過去 1 年間を指定することで、クエリ結果に常にテーブルの最新データが含まれるようにしながら、計算コスト、メンテナンス オーバーヘッド、および期間を削減できます。マテリアライズド ビューは、ベース テーブル データが変更されると自動的に更新され、フィルター句に一致するパーティションのみを使用します。オプション A は、ベース テーブルから履歴データを削除するため、正しくありません。これは望ましくありません。オプション C は、スケジュールされたクエリによって手動で更新する必要がある冗長テーブルを作成するため、正しくありません。これは、マテリアライズド ビューを使用するよりも複雑でコストがかかります。オプション D は、ビューはデータを保存せず、ベース テーブル データを参照するだけなので、計算コストやクエリの期間を削減できないため、正しくありません。参照:
マテリアライズド ビュー、データ ウェアハウスの ML モデル - Google Cloud
Google Cloud Platform を使用したデータ エンジニアリング - Packt サブスクリプション