Lassen Sie uns mit einer schlechten Nachricht beginnen: Ihre Google Analytics-Berichte spiegeln nicht unbedingt die Realität wider. Nehmen wir einmal an, Sie hätten die perfekte Implementierung und könnten alles Verhalten auf Ihrer Website im Detail messen (was fast unmöglich ist). Ihre Google Analytics-Berichte wären trotzdem grottenschlecht. Einige der Gründe:
- Nutzer, die mehrere Geräte verwenden und/oder teilen
- Verwendung von Werbeblockern
- Browser mit Tracking-Schutzmechanismen
- willkürliche Timeout-Einstellungen für Sitzungen
- Stichproben in Berichten
- Consent-Management-System (Cookie-Banner) -> werden ggf. abgelehnt
Vor diesem Hintergrund kann man mit Sicherheit sagen, dass Google Analytics am besten als Werkzeug zum Erkennen von Trends geeignet ist. Es kann große Mengen an verhaltensbezogenen Websitedaten verarbeiten und ermöglicht es Ihnen – wenn es richtig interpretiert wird -, das Signal zwischen all dem Rauschen zu erkennen.
BigQuery-Ergebnisse im Vergleich zu Google Analytics-Berichten
Ok, Sie fragen die GA-Exportdaten in BigQuery ab, und wenn Sie die Ergebnisse mit der GA-Benutzeroberfläche vergleichen, stimmen die Zahlen einfach nicht überein. Wie ist das möglich?
Zunächst einmal: Machen Sie sich nicht zu viele Gedanken darüber. Wie wir bereits festgestellt haben, sind die Daten von Google Analytics nicht gerade Metaphysik. Dennoch gibt es einige Dinge zu beachten, wenn Sie GA-Daten in BigQuery abfragen.
Definitionen
Das BigQuery-Exportschema enthält Rohdaten, die von Google Analytics erfasst und verarbeitet werden. Wenn Sie an GA-Berichte gewöhnt sind, werden Sie schnell feststellen, dass viele Metriken hier nicht vorhanden sind. Sie müssen sie auf der Grundlage der von Google bereitgestellten Definitionen berechnen. Manchmal sind diese kristallklar, aber in vielen Fällen ist die Dokumentation inkonsistent oder fehlt einfach. Der Vorteil ist, dass Sie die Freiheit haben, Ihre eigenen Definitionen zu erstellen. Warum sollten Sie die Standardmetriken verwenden, wenn Sie alles individuell anpassen können?
Geltungsbereiche
Der Umgang mit Daten auf verschiedenen Ebenen kann schwierig sein. Im Universal Analytics-Export müssen Sie sich mit Daten aus den Bereichen Benutzer, Sitzung, Treffer und Produkt auseinandersetzen. In GA4 müssen Sie sich um Benutzer-, Ereignis- und Artikeldaten kümmern. Sie müssen ein grundlegendes Verständnis dafür haben, wie sich diese Bereiche auf die einzelnen Abfragen beziehen, um aussagekräftige Ergebnisse erzielen zu können. Denken Sie daran: BigQuery wird Ihnen nicht sagen, ob Ihre Ergebnisse falsch sind, solange Ihre Abfrage gültig ist.
Abfragelogik
Zeigen Sie mir Ihre Abfragen und ich sage Ihnen, wer Sie sind”. Selbst wenn alle Definitionen klar sind und Sie die Besonderheiten der Bereiche in Google Analytics vollständig verstehen, können die Ergebnisse je nach Verfasser der Abfrage unterschiedlich ausfallen. Als Faustregel gilt: Keep it simple and stupid. In manchen Fällen ist dies jedoch leichter gesagt als getan.
Beispiele für GA4-Spezifika
Google Analytics 4-Berichte verwenden eine Definition von aktiven Nutzern (Nutzer, die gerade aktiv sind)
Bei der Replikation des Sitzungsquellen-/Mediumberichts in der GA4-Benutzeroberfläche ist es fast unmöglich, die Zahlen in Übereinstimmung zu bringen. Das session_start-Ereignis enthält keine Informationen zu Quelle/Medium.
Auch die in der GA4-Benutzeroberfläche verwendete Sitzungszuordnung ist immer noch eine Blackbox.
Beispiele für UA-Spezifika
Stellen Sie sicher, dass Sie totals.visits = 1 in Ihrer where-Klausel verwenden, um Sitzungen ohne Interaktionen auszuschließen, da die BigQuery-Exporttabellen standardmäßig und im Gegensatz zur Google Analytics-Benutzeroberfläche alle Sitzungen enthalten, einschließlich derer ohne Interaktionen.
Wenn Sie count(distinct concat(fullvisitorid, cast(visitstarttime as string))) verwenden, um die Sitzungen zu zählen, müssen Sie sich keine Gedanken über Midnight-Split-Sitzungen machen.