---
title: "DatabricksとSnowflakeの違い：DBUとクレジットの課金差とIceberg相互参照の設定で決める選び方【2026年版】"
url: "https://www.issoh.co.jp/tech/details/19825/"
published: 2026-11-15
updated: 2026-11-15
categories: ["データベース"]
publisher: "株式会社一創"
---

# DatabricksとSnowflakeの違い：DBUとクレジットの課金差とIceberg相互参照の設定で決める選び方【2026年版】

DatabricksとSnowflakeの違いは、機能の一覧表を見比べてもほとんど分かりません。2026年時点ではどちらもSQL・Python・Iceberg・生成AIに対応していて、差が残るのは「何を数えて請求するか」と「どの処理を主役に据えた設計か」の2点です。この記事では、2026年11月時点の公式の単価表とドキュメントをもとに、東京リージョンでの費用の試算、最低課金と自動停止の差、両製品で同じテーブルを読むIcebergの設定SQL、ストリーミングと機械学習の適性を順に比べます。最後に、どちらを選ぶか、併用をやめるべき場面はどこかを条件で言い切ります。

## まとめ：DatabricksとSnowflakeの違いは課金単位と主役の処理で決まる

SQLで集計してBIに出す処理が中心で、利用者の人数や時間帯が読めないなら、Snowflakeを選びます。ウェアハウスは最低60秒で止まり、費用はクレジット×稼働時間という単純な式で読めます。

Pythonによる加工、機械学習、秒単位の鮮度が要るストリーミングが中心なら、Databricksを選びます。費用はDBU×SKU単価で決まり、処理の種類ごとに単価が変わるので、ジョブの設計次第で安くも高くもなります。

両方をすでに使っているなら、データのコピーをやめ、Unity CatalogのテーブルをIcebergとしてSnowflakeから読む構成に寄せます。ただし、同じ表を両側から書き換える使い方は避けてください。

## DatabricksとSnowflakeの違い：出自とデータの置き場所を比較する

まず、2製品がどこから来て、データをどこに置く設計なのかを押さえます。費用と運用の差は、ほぼすべてここから生じます。

### Sparkのレイクハウスと仮想ウェアハウスのDWHという2つの出自

Databricksは、Apache Sparkの開発者が始めた分析基盤です。データは利用者自身のクラウドアカウントにあるS3などのオブジェクトストレージに、Delta Lake形式のファイルとして置かれます。計算資源もクラシック構成なら自分のAWSアカウント内のEC2で動き、Databricksはその上で動く処理に対して課金します。データレイクとDWHを1つにまとめる考え方は[データレイクハウスとは？データレイク・DWHとの違いとアーキテクチャ](https://www.issoh.co.jp/tech/details/13628/)で、保存形式そのものは[Delta Lakeとは？データレイクに信頼性を与えるオープンテーブルフォーマット](https://www.issoh.co.jp/tech/details/13623/)で解説しました。

Snowflakeは、クラウドDWHとして生まれた製品です。データはSnowflakeが管理するストレージに独自形式で格納され、利用者は「仮想ウェアハウス」という計算資源を起動してSQLを投げます。ストレージも計算もSnowflakeの請求に含まれるため、クラウド事業者の請求を別に見る必要がありません。

### 課金・データ形式・開発言語・データ統治の違いで並べる2製品の比較表

2026年11月時点の公式ドキュメントで確認できる範囲を、選定で効く項目に絞って並べます。表のSnowflakeのストリーミング取り込みはSnowpipe Streaming、動的テーブルはDynamic Tablesを指します。

| 比較項目      | Databricks                | Snowflake            |
| --------- | ------------------------- | -------------------- |
| 課金の単位     | DBU×SKUごとの単価              | クレジット×エディション単価       |
| 計算資源の置き場  | 自社クラウド（クラシック）か管理側（サーバーレス） | Snowflake側           |
| 標準のテーブル形式 | Delta Lake（Iceberg読み取り可）  | 独自形式（Icebergテーブル可）   |
| 主な開発言語    | Python・SQL・Scala          | SQL・Python（Snowpark） |
| データ統治     | Unity Catalog             | Horizon Catalog      |
| ストリーミング   | Structured Streaming      | ストリーミング取り込み・動的テーブル   |

