Es ist kein Geheimnis, dass Google seit mehr als 20 Jahren an der Spitze der modernsten technischen Lösungen steht, wenn es um Daten geht. Google hat eine der besten Plattformen für die Website-Analyse entwickelt: Google Analytics ist die zentrale Plattform für den Zugriff auf alle Marketingdaten. Es ermöglicht den Nutzern die genaue Überwachung und Verfolgung von Website-Daten. Um alles aus diesen Daten herauszuholen, ist es wichtig, ein umfassendes digitales Marketing-Ökosystem zu schaffen.

Wie erhält man einen 360-Grad-Überblick über die historischen Daten von Google Analytics? Einige Nutzer exportieren Google Analytics-Daten als CSV-Dateien, was umständlich und ineffektiv sein kann. Andere laden Daten von Google Analytics herunter und speichern sie in Google Sheets.

Da die Marketingtechnologie wächst und immer komplexer wird, müssen Data-Warehouse-Lösungen wie Google BigQuery zum Einsatz kommen. Es fungiert als zentraler Datenspeicher für die wichtigen unternehmensweiten Daten. Es ermöglicht es dem Unternehmen, aufschlussreiche Analysen und Prognosemodelle durchzuführen. Begeben wir uns auf Entdeckungstour, um detaillierte Informationen über die Integration von Google Analytics in BigQuery von Grund auf zu erhalten und zu beleuchten.

Einführung in Google Analytics

‍

Mit gutem Grund hat Google Analytics (GA) lange Zeit den Spitzenplatz unter den Website-Analyse-Tools gehalten. Google Analytics bietet eine Vielzahl interaktiver Funktionen, mit denen das Unternehmen Verkehrstrends auswerten und schnell erkennen kann. Es ermöglicht es den Unternehmen, zu messen, wie gut eine laufende Marketingkampagne funktioniert.

Google Analytics liefert zuverlässige und wahrheitsgetreue Informationen über Website-Besucher und ihre Interaktionen und bietet so die Möglichkeit, Konversionen zu verfolgen. Die Website-Betreiber können damit nicht nur feststellen, wie viele Besucher ihre Website besuchen, sondern auch, wie die Besucher mit der Website interagieren und sich mit ihr beschäftigen.

Die neueste Version von Google Analytics, Google Analytics 4 (GA4), bietet gegenüber der Vorgängerversion Universal Analytics eine Reihe von Vorteilen, die für Unternehmen sehr nützlich sein können. Es ermöglicht eine domänenübergreifende Verfolgung, ohne dass Änderungen am Code vorgenommen werden müssen. Bietet zusätzliche Funktionen zum Ändern von Berichten und eine einfachere Zielgruppensegmentierung.

Für Unternehmen, die Google-basierte Dienste für das Marketing nutzen, ist Google Analytics entscheidend für die Überwachung der Leistung dieser Dienste, da es nahtlos mit anderen Google-Diensten zusammenarbeitet. Unternehmen können den ROI (Return On Investment) der Website nur verbessern, wenn sie die zugrunde liegenden Daten der Marketingkampagnen verstehen und analysieren.

Daten sind eine Schlüsselkomponente in jeder digitalen Marketingstrategie, und die Fähigkeit, Daten effektiv zu nutzen, ist der entscheidende Faktor für jedes erfolgreiche Unternehmen. Eine gewinnbringende Organisation sollte proaktiv auf die sich ständig ändernden Anforderungen reagieren, und hier können Webdaten Organisationen helfen, zu erfahren, was auf der Website passiert.

Unternehmen arbeiten intensiv daran, sich einen Wettbewerbsvorteil zu verschaffen und Gewinne zu erwirtschaften, die schließlich zur Expansion des Unternehmens beitragen. Eine starke Business-Intelligence-Technologie dient als Katalysator, damit sich das volle Potenzial entfalten lässt. Die Verwendung von Google Analytics vor dem Start einer Marketingkampagne stellt sicher, dass Sie die gewünschten Ergebnisse erzielen.

