Contents
- 1 はじめに ― なぜ料金構造を見直す必要があるのか
- 2 1. Sustained Use Discount（SUD）— 自動適用される割引の実態
- 3 2. Committed Use Discount（CUD）— 長期コミットで得られる割引
- 4 3. AI‑driven Cost Optimization – Recommender の活用
- 5 4. Compute Engine・Kubernetes の具体的削減テクニック
- 6 5. データ分析サービス（BigQuery・BI Engine）の費用抑制
- 7 6. 予算管理・アラート設定の実装例
- 8 7. IaC とスケジューラで実装する自動コスト最適化パイプライン
- 9 まとめ ― コスト最適化を組織文化に根付かせるために
はじめに ― なぜ料金構造を見直す必要があるのか
Google Cloud Platform（GCP）は、サービスごとに従量課金・予約割引・自動割引など多層的な価格モデルを採用しています。
近年は Sustained Use Discount（SUD） の適用範囲拡大や Committed Use Discount（CUD） のプランバリエーションが増え、正しく設定すれば同一リソースでも 20 %〜30 % 程度のコスト削減 が期待できます[^1]。
しかし、割引条件は頻繁に改訂されるため、最新ドキュメントを参照しつつ、以下の 4 つの観点で体系的に整理します。
| 観点 | 主な対象サービス | 期待できる削減効果（目安） |
|---|---|---|
| SUD | Compute Engine、Kubernetes Engine (Autopilot) 等 | 使用率が一定以上になると自動で最大 30 % 割引 |
| CUD | Compute Engine、Cloud SQL、Memory‑Optimized VM 等 | 1 年／3 年コミットで 20 %〜40 % 割引 |
| リソース最適化ツール | Recommender、Idle‑Resource Detector、Cost Table (BigQuery) | 無駄リソースの自動削除で月額数百 USD の節約 |
| サーバーレス・コンテナサービス | Cloud Run、GKE Autopilot、App Engine | アイドル課金が発生しない構成へ移行で最大 45 % 削減 |
本稿では 公式ドキュメントと信頼できる事例 に裏付けた情報だけを扱い、誤解を招く表現は排除します。
1. Sustained Use Discount（SUD）— 自動適用される割引の実態
1-1 公式が示す割引率と適用条件
Google の料金ページでは、「月間使用率が 25 % を超える」 と段階的に割引が付与され、最大 30 %（一部マシンタイプは 35 %） のディスカウントになると明記されています[^2]。
具体的な計算例を示すと次の通りです。
| マシンファミリー | 使用率 25 %〜50 % | 使用率 50 %〜75 % | 使用率 75 %〜100 % |
|---|---|---|---|
| N1 系列 | 約 10 % 割引 | 約 20 % 割引 | 約 30 % 割引 |
| E2 系列 | 約 12 % 割引 | 約 22 % 割引 | 最大 35 % 割引 |
※注記：割引率はマシンタイプ・リージョンにより若干異なるため、実際の請求書で確認してください。
1-2 適用を最大化する運用ポイント
| ポイント | 手順 |
|---|---|
| 利用パターンの平準化 | バッチ処理や CI/CD の実行時間を同一月内に集中させ、使用率が一定以上になるようスケジュール調整。 |
| インスタンスサイズの見直し | 同じワークロードでも e2-standard 系列へ移行すると、割引上限が高くなるケースが多い。 |
| モニタリング | Cloud Monitoring の「Sustained Use Discount」メトリクスをダッシュボード化し、閾値突破状況を可視化。 |
2. Committed Use Discount（CUD）— 長期コミットで得られる割引
2-1 公式プランと適用対象
2024 年 7 月に発表された 「Committed Use Contracts」 は、以下の 2 種類が標準提供されています[^3]。
| 契約期間 | 主な割引率（例） |
|---|---|
| 1 年 | Compute Engine：CPU 最大 20 % 割引、メモリ最大 15 % 割引 |
| 3 年 | CPU 最大 40 % 割引、メモリ最大 30 % 割引 |
※ 6 ヶ月単位の契約や「スパークプラン」などの非公式オファーは、2024 年時点では Google の正式ドキュメントに記載がなく、誤情報となります。
2-2 CUD を有効活用するベストプラクティス
| 手順 | 内容 |
|---|---|
| 1. ワークロードの安定性を評価 | 長期稼働が見込めるバックエンドサービスやデータベースは CUD の対象にし、スポットインスタンスと組み合わせてリスク分散。 |
| 2. リージョン単位でコミット | 同一リージョン内のリソースはまとめてコミットすると、割引が自動的に最適配分されます（「Commitment Allocation」機能）。 |
| 3. 定期的な再評価 | コミット期間終了前に使用実績を分析し、必要であれば 1 年契約へリシフトするか、余剰コミットは自動キャンセル（2024‑05 以降導入）します。 |
2-3 実際のコスト削減例
Google Cloud の公式ケーススタディでは、大手小売業者が Compute Engine の CUD を 3 年契約で適用し、年間コストを 22 % 削減したと報告されています[^4]。この数値は 「平均的な割引率 30 %」 と同等の効果を示しています。
3. AI‑driven Cost Optimization – Recommender の活用
3-1 Recommender の概要と公式情報
Google Cloud Recommender は、CPU・メモリ過剰プロビジョニング、未使用ディスク、アイドル VM などを自動検出し、JSON 形式で推奨アクションを返します[^5]。API 経由で取得できるため、CI/CD パイプラインや Cloud Scheduler と組み合わせた自動化が可能です。
3-2 実装フローのサンプル（Python + Cloud Scheduler）
|
1 2 3 4 5 6 7 |
# Cloud Scheduler のジョブ定義 (gcloud) gcloud scheduler jobs create http apply-recommendations \ --schedule="0 4 * * *" \ --uri="https://REGION-PROJECT.cloudfunctions.net/apply_recommender" \ --http-method=POST \ --oidc-service-account-email=service-ACCOUNT@PROJECT.iam.gserviceaccount.com |
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 |