表のうち、選定を分けるのは上の2行です。残りの行は両製品とも機能がそろってきていて、差は「できるかどうか」ではなく「どちらが主役の設計か」に移っています。統治の仕組みは[Unity Catalogとは？3レベル名前空間と権限継承](https://www.issoh.co.jp/tech/details/16134/)と[Snowflake Horizon Catalogとは？外部エンジン連携とガバナンス設定SQL](https://www.issoh.co.jp/tech/details/2717/)で個別に扱っています。

## 課金の違い：DBUとクレジットを東京リージョンの単価で試算する

ここからは、同じ「小さいSQL用の計算資源を1時間動かす」場面で、請求がどう決まるかを公式の単価で計算します。

### Snowflakeのクレジット：Gen2のXSは毎時1.35で東京は4.30ドル

Snowflakeの[Service Consumption Table](https://www.snowflake.com/legal-files/CreditConsumptionTable.pdf)（2026年11月12日発効版）では、標準ウェアハウスのXSが毎時1クレジットで、サイズを1段上げるごとに2倍になります。第2世代（Gen2）のウェアハウスはAWSとGoogle CloudでXSが毎時1.35クレジット、Azureで1.25クレジットです。

クレジットの単価は、AWS東京のオンデマンドでStandardが2.85ドル、Enterpriseが4.30ドル、Business Criticalが5.70ドルです。EnterpriseのGen2のXSを1時間動かすと、1.35×4.30で5.805ドルになります。ストレージは同じ表で東京が1TBあたり月25.00ドルで、計算とは別に請求されます。

### SQL Serverlessの2X-Small：毎時4 DBUの課金単位

Databricksの[料金ページ](https://www.databricks.com/product/pricing)は、DBUを処理能力を標準化した単位と定義し、秒単位で課金すると説明しています。同ページが読み込む価格データを2026年11月15日に取得すると、AWS東京のSQL Serverlessは1 DBUあたり1.00ドルで、PremiumとEnterpriseで同額でした（米国東部は0.70ドル）。

サイズごとの消費量は、[Microsoft LearnのDBU消費表](https://learn.microsoft.com/en-us/azure/databricks/resources/pricing)で2X-Smallが毎時4 DBU、X-Smallが6、Smallが12、Mediumが24です。東京の2X-Smallを1時間動かせば4.00ドルで、サーバーレスなので裏で動くVMの費用も含まれます。

注意したいのは、Snowflakeの「XS」とDatabricksの「2X-Small」は同じ性能を意味しない点です。1時間あたりの単価は近くても、同じクエリが何分で終わるかは製品ごとに違います。比較は、手元の代表的なクエリを両方で流し、実行時間×時間単価で行ってください。

### 不定期のBI処理で最低課金60秒と自動停止5分の差が月額に効く設定例

単価よりも請求額を動かすのは、処理が終わってから計算資源が止まるまでの待ち時間です。Snowflakeは[コンピュートコストの説明](https://docs.snowflake.com/en/user-guide/cost-understanding-compute)のとおり、起動ごとに最低60秒を課金し、その後は秒単位です。Databricksの[SQLウェアハウス作成ページ](https://docs.databricks.com/aws/en/compute/sql-warehouse/create)では、サーバーレスの自動停止は既定10分で、画面からは5分まで縮められます。

```
-- Snowflake：60秒で止まるXSウェアハウス
CREATE WAREHOUSE IF NOT EXISTS bi_wh
  WAREHOUSE_SIZE = XSMALL
  AUTO_SUSPEND = 60
  AUTO_RESUME = TRUE
  INITIALLY_SUSPENDED = TRUE;

# Databricks：REST APIでサーバーレスのSQLウェアハウスを作る
curl -X POST "https://${DATABRICKS_HOST}/api/2.0/sql/warehouses" \
  -H "Authorization: Bearer ${DATABRICKS_TOKEN}" \
  -d '{
    "name": "bi_wh",
    "cluster_size": "2X-Small",
    "warehouse_type": "PRO",
    "enable_serverless_compute": true,
    "auto_stop_mins": 10,
    "max_num_clusters": 1
  }'
```