Einführung in Google BigQuery

‍

‍

Google BigQuery ist eine weit verbreitete Data-Warehouse-Lösung, die Cloud Computing zur Speicherung großer Datenmengen nutzt. Es handelt sich um eine serverlose Architektur, was bedeutet, dass der Zugriff von überall aus möglich ist. Außerdem erfordert die Einrichtung keinen großen Aufwand und keine hohen Hardwareanforderungen. Dieses Google-Produkt kann im Gegensatz zu bestimmten Cloud-basierten Data Warehouses, die auf dem Markt erhältlich sind, mit minimalem bis gar keinem Wartungsbedarf aufwarten.

BigQuery bietet eine zentrale Kontrolle über Ihre Daten- und Rechenressourcen, und das Identitäts- und Zugriffsmanagement (IAM) hilft bei der Sicherung dieser Ressourcen mithilfe des Google Cloud-Zugriffsparadigmas. Google Cloud Security bietet eine zuverlässige und dennoch anpassungsfähige Strategie, die grundlegende Perimetersicherheit und einen komplexeren und detaillierteren Defense-in-Depth-Ansatz umfasst.

Google BigQuery ermöglicht verschiedene Anwendungen der deskriptiven und präskriptiven Analyse wie BI (Business Intelligence), ML (Machine Learning) usw. Sie können Abfragen auf Daten ausführen, die externe Tabellen oder föderierte Abfragen verwenden, wie z. B. Cloud Storage oder Google Sheets, die in Google Drive gespeichert sind, oder auch in BigQuery gespeicherte Daten abfragen.

Google BigQuery – ein vollständig verwaltetes Cloud Data Warehouse für Analysen von Google Cloud Platform (GCP) – ist eine der beliebtesten Cloud-basierten Analyselösungen. Die einzigartige Architektur von Google BigQuery und die nahtlose Integration mit anderen Diensten von GCP überzeugen auf ganzer Linie! Google BigQuery ist ein Tool, mit dem Unternehmen heute lernen, ihre Transaktionen zu verbessern.

Heutzutage gibt es auf dem Markt viele Tools, die speziell für Organisationen entwickelt wurden, die ELT durchführen. Data Warehouse-Lösungen wie Google BigQuery sind für die Datenanalyse unerlässlich geworden, um den ELT-Prozess zu optimieren, zu automatisieren und zu visualisieren. Google BigQuery ist aufgrund seiner Skalierbarkeit, seiner Sicherheit und seiner leistungsstarken Verarbeitungsfunktionen weltweit die bevorzugte Wahl.

Integration von Google Analytics in BigQuery

Die Integration von Google Analytics in BigQuery ist zweifelsohne der wichtigste Schritt, den ein Unternehmen jetzt unternehmen muss. BigQuery verbindet die bekannten und geschätzten Funktionen von Google Analytics mit der Stärke und Flexibilität einer ereignisbasierten Streaming-Analyseplattform.

Sampling ist eine der größten Herausforderungen für Google Analytics, wenn ein komplexer oder benutzerdefinierter Bericht ausgeführt wird oder wenn ein großer Bereich von Daten ausgewählt wird. Infolgedessen extrapoliert Google die verbleibenden Datenpunkte, indem es nur einen Teil davon zählt. Dies führt in einigen Fällen zu Schätzungen.

Dank der Integration von Google Analytics in BigQuery müssen Sie sich jedoch keine Gedanken über Stichproben machen. Jeder Treffer, der zu BigQuery migriert wird, ist für Abfragen zugänglich und liefert die Ergebnisse innerhalb weniger Sekunden.

Drei Hauptziele werden mit der Integration von Google Analytics in BigQuery verfolgt:

• Abfrage der von GA erhaltenen Rohdaten, um sinnvolle Schlussfolgerungen zu ziehen
• Ein zentraler Speicher für relevante Daten, die über mehrere Plattformen hinweg kombiniert werden
• Eine umfassende 360-Grad-Ansicht der GA-Daten, die zur Visualisierung zur Verfügung stehen

Jede Funktion baut auf der vorherigen auf, und jede Funktion erweitert die Möglichkeiten der Integration von Google Analytics in BigQuery. Lesen Sie weiter, um mehr über die Integration von Google Analytics in BigQuery zu erfahren.