# Cloud Function (main.py) import os, json from googleapiclient import discovery from google.auth import default def apply_recommender(request): _, project = default() recommender = discovery.build('recommender', 'v1') parent = f'projects/{project}/locations/global/recommenders/google.compute.instance.IdleResourceRecommender' resp = recommender.projects().locations().recommenders().recommendations()\ .list(parent=parent).execute() for rec in resp.get('recommendations', []): # 推奨アクションが「STOP_INSTANCE」の場合のみ実行 if any(act['actionType'] == 'STOP_INSTANCE' for act in rec.get('content', {}).get('operationGroups', [])): instance = rec['description'].split("'")[1] # 簡易抽出例 zone = rec['description'].split("'")[3] compute = discovery.build('compute', 'v1') compute.instances().stop(project=project, zone=zone, instance=instance).execute() return ('OK', 200) |
この構成で 未使用 VM の自動停止 が実現し、顧客環境では 月平均 12 % のコスト削減（約 150 USD/month）が報告されています[^6]。
情報源：Ops Today（2024 年版）に掲載された「GCP Recommender 自動化活用ガイド」へのリンクは https://ops-today.com/gcp-recommender-guide （公式サイトではなくサードパーティメディアですが、内容は Google の公開 API に沿った実装例です）。
4. Compute Engine・Kubernetes の具体的削減テクニック
4-1 カスタムマシンタイプで無駄を排除
- メリット：CPU とメモリの比率をワークロードに合わせて細かく調整でき、標準インスタンスと比較して 5 %〜15 % の課金削減 が可能です。
- 実装例（gcloud）
|
1 2 3 4 5 |
gcloud compute instances create custom-vm \ --custom-cpu=2 --custom-memory=7GB \ --zone=asia-northeast1-a \ --machine-type=custom-2-7168 |
このインスタンスは SUD と CUD（1 年コミット） の両方の対象になるため、さらに割引が適用されます。
4-2 自動スケーリングポリシーの最適化
| 設定項目 | 推奨値 |
|---|---|
| CPU ターゲット | 0.60（60 %） |
| 最小インスタンス数 | 1 |
| 最大インスタンス数 | ワークロード上限の 30 % 程度 (例: 5 台) |
| クールダウン期間 | 300 秒 |
適切に設定された自動スケーリングは、ピーク時以外の余剰リソースを排除し、15 % 前後のコスト削減 が期待できます[^7]。
4-3 Idle リソース検出と自動削除
- 対象：停止中 VM、未使用永続ディスク、外部 IP アドレス
- 実装フロー：Recommender → Cloud Scheduler → Cloud Function（前節参照）
このパイプラインにより、月額 200 USD 相当の無駄コスト が自動的に回避できます。
5. データ分析サービス（BigQuery・BI Engine）の費用抑制
5-1 テーブル設計でスキャン量を削減
- 日付パーティション + クラスタリング を組み合わせると、クエリ実行時のデータ走査量が最大 70 % 減少。
- ベストプラクティス
|
1 2 3 4 5 |
CREATE TABLE `mydataset.sales` PARTITION BY DATE(event_timestamp) CLUSTER BY product_id, region AS SELECT ... |
クエリは必ず _PARTITIONTIME フィルタを入れ、SELECT * を避けて必要列だけ取得します。
5-2 BI Engine のキャッシュ活用
月間 10 000 回以上 実行されるダッシュボードに対し、100 GB プロビジョニングするとスキャンコストが約 40 % 削減（公式ベンチマーク）[^8]。
5-3 サーバーレス・コンテナへの移行効果
| 移行先 | アイドル課金の有無 | 想定削減率 |
|---|---|---|
| Cloud Run | 無し（リクエスト単位） | 30 %〜45 % |
| GKE Autopilot | ノードレベルで自動スケール | 25 %〜40 % |
特に 稼働率が 30 % 以下 のバッチ系ワークロードは、常時 VM を維持するよりも 年間最大 45 % の削減効果があります[^9]。
6. 予算管理・アラート設定の実装例
6-1 Budgets & Alerts の段階的通知
|
1 2 3 4 5 6 7 8 |
gcloud billing budgets create \ --billing-account=012345-67890A-B12345C \ --display-name="Monthly GCP Budget" \ --budget-amount=2000USD \ --threshold-rule=threshold_percent=0.5,spend_basis=CURRENT_SPEND \ --threshold-rule=threshold_percent=0.75,spend_basis=CURRENT_SPEND \ --threshold-rule=threshold_percent=0.9,spend_basis=CURRENT_SPEND |
- 50 % 超で情報共有、75 % 超でエスカレーション、90 % 超で緊急対応という三段階が推奨されています[^10]。
6-2 BigQuery Billing Export と Data Studio の自動レポート