サーバーレスにするには`warehouse_type`を`PRO`にし、`enable_serverless_compute`を`true`にします。APIリファレンスは`auto_stop_mins`を0か10以上と定めているため、例では10分にしました。5分にしたい場合は画面から変更します。

差を数字にします。1日に20回、間隔を空けてBIのクエリが来る場合、待ち時間だけでSnowflakeは20分、Databricksは自動停止5分でも100分ぶん課金されます。東京の単価に直すとSnowflakeのGen2のXSで約1.94ドル、Databricksの2X-Smallで約6.67ドルで、1日あたり3倍強の差です。不定期の問い合わせが多いBI用途ほど、この差が月額に積み上がります。

### 費用の実績を取るSQL：METERING\_HISTORYとsystem.billing

試算より確かなのは、PoCの期間中に実際の消費を集計することです。両製品とも、課金の元データをSQLで引けます。

```
-- Snowflake：ウェアハウス別の月間クレジット消費
SELECT warehouse_name,
       SUM(credits_used) AS credits
FROM snowflake.account_usage.warehouse_metering_history
WHERE start_time >= '2026-11-01' AND start_time < '2026-12-01'
GROUP BY warehouse_name
ORDER BY credits DESC;

-- Databricks：SKU別の月間DBU消費
SELECT sku_name,
       SUM(usage_quantity) AS dbu
FROM system.billing.usage
WHERE usage_date BETWEEN '2026-11-01' AND '2026-11-30'
  AND usage_unit = 'DBU'
GROUP BY sku_name
ORDER BY dbu DESC;
```

Databricks側の[課金テーブルのリファレンス](https://docs.databricks.com/aws/en/admin/system-tables/billing)によると、利用記録の反映には通常12時間ほどかかります。Snowflakeの`ACCOUNT_USAGE`にも遅延があるため、当日の値ではなく前日までの値で比べてください。単価を掛けて金額に直す方法は、[Databricksとは？できること・DBU課金の料金と業種別の費用](https://www.issoh.co.jp/tech/details/3557/)でSQLごと示しています。

## Delta LakeとIceberg：両製品で同じテーブルを読む設定の手順

両製品を併用している組織で一番費用がかさむのは、同じデータを2か所に複製して持つことです。2026年11月時点では、DatabricksのテーブルをIcebergとして公開し、Snowflakeから直接読む経路が公式に用意されています。

### Delta側でIceberg読み取りを有効にするTBLPROPERTIESの指定

Databricksの[Iceberg読み取りのドキュメント](https://docs.databricks.com/aws/en/delta/iceberg-reads)によると、DeltaテーブルにIcebergのメタデータを追加で生成させると、データファイルを書き直さずにIcebergクライアントから読めます。条件は、テーブルがUnity Catalogに登録されていることと、書き込みにDatabricks Runtime 14.3 LTS以上を使うことです。

```
-- 新規テーブルで有効にする
CREATE TABLE main.sales.orders (
  order_id BIGINT,
  ordered_at TIMESTAMP,
  amount DECIMAL(12, 2)
) TBLPROPERTIES (
  'delta.columnMapping.mode' = 'id',
  'delta.enableIcebergCompatV2' = 'true',
  'delta.universalFormat.enabledFormats' = 'iceberg'
);

-- 有効になったかを確かめる
SHOW TBLPROPERTIES main.sales.orders;
```

既存のテーブルは、Runtime 15.4 LTS以上で`ALTER TABLE ... SET TBLPROPERTIES`を使い、`delta.columnMapping.mode`を`name`にして同じ2項目を足します。有効にするとParquetの圧縮方式がSnappyからZstandardに変わり、Deltaのプロトコル版の引き上げは元に戻せません。