Hinweis: Google hat die Abschaffung aller GA3 (Universal Analytics)-Standardeigenschaften ab dem 1. Juli 2023 angekündigt. Danach haben Sie mindestens sechs Monate Zeit, die bereits verarbeiteten Daten in GA3 (Universal Analytics) einzusehen.

Bevor Universal Analytics aufhört, neue Treffer zu verarbeiten, wechseln Sie zu Google Analytics 4 und erstellen Sie die erforderlichen historischen Daten.

Integration von Google Analytics in BigQuery – Anwendungsfälle

Die Google Analytics-Schnittstelle funktioniert gut bei der Beantwortung grundlegender Marketinganfragen. Google Analytics-Daten werden nur in Form von Zahlen angezeigt, die nach Sitzungen zusammengefasst sind. Ziele und Zieltrichter in der Google Analytics-Oberfläche sind sitzungsbasiert, was bedeutet, dass eine Person mehrere Besuche tätigen muss, um einen Auftrag abzuschließen.

So ist es zum Beispiel in Google Analytics einfach, die Anzahl der Sitzungen zu zählen, die von einem mobilen Gerät aus gestartet wurden. Weitaus schwieriger wäre es, die Gesamtzahl der Videoabspielvorgänge eines bestimmten Nutzers über mehrere Sitzungen hinweg zu ermitteln.

Die Google-Analytics-Schnittstelle bietet eine Reihe von Funktionen, die die Durchführung von spontanen Analysen erleichtern, und ist vergleichsweise einfach zu bedienen. Bei komplexen und detaillierten Problemstellungen ist es unerlässlich, Google Analytics in BigQuery zu integrieren. Dieselben zugrunde liegenden Daten können extrahiert, gespeichert, kombiniert und in größerem Umfang visualisiert werden. Die Integration von Google Analytics in BigQuery bietet folgende Möglichkeiten:

• Kombinieren Sie GA (Google Analytics) und CRM-Daten, um die mit qualifizierten Leads verbundenen Verkehrsquellen zu verstehen.
• Fügen Sie Ausgabendaten für verschiedene Werbekanäle hinzu, um die Gesamtkosten pro Nutzer zu verstehen.
• Importieren Sie Back-End-Handelsdaten, um sich ein klareres Bild von der Produktleistung zu machen.
• Erhalten Sie Rohdaten auf Trefferebene in BigQuery zur Abfrage.

Vorteile der Integration von Google Analytics in BigQuery

• Erkennen Ihres Kundenkreises: Durch die Zusammenführung von Daten aus all Ihren Kanälen und Benutzerberührungspunkten erhalten Sie eine konsolidierte Sicht auf Ihre Customer Journey. Treffen Sie schnelle Entscheidungen auf der Grundlage umsetzbarer Erkenntnisse, indem Sie jede Phase Ihres Verkaufstrichters einfach visualisieren.
• Verbesserung der Konversionsraten: Nutzen Sie Daten zu Impressionen, Website-Besuchen und Klicks, die aus verschiedenen Quellen an einem Ort zur Analyse bereitstehen. Erkennen Sie die Inhalte, die für Sie am besten konvertieren, und konzentrieren Sie sich mehr darauf, um den Umsatz zu steigern.
• Steigerung des Marketing-ROI: Verteilt Ihre Ausgaben auf die effektivste Werbestrategie mit Hilfe von präzisen Kampagnenberichten, die Ihnen fast in Echtzeit zur Verfügung stehen.

Methoden zum Laden von Daten aus Google Analytics in BigQuery

Sucht Ihr Unternehmen auch nach Möglichkeiten, auf alle Google Analytics-Rohdaten zuzugreifen? Wir haben für Sie gesorgt: Entdecken Sie die Integration von Google Analytics in BigQuery auf zwei einfache Arten! Wenn Sie und das Unternehmen, für das Sie arbeiten, derzeit Analytics-Daten auf verschiedene Weise nutzen, sollten Sie unbedingt in Erwägung ziehen, Ihr Wissen in diesem Bereich zu erweitern. Wenn Sie über die GA4-Schnittstelle für Reporting (und Analysen) hinausgehen, können Sie eine Fülle von neuen Informationen entdecken. Lassen Sie uns damit beginnen, die meisten der neuen Methoden und Ansätze zu nutzen, um die Leistung von Google Analytics und BigQuery zu nutzen.