- Cloud Billing → 設定 で
billing_exportデータセットへエクスポート。 - Data Studio（Looker Studio）で新規レポートを作成し、データソースに
billing_exportを選択。 - 「スケジュール配信」機能で 毎月第1営業日 に PDF 版を自動送付。
この仕組みは手動集計の工数を 80 % 削減 し、ステークホルダーへの可視化速度が大幅に向上します。
7. IaC とスケジューラで実装する自動コスト最適化パイプライン
7-1 Terraform による予算アラートと Scheduler ジョブの定義
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 |
resource "google_monitoring_alert_policy" "budget_alert" { display_name = "Monthly Budget Alert" combiner = "OR" conditions { condition_threshold { filter = "metric.type=\"billing.googleapis.com/cost\" AND resource.type=\"global\"" comparison = "COMPARISON_GT" threshold_value = var.monthly_budget * 0.9 duration = "60s" } } notification_channels = [google_monitoring_notification_channel.email.id] } resource "google_cloud_scheduler_job" "apply_recommender" { name = "apply-recommender" schedule = "0 4 * * *" time_zone = "Asia/Tokyo" http_target { uri = "https://REGION-PROJECT.cloudfunctions.net/apply_recommender" http_method = "POST" oidc_token { service_account_email = var.service_account } } } |
7-2 パイプライン全体の流れ
- Terraform が予算アラートと Scheduler ジョブをデプロイ。
- Scheduler が毎日決まった時刻に Cloud Function を呼び出し、Recommender の提案を取得・適用。
- 変更は Git リポジトリで管理され、プルリクエストレビューが必須なので ヒューマンエラーの発生率がほぼゼロ に近づきます。
まとめ ― コスト最適化を組織文化に根付かせるために
| 項目 | 主な施策 | 推奨実装タイミング |
|---|---|---|
| 自動割引の活用 | SUD の使用率平準化、CUD 1/3 年コミット | 新規プロジェクト立ち上げ時 |
| AI‑driven 最適化 | Recommender + Cloud Scheduler + Function | 月次レビューで自動化パイプラインを導入 |
| リソース設計の最適化 | カスタムマシン、パーティション/クラスタリング、サーバーレス移行 | 既存サービスのリファクタリング時 |
| 予算・アラート管理 | 多段階 Budgets、Data Studio 自動レポート | 毎月初めに設定確認 |
| IaC と CI/CD の統合 | Terraform + Cloud Build による継続的適用 | DevOps パイプライン構築時 |
最終的なポイント：
- 公式ドキュメント（Google Cloud Pricing）と最新のケーススタディを定期的にチェックし、情報の鮮度を保つ。
- 割引率は「最大値」であり、実際の適用額はリソース構成・使用パターン次第です。過大な期待は避け、シミュレーション結果と実測データ を比較しながら最適化を進めましょう。
参考文献
- Google Cloud, Sustained Use Discounts – Overview, 2024年10月版. https://cloud.google.com/compute/docs/sustained-use-discounts
- 同上、Discount tiers by machine type（表参照）。
- Google Cloud, Committed Use Contracts, 2024年7月更新. https://cloud.google.com/compute/docs/instances/committed-use-discounts
- Google Cloud Customer Stories, Retailer reduces Compute Engine costs by 22% with CUD, 2023年. https://cloud.google.com/customers/retailer-case-study
- Google Cloud Recommender documentation, 2024年10月版. https://cloud.google.com/recommender/docs
- Ops Today, Automating GCP Recommender with Cloud Scheduler, 2024年9月. URL: https://ops-today.com/gcp-recommender-guide （第三者メディア）
- Google Cloud Blog, Best practices for Compute Engine autoscaling, 2023年12月. https://cloud.google.com/blog/products/compute/best-practices-autoscaling
- BigQuery documentation, BI Engine performance guide, 2024年5月. https://cloud.google.com/bigquery/docs/bi-engine-performance
- Google Cloud Blog, Serverless vs VM cost comparison, 2024年3月. https://cloud.google.com/blog/products/serverless/serverless-vm-cost-comparison
- Google Cloud Billing documentation, Budgets and alerts, 2024年8月. https://cloud.google.com/billing/docs/how-to/budgets
本稿は 2024 年 10 月時点の公式情報を基に作成しています。Google の料金体系は随時変更されるため、最新ドキュメントをご確認のうえご活用ください。