### SnowflakeからUnity Catalogへつなぐカタログ統合とリンクDB

Unity Catalogは[Iceberg RESTカタログのエンドポイント](https://docs.databricks.com/aws/en/external-access/iceberg)を持っています。メタストアで外部データアクセスを有効にし、Snowflakeが使う主体に`EXTERNAL USE SCHEMA`を付与したうえで、Snowflake側に[Unity Catalog向けのカタログ統合](https://docs.snowflake.com/en/user-guide/tables-iceberg-configure-catalog-integration-rest-unity)を作ります。

```
-- Databricks側：Snowflakeが使う主体にスキーマの外部利用を許可
GRANT EXTERNAL USE SCHEMA ON SCHEMA main.sales TO `snowflake-reader`;

-- Snowflake側：Unity CatalogをIceberg RESTカタログとして登録
CREATE OR REPLACE CATALOG INTEGRATION unity_int
  CATALOG_SOURCE = ICEBERG_REST
  TABLE_FORMAT = ICEBERG
  REST_CONFIG = (
    CATALOG_URI = 'https://<workspace-url>/api/2.1/unity-catalog/iceberg-rest'
    CATALOG_NAME = 'main'
    ACCESS_DELEGATION_MODE = VENDED_CREDENTIALS
  )
  REST_AUTHENTICATION = (
    TYPE = BEARER
    BEARER_TOKEN = '<personal_access_token>'
  )
  ENABLED = TRUE;

SELECT SYSTEM$VERIFY_CATALOG_INTEGRATION('unity_int');

-- スキーマとテーブルを自動で検出するカタログリンクDB
CREATE OR REPLACE DATABASE uc_main
  LINKED_CATALOG = (CATALOG = 'unity_int');

SELECT COUNT(*) FROM uc_main."sales"."orders";
```

カタログリンクDBは、Unity Catalog側のスキーマとIcebergテーブルを自動で検出し、手動のメタデータ更新が要りません。Unity Catalogの名前は小文字なので、Snowflakeでは二重引用符で囲んで指定します。個人のアクセストークンは作成したユーザーの権限をすべて引き継ぐため、本番では権限を絞ったサービスプリンシパルとOAuthで組む方が安全です。認証の項目は[CREATE CATALOG INTEGRATIONのリファレンス](https://docs.snowflake.com/en/sql-reference/sql/create-catalog-integration-rest)にまとまっています。

### Iceberg相互参照で詰まる制限：削除ベクトルと読み取り専用の範囲

設定が通っても、次の3つで止まることがあります。影響の大きい順に並べます。

- Iceberg読み取りを有効にしたDeltaテーブルは、Snowflakeからは読み取り専用です。カタログリンクDBは既定で書き込みもできますが、書けるのはUnity CatalogのマネージドIcebergテーブルに限られます。
- Iceberg v2の読み取りは削除ベクトルに対応しません。削除ベクトルを使っている既存テーブルは、`REORG TABLE ... APPLY (UPGRADE UNIFORM(ICEBERG_COMPAT_VERSION=2))`でデータファイルを書き直す必要があります。
- マテリアライズドビューとストリーミングテーブルにはIcebergCompatV2を付けられません。パイプライン管理の表はIcebergCompatV3を使います。

1つ目が設計を左右します。書き込みの持ち主はどちらか一方に決め、もう一方は読むだけにする。これを守れば、複製と同期のジョブを丸ごと減らせます。

## ストリーミングとMLの適性：データの鮮度と学習環境で分かれる境界

SQLの集計では差が縮んだ2製品も、鮮度の要件と機械学習の扱いでは今も得意分野が分かれます。

### ストリーミングの鮮度要件：秒未満と分単位で分かれる処理方式の比較

秒未満の鮮度はStructured Streaming、分単位ならDynamic Tablesが比較の対象です。

Databricksの[リアルタイムモードの解説](https://docs.databricks.com/aws/en/structured-streaming/real-time/concepts)は、Structured Streamingのリアルタイムモードがマイクロバッチ方式より最大100倍速いと説明し、不正検知のような即時応答の用途を挙げています。Kafkaから受けたイベントをその場で判定して返すような処理は、Databricksの守備範囲です。