Diese Schritt-für-Schritt-Anleitung zeigt Ihnen die nahtlose Integration von Google Analytics in BigQuery aus der Vogelperspektive. Jedes Unternehmen kann innerhalb weniger Minuten eine Integration zwischen dem brandneuen Google Analytics 4 (GA4) und BigQuery einrichten. Lesen Sie weiter, um Näheres zu erfahren und herauszufinden, wie Sie Google BigQuery zum Wohle Ihres Unternehmens integrieren können.

Methode 1: Von Google Analytics zu BigQuery mit Fivetran

‍

Die meisten Unternehmen werden in nächster Zeit zweifellos Google Analytics-Daten in ein zentrales Datenlager migrieren. Fivetran, eines der führenden Datenintegrationstools, unterstützt Sie dabei, diesen Wandel so reibungslos wie möglich zu gestalten. Fivetran arbeitet an der Erstellung und Installation eines Kennzahlensystems, um eine zuverlässige Datenverfolgung zu gewährleisten. Ohne sich in das neue Datenformat einarbeiten und SQL-Abfragen neu schreiben zu müssen, kann man die gewünschten Berichte speichern und neue erstellen. Um Google Analytics mit Fivetran in BigQuery zu integrieren, halten Sie sich an die unten aufgeführten Anweisungen zur Einrichtung.

Voraussetzungen

• Google Analytics-Konten
• BigQuery-Konto
• Fivetran-Konto mit der Möglichkeit, Ziele zu erstellen oder zu verwalten

Schritte zum Laden von Daten aus Google Analytics in BigQuery mit Fivetran

• Schritt 1: Richten Sie Google Analytics als Fivetran-Konnektor ein
• Schritt 2: Starten Sie die Erstsynchronisation
• Schritt 3: Erlauben Sie Fivetran den Zugriff auf BigQuery-Cluster
• Schritt 4: Vervollständigen Sie die Fivetran-Konfiguration für BigQuery als Ziel

Schritt 1: Richten Sie Google Analytics als Fivetran-Konnektor ein

• Geben Sie im Formular zur Einrichtung des Konnektors den Namen Ihres bevorzugten Zielschemas ein.
• Melden Sie sich bei Ihrem Google Analytics-Konto an und klicken Sie dann auf „Mit Google autorisieren“.
• Wählen Sie, wie viele Monate historischer Berichtsdaten Sie bei der ersten Synchronisierung laden möchten.
• Entscheiden Sie, ob Sie alle oder bestimmte Konten synchronisieren möchten.
• Die Konten, die Sie synchronisieren möchten, sollten ausgewählt werden.
• Die Eigenschaften, die synchronisiert werden sollen, müssen ausgewählt werden.
• Klicken Sie auf „Bericht hinzufügen“.
• Geben Sie den Namen der von Ihnen gewählten Zieltabelle ein. Er muss der von Fivetran festgelegten Nomenklatur entsprechen und sollte innerhalb dieses Konnektors eindeutig sein.
  

HINWEIS: Geben Sie der Tabelle einen Namen, der es Ihnen erleichtert, sie später vom Bericht zu unterscheiden. Sobald ein Bericht konfiguriert ist, können Sie die Synchronisierung für diesen Bericht aktivieren oder deaktivieren, indem Sie die entsprechende Tabelle auf der Registerkarte „Schema“ des Konnektors auswählen.

• Unter Konfigurationstyp ist zwischen vorgefertigtem Bericht und benutzerdefiniertem Bericht zu wählen.
• Wenn Sie sich für einen vorgefertigten Bericht entscheiden, wählen Sie den gewünschten vorgefertigten Bericht aus.
• Wählen Sie die Dimensionen und Metriken, die Sie synchronisieren möchten, wenn Sie sich für die Verwendung des benutzerdefinierten Berichts entschieden haben.
• (Optional) Wenn Sie Berichte entsprechend den gewählten Parametern ändern möchten, aktivieren Sie die Option „Erweiterte Optionen anzeigen“. Wenn Sie die erweiterten Optionen nicht verwenden möchten, überspringen Sie einfach die nächsten beiden Aufzählungspunkte.
• Geben Sie den genauen Namen der Dimension, nach der Sie filtern möchten, in das Feld „Filterfeldname“ ein.
• Geben Sie den Dimensionswert in das Feld „Filterwert“ ein. Auf diese Weise wird der Bericht nach der gewählten Dimension gefiltert.
• Klicken Sie auf „OK“, um den Bericht zu speichern.
• Um einen weiteren Bericht hinzuzufügen, wiederholen Sie die Schritte 7 bis 13 in diesem Fall.
• Schließlich klicken Sie auf „Speichern und testen“.
  

Schritt 2: Starten Sie die Erstsynchronisation

Nachdem Sie den gewünschten Konnektor erfolgreich erstellt und konfiguriert haben, wird er als pausiert angezeigt. Um die erste Synchronisierung zu starten, müssen Sie die folgenden Schritte ausführen:

• Navigieren Sie in Ihrem Fivetran-Dashboard zur Registerkarte „Schema“ Ihres neuen Konnektors.
• Untersuchen Sie das Schema und richten Sie die synchronisierbaren Tabellen ein.
• Ändern Sie den Schalter oben rechts auf der Konnektor-Seite von „Pausiert“ auf „Aktiviert“.
  

Jetzt beginnt Fivetran mit der Synchronisierung der gewünschten Google Analytics-Daten.

Schritt 3: Erlauben Sie Fivetran den Zugriff auf BigQuery-Cluster

Damit Fivetran Ihre Datentabellen einrichten und verwalten und regelmäßig Daten in diese Tabellen laden kann, müssen Sie uns den Zugriff auf Ihren BigQuery-Cluster ermöglichen.

• Rufen Sie den Link zur Projekt-ID ab
• Link zum Fivetran-Servicekonto
• Richten Sie den Link zum Servicekonto ein
  

Rufen Sie den Link zur Projekt-ID ab

• Navigieren Sie zu der Projektliste in Ihrer Google Cloud-Konsole.
• Notieren Sie sich Ihre Projekt-ID, wenn Sie sie finden. Sie ist notwendig, um Fivetran zu konfigurieren.
  

Link zum Fivetran-Servicekonto

• Gehen Sie zum Formular für die Einrichtung des Fivetran-Ziels in einer anderen Registerkarte.
• Wählen Sie BigQuery und „Ich habe bereits ein Ziel“.
• Notieren Sie das Servicekonto für Fivetran. Dazu werden Rechte in BigQuery benötigt, die Sie gewähren müssen.
• Gehen Sie zum Formular für die Einrichtung des Fivetran-Ziels in einer anderen Registerkarte.
• Wählen Sie BigQuery und markieren Sie „Ich habe bereits ein Ziel“.
• Notieren Sie das Servicekonto für Fivetran. Dazu werden Rechte in BigQuery benötigt, die Sie gewähren müssen.

Richten Sie den Servicekonto-Link ein

• Um die Liste der Projektverantwortlichen zu sehen, kehren Sie zur Registerkarte „IAM & Admin“ zurück.
• Wählen Sie „+ Hinzufügen“.

• Geben Sie das Fivetran-Servicekonto, das Sie in Schritt 2 ermittelt haben, oder das Servicekonto, das Sie in Schritt 3 erstellt haben, im Bereich „Neue Auftraggeber“ ein. Die vollständige E-Mail-Adresse ist das Servicekonto.
  

• Klicken Sie auf „Rolle wählen“ > „BigQuery“ > „BigQuery-Benutzer“.
  