Snowflakeで鮮度を保つ主な手段はDynamic Tablesで、[ターゲットラグの設定ページ](https://docs.snowflake.com/en/user-guide/dynamic-tables/target-lag)によると最小値は60秒です。売上や在庫の集計を1〜15分おきに新しくしておく、という要件ならSnowflakeで足ります。秒より短い応答を求めるかどうかが、2製品を分ける線です。

### MLflowとSnowflake MLのどちらにモデル管理を寄せるかの判断

Databricksは、実験管理とモデル登録にMLflowを組み込んでいて、学習・特徴量・推論の提供までを1つのワークスペースで扱えます。GPUクラスタでのファインチューニングやPySparkによる大規模な前処理を日常的に回すチームには、こちらが合います。

Snowflakeも[Snowflake ML](https://docs.snowflake.com/en/developer-guide/snowflake-ml/overview)として、Model Registry、Feature Store、Notebooks上のContainer Runtime、ML Jobs、Snowpark Container Servicesでの推論提供、Experimentsをそろえています。データをSnowflakeの外に出さずに需要予測や分類モデルを作る用途なら、Snowflake側で完結させた方が権限の管理が1か所で済みます。Snowflake上でPythonのアプリを動かす費用の決まり方は、[Streamlit in Snowflakeの料金・課金体系](https://www.issoh.co.jp/tech/details/5956/)でウェアハウスとコンテナの両方を説明しました。

## 選定の結論：Databricksを選ぶ条件とSnowflakeを選ぶ条件

ここまでの仕様と単価を踏まえ、どちらを選ぶかを条件で決めます。

### Snowflakeを選ぶ条件：SQL中心のBIと利用時間が読めない分析

次の3つがそろうなら、Snowflakeを選びます。分析の担い手がSQLを書くアナリストやBIツールであること。問い合わせの時間帯と回数が読めず、計算資源が止まっている時間が長いこと。クラウドの請求を1本にまとめ、ストレージの運用を任せたいことです。

最低課金60秒の設計は、不定期の問い合わせが多いほど効きます。変換処理をdbtで組むなら、接続とSnowflake内での実行方法は[dbtとSnowflakeの連携：キーペア認証の接続設定](https://www.issoh.co.jp/tech/details/19597/)で手順化しています。BigQueryも候補に残っている場合は、[BigQueryとSnowflakeの比較：課金モデルの構造差と同時実行で決める選定基準](https://www.issoh.co.jp/tech/details/16670/)で先に絞り込むと、比較の軸がぶれません。

### Databricksを選ぶ条件：Python加工・ML・ストリーミングが主役

Databricksを選ぶのは、データの加工をPythonやPySparkで書くエンジニアが中心にいて、機械学習かストリーミングのどちらかが計画に入っている場合です。データを自社のS3に置いたまま、他のエンジンからも同じファイルを読みたいという要件もDatabricks寄りになります。AWS上に構築する場合のIAM・VPCの要件は、[Databricks on AWSの構築手順を解説した記事](https://www.issoh.co.jp/tech/details/19828/)で確認できます。

反対に、SQLのレポートを出すだけの用途にDatabricksを選ぶのは過剰です。クラスタやSKUの選び分け、Unity Catalogの権限設計を担う人を置けないなら、見送ってください。

### データの二重更新で併用に失敗する構成と、基盤の設計を外部へ相談する目安

併用でよく起きる失敗は、DatabricksでもSnowflakeでも同じ表を更新し、夜間のコピーで両者をそろえようとする構成です。複製の保管費と同期ジョブの計算費が二重にかかり、どちらが正しい値かという問い合わせが絶えなくなります。書き込みはDatabricks、BIの参照はSnowflakeのカタログリンクDB、というように持ち主を分ければ、この費用は消せます。