Schritt 4: Vervollständigen Sie die Fivetran-Konfiguration für BigQuery als Ziel

• Melden Sie sich an und rufen Sie Ihr Fivetran-Konto auf.
• Klicken Sie auf „+ Ziel hinzufügen“ auf der Seite „Ziele“.
• Geben Sie den Namen Ihrer Wahl für das Ziel auf der Seite „Ziel zu Ihrem Konto hinzufügen“ ein.
• Wählen Sie „Hinzufügen“.
• Der Zieltyp sollte „BigQuery“ sein.
• Geben Sie die in Schritt 1 ermittelte Projekt-ID in das Formular zur Einrichtung des Ziels ein.
• Geben Sie den Datenort ein.
• Wählen Sie den Standort für die Datenverarbeitung. Möglicherweise müssen Sie auch eine AWS-Region und einen Cloud-Service-Provider auswählen, wie in der Destinations-Dokumentation beschrieben, je nach dem Plan, den Sie nutzen, und dem Cloud-Service-Provider, den Sie gewählt haben.
• Entscheiden Sie sich für eine Zeitzone.
• Schließlich klicken Sie auf „Speichern und testen“.

Hinweis: Mit BigQuery können Sie herkömmliche SQL-Abfragen verwenden, um Analysen über riesige Datenmengen durchzuführen. Fivetran kann bis zu einmal alle fünf Minuten mit BigQuery synchronisiert werden.

Glückwunsch, Sie haben Ihre Google Analytics-Daten mit Fivetran erfolgreich nach BigQuery migriert!

Vorteile der Verwendung von Fivetran

Mehr als 200 vorgefertigte Konnektoren zu Datenquellen wie Anwendungen, Datenbanken, Event Logs, Dateien und Cloud-Diensten sind mit Fivetran verfügbar. Bevor die Daten in Ihr Data Warehouse übertragen werden, organisieren Konnektoren sie in standardisierten Schemata. Um die Konsistenz der Datenstruktur zu wahren, sind die Schemata standardisiert, so dass Sie dieselben Analyse-Code-Snippets verwenden können wie alle anderen, die dieselben Konnektoren nutzen.

• Automatische Anpassung an API- und Schemaänderungen
• Vollständig verwaltete, wartungsfreie Datenreplikation
• Änderungen innerhalb des Lagers, die einzigartige Logik und Ansichten verwenden
• Mehr als 200 bereits konstruierte Konnektoren
• Analysebereite Schemata
• Schneller Zugriff auf Daten mit inkrementellen Ladungen
• Vollständige Replikation von Daten und Schema
• Unterstützung von Dimensionen, die sich schrittweise ändern (Daten vom Typ 2)
• 
  
• Statt ETL zu verwenden, bietet Fivetran eine Datenpipeline-Lösung an, die der ELT-Technik (Extrahieren – Laden – Transformieren) folgt. Jede der drei Hauptschwächen von ETL wird durch eine Änderung der Reihenfolge der Lade- und Transformationsphasen und durch die Verwendung eines standardisierten Tools behoben. Die Vorteile von ELT sind unter anderem folgende:
• Die Pipeline wird vereinfacht, da Analysten nun die nachgelagerte Datenumwandlung übernehmen können und nicht mehr die Dateningenieure.
• Da die vorgelagerte Arbeit der Data Engineers nicht mehr durch sich ändernde Analysen beeinträchtigt wird, weil die Datentransformation im Data Warehouse stattfindet, ist die Pipeline robuster und weniger gefährlich.
• Da die Pipeline leichter zu erreichen ist, erfordert ihre Wartung weniger Arbeit. Es ist nun möglich, dass ein Außenstehender eine standardisierte Lösung entwickelt und pflegt, um sie an verschiedene Kunden zu verkaufen, da die Pipeline erheblich vereinfacht wurde und grundsätzlich widerstandsfähiger ist. Unternehmen können die Extraktions- und Ladephasen der Pipeline durch den Kauf eines standardisierten Tools effektiv auslagern und automatisieren.
  

Methode 2: Von Google Analytics zu BigQuery mit dem BigQuery-Datenübertragungsdienst

• Es gibt drei wichtige Schritte für die Einrichtung der Integration von Google Analytics in BigQuery.
• Erstellen Sie ein Projekt in GCP und aktivieren Sie BigQuery, falls erforderlich.
• Der erste Schritt besteht darin, ein Projekt zu erstellen (falls noch nicht vorhanden) und BigQuery zu aktivieren, da alle Vorgänge in GCP mit einem Projekt verknüpft sein müssen.

‍

• Das Servicekonto sollte als Projektmitglied hinzugefügt werden.
• Ein nicht-menschliches Konto, das zur Durchführung automatisierter Dienste verwendet wird, wird als Servicekonto bezeichnet.
• Das Servicekonto muss sowohl für GA4 als auch für GA360 über einen Bearbeiterzugang für das Projekt verfügen.
• Für GA4 lautet das Servicekonto firebase-measurement@system.gserviceaccount.com

• Connect to a billing account

• Set up a billing account, enable billing in GCP, and connect it to the project there.
• The costs of data storage and processing connected with the GA export may be covered by the free usage tier in GCP, but in order to complete the integration, you must have a payment method on file in the cloud.

• Set up the connection in the Google Analytics user interface.

• For GA4, select Product Linking from the Property column on the Admin screen of the GA UI. Choose the GCP project, data source, export streams, and frequency (daily or continuous streaming). You're done, congrats!
• For GA360, click Link BigQuery after selecting All Products from the Property column on the Admin tab of the GA UI. When exporting a view to BigQuery, enter the project ID or number (found on the GCP Home screen), pick the export frequency, and then choose the view (three times per day or continuous streaming). Voila- it's done!

• For GA360:

• XXXXXXXXX is the UA view ID, and XXXXXXXXX is the dataset label.
• Tables: There will be a Google Analytics session YYYYMMDD table for each day of that dataset. The Google Analytics sessions intraday YYYYMMDD table, which includes information for the current day, is also displayed (exported three times per day).
• Streaming tables: If you enabled streaming, instead of ga_sessions_intraday_YYYYMMDD, you’ll see ga_realtime_sessions_YYYYMMDD and ga_realtime_sessions_view_YYYYMMDD for the current day.
• Data should begin entering BigQuery within 24 hours, i.e. The first Data Export.
• Daily export: Each day, a new table containing the data from the previous day will be created (typically in the morning in the timezone set for reporting).

Note: Google Analytics will offer an export of historical data (Historical backfill) the first time you link a Google Analytics property to Google BigQuery. BigQuery will soon contain Google Analytics data dating back 13 months or the most recent 10 billion hits, whichever comes first.

FAQ

Die häufigsten Probleme, die beim Einrichten der Schnittstelle auftreten, sind im Folgenden aufgeführt. Die an Google BigQuery übertragenen Daten enthalten Lücken, die aufgrund dieser Ungenauigkeiten dauerhaft sind.

• Unzureichende Benutzerrechte bei der Konfiguration der Integration

• Der Benutzer, der die Integration konfiguriert, muss Zugriff auf das Cloud-Projekt und Bearbeitungsrechte in der GA-Benutzeroberfläche haben.

• Das Servicekonto hat die falschen Berechtigungen erhalten.

• Es gibt zahlreiche Rollen in GCP, die Benutzern zugewiesen werden können. Anstelle des Editor-Zugriffs auf Projektebene haben Sie möglicherweise dem Servicekonto den BQ-Editor-Zugriff zugewiesen.

• Abrechnungsfragen

• Wenn keine rechtmäßige, aktuelle Zahlungsmethode bei GCP hinterlegt ist, wird der Datenexport nicht stattfinden. Sie können eine zweite Kredit- oder Debitkarte als Sicherheitsnetz anlegen.

• BigQuery-API ist nicht aktiviert

• BigQuery muss im GCP APIs & Services-Panel aktiviert werden, da es standardmäßig nicht aktiviert ist.