製品の選定、単価の試算、Icebergでの相互参照、権限の切り分けを一度に決める局面は、外部の手を借りる価値があります。一創では[データ分析基盤構築・MLOps構築支援](https://www.issoh.co.jp/service/ai/data-platform/)として、DatabricksとSnowflakeを含むデータ基盤の比較検証から設計・構築、運用ルールづくりまでを請け負っています。

## よくある質問

DatabricksとSnowflakeの比較で挙がりやすい質問に答えます。

### DatabricksとSnowflakeはどちらが安いですか？

使い方で逆転するため、単価だけでは決まりません。東京の単価で、SnowflakeのGen2のXSは毎時5.805ドル（Enterprise）、DatabricksのSQL Serverlessの2X-Smallは毎時4.00ドルですが、両者の性能は同じではありません。不定期の問い合わせが多いBIでは最低課金60秒のSnowflakeが有利になりやすく、長時間のバッチを安価なJobs Computeで回す処理ではDatabricksが有利になりやすい傾向があります。

### SnowflakeでDelta Lakeのテーブルを読めますか？

読めます。Databricks側でDeltaテーブルのIceberg読み取りを有効にし、Snowflake側でUnity Catalog向けのカタログ統合とカタログリンクDBを作れば、ファイルを複製せずにSQLで参照できます。ただし、Snowflakeからは読み取り専用です。削除ベクトルを使っている既存テーブルは、先に`REORG`でデータファイルを書き直す必要があります。

### DatabricksとSnowflakeを同じ会社で併用するのは現実的ですか？

現実的です。データサイエンスの部門がDatabricks、経営管理やBIの部門がSnowflakeを使う組み合わせはよくあります。費用を膨らませないためには、テーブルごとに書き込む側を1つに決めることです。Iceberg経由で読むだけにすれば、複製と同期のジョブが要らなくなります。

### データ分析を始めたばかりのチームにはどちらが向いていますか？

SQLを書ける人が中心なら、Snowflakeの方が始めやすいと考えます。ウェアハウスのサイズと自動停止を決めれば動き、クラスタの種類を選び分ける必要がありません。Pythonでの加工や機械学習を最初から予定しているなら、DatabricksのFree Editionで試してから判断する方法もあります。

### BigQueryも比較に入れるべきですか？

Google Cloudにデータがある、またはGA4のデータを分析の中心に据えるなら、入れるべきです。BigQueryは既定で読んだデータ量に応じて課金するため、稼働時間で課金する2製品とは費用の動き方が違います。逆に、データがAWSのS3にあり、Pythonでの加工が主役なら、DatabricksとSnowflakeの2択で絞って問題ありません。

## 関連記事

- [Databricksとは？できること・DBU課金の料金と業種別の費用・導入事例【2026年10月】](https://www.issoh.co.jp/tech/details/3557/)：Databricks単体の機能・SKU別単価・費用集計SQL
- [BigQueryとSnowflakeの比較：課金モデルの構造差と同時実行で決める選定基準](https://www.issoh.co.jp/tech/details/16670/)：Snowflakeのクレジット制をBigQueryと比べた詳細
- [データレイクハウスとは？データレイク・DWHとの違いとアーキテクチャを実装視点で解説](https://www.issoh.co.jp/tech/details/13628/)：Databricksの土台にある設計の考え方
- [Unity Catalogとは？3レベル名前空間と権限継承・移行判断を実装視点で解説【2026年版】](https://www.issoh.co.jp/tech/details/16134/)：Iceberg公開の前提になるカタログの権限設計
- [Snowflake Horizon Catalogとは？外部エンジン連携とガバナンス設定SQL【2026年11月】](https://www.issoh.co.jp/tech/details/2717/)：Snowflake側の統治と外部エンジン連携

---

出典: [DatabricksとSnowflakeの違い：DBUとクレジットの課金差とIceberg相互参照の設定で決める選び方【2026年版】](<https://www.issoh.co.jp/tech/details/19825/>)（株式会社一創）