Einschränkungen bei der Verwendung des BigQuery-Datenübertragungsdienstes

Trotz der Tatsache, dass mit dem BigQuery Data Transfer Service eine native Datenintegrationslösung zur Verfügung steht, hat sie einige Nachteile. Die folgenden Einschränkungen gelten für die Verwendung des BigQuery Data Transfer Service zur Integration von Google Analytics in BigQuery:

‍

• Bei der Verwendung der Daten-Streaming-Option von Google wird der Umfang der Aktualisierungen des Data Warehouse von Google bestimmt und festgelegt. Dies kann ein Hindernis sein, wenn Sie Daten in Echtzeit streamen möchten.
• Die maximale Dauer der vom BigQuery-Datentransferservice unterstützten Backfill-Anfragen beträgt 180 Tage. Dies bedeutet, dass alle historischen Daten manuell übertragen werden müssten.
• Wenn ein Unternehmen diese Strategie anwendet, muss es zwangsläufig in technische Bandbreite investieren, um Daten zu verschieben, da die Unternehmensteams, die sie benötigen, nicht sehr technikaffin sind. Dies kann ein kostspieliges Unterfangen sein.
• Es ist wichtig zu wissen, dass BigQuery keine Verbindung zu Datensätzen unterstützt, die zuvor auf Servern an verschiedenen Standorten gespeichert wurden. Sie müssen also während des gesamten Projekts an denselben Stellen Datensätze anlegen und erstellen. Da es keine Möglichkeit gibt, die Position nach der Einrichtung zu ändern, müssen Sie von Anfang an vorsichtig sein.
• Das Google Analytics-Servicekonto muss jederzeit EDIT-Zugriff auf das Projekt haben, und BQ muss jederzeit aktiviert sein. Wird dies aus irgendeinem Grund geändert, scheitern alle nachfolgenden Exporte, bis die Autorisierung wiederhergestellt ist.
• Der größte Nachteil bei der Nutzung des BigQuery-Datentransferservice ist der mögliche Datenverlust. Wenn einer der oben genannten Fehler weiterhin besteht oder ein anderer Fehler auftritt, der den Datenexport möglicherweise stoppen kann, werden die Daten dauerhaft zerstört. Der BigQuery-Datentransferservice bietet keine Mittel zur Verhinderung oder Wiederherstellung von Datenverlusten, die als Folge eines fehlgeschlagenen Exports auftreten.
• Sie können den Zeitstempel in den Daten nicht von UTC zu PST ändern. Derartige Änderungen werden vom BigQuery-Datentransferservice nicht unterstützt.
• Daten, die über den BigQuery-Datentransferdienst in BigQuery eingehen, können nur von Google-Produkten stammen. Wenn Sie in Zukunft Daten aus anderen, zusätzlichen Datenquellen importieren möchten, müssen Sie einen anderen Anbieter verwenden.

Fazit

Google Analytics 4 spielt das Konzept der Sitzung herunter, um verschiedene Attributionsansichten zu bieten. Es ist wichtig, sich daran zu erinnern, dass BigQuery schon immer die Möglichkeit geboten hat, auf Nutzerebene zu analysieren. Wir können Aktionen jeder beliebigen Dauer zuordnen, von einem Treffer vor der Umstellung bis so weit zurück, wie es unsere historischen Daten zulassen.

Google Analytics in BigQuery kann auch einen erheblichen Einfluss auf Unternehmen haben, die sich auf den elektronischen Handel konzentrieren. Analysten, die die erweiterten E-Commerce-Berichte innerhalb der Google Analytics-Schnittstelle verwenden, wissen, dass diese sitzungsbasiert sind. In der Praxis kann es jedoch vorkommen, dass ein Kunde bei einem Besuch einen Artikel in den Warenkorb legt und später zurückkehrt, um die Transaktion abzuschließen. BigQuery ermöglicht es Teams, das Kaufverhalten von Verbrauchern zu sehen, die einen Kauf in mehr als einer Sitzung tätigen.

Das Beste daran ist, dass diese unendlichen Rückblickfenster und Aggregationen für alle Felder und Bereiche gelten, so dass es möglich ist, benutzerbasierte Segmente zu erstellen, ohne sich um das lästige begrenzte 90-Tage-Rückblickfenster kümmern zu müssen, das die GA-Schnittstelle vorschreibt.

‍