Se ti occupi di web analytics, o più in generale di digital marketing, avrai sicuramente sentito parlare di Google BigQuery.
Google BigQuery è un data warehouse cloud di Google che consente di archiviare e gestire su larga scala grandi quantità di dati utilizzando un ambiente SQL.
Una delle principali caratteristiche di BigQuery è la sua capacità di elaborare enormi volumi di dati in modo rapido ed efficiente. Grazie alla sua architettura distribuita, BigQuery scompone i dati in blocchi gestibili che possono essere analizzati parallelamente, consentendo tempi di risposta rapidi anche per le query più complesse.
I dati archiviati in Google BigQuery possono essere consultati:
- eseguendo delle query, come in un tradizionale database.
- Utilizzando tool di data visualization, come ad esempio Google Looker Studio.
Ok, ma quanto costa Google BigQuery?
I costi di Google BigQuery (qua la documentazione ufficiale) sono principalmente di due nature:
- costo di storage, per la raccolta dati,
- costo di processamento, per l’utilizzo e analisi dei dati.
Non è semplicissimo fare delle stime precise: lo storage è la componente un po’ più semplice da calcolare perché si basa sulla quantità di dati raccolti; il processamento delle query invece dipende da come i dati vengono processati, con quale frequenza, da quali strumenti (es. strumenti di data visualization).
A seconda delle esigenze, si può addirittura stare sotto le soglie gratuite o spendere pochi centesimi di Euro al mese, ma anche decine o centinaia di Euro.
Lavorare in sinergia: sfruttare il potenziale combinato
Mentre BigQuery e Google Analytics 4 offrono funzionalità potenti per l’analisi dei dati, la loro combinazione crea un ecosistema ancora più potente.
Il collegamento (nativo e gratuito) tra BigQuery e GA4 consente di trasferire i dati delle attività online degli utenti raccolti nello strumento di web analytics in modo diretto e automatico al data warehouse, dove possono essere elaborati e analizzati insieme ad altre fonti di dati aziendali.
Questa integrazione consente di arricchire l’analisi dei dati di GA4 con le capacità di elaborazione di BigQuery.
Possiamo infatti combinare i dati di GA4 con dati provenienti da altre fonti interne, come CRM o piattaforme social, per ottenere una visione più ampia delle performance aziendali.
Inoltre, grazie alla scalabilità di BigQuery, non ci sono limiti per quanto riguarda il volume dei dati che possono essere analizzati, consentendo di sfruttare al massimo il potenziale delle informazioni raccolte.
Ad esempio, possiamo utilizzare GA4 per monitorare il comportamento degli utenti sul nostro sito web o nell’app.
Successivamente, possiamo trasferire e analizzare i dati di GA4 su BigQuery per condurre analisi approfondite e complesse.
Questo ci consente di scoprire correlazioni nascoste e ottenere insights più approfonditi sui clienti e sulle performance aziendali.
Caso d’uso: creare modelli di attribuzione personalizzati con BigQuery
Per ricostruire la customer journey e comprendere l’impatto dei touchpoint di un sito, potremmo aver bisogno di comparare diversi metodi di attribuzione.
Se hai usato Google Analytics 4 nell’ultimo mese, ti sarai accortə che non c’è più la possibilità di fare confronti tra i diversi “classici” modelli di attribuzione.
Google, infatti, ha comunicato ad aprile 2023 la sospensione di questa funzionalità per far spazio ai nuovi algoritmi data-driven (rimane solo il modello “ultimo clic”).
In questo caso possiamo sfruttare il collegamento tra Google Analytics 4 e Google BigQuery, sia per ricreare i modelli utilizzati nelle precedenti versioni di Google Analytics sia per crearne di nuovi, personalizzati a seconda delle esigenze di marketing.
Dopo aver collegato la proprietà GA4 a BigQuery, possiamo integrare ed eseguire script personalizzati utilizzando il servizio Google Cloud Function, un ambiente di esecuzione serverless per la creazione di funzioni, direttamente dalla piattaforma.
In questo caso, l’output della Cloud Function potrà consistere in una o più tabelle contenenti i dati raccolti da GA4 modellati secondo le regole definite in precedenza.
Dunque, perché dovrei conoscere Google BigQuery?
Dopo il 1 luglio 2023, data di dismissione di Universal Analytics, molte aziende si sono ritrovate ad avere i propri dati salvati in due proprietà diverse (i dati storici in Universal Analytics e i dati correnti e futuri in Google Analytics 4), senza dunque continuità nello storico dei dati raccolti.
Con l’utilizzo di Google BigQuery, possiamo prevenire scenari di questo tipo, visto che i dati raccolti sono di proprietà dell’azienda che ha creato l’account e non dipendono da future versioni delle piattaforme collegate.
Prima della cancellazione dei dati storici in Universal Analytics, prevista il 1° luglio 2024, possiamo sfruttare le API di Google Analytics e salvare i dati raccolti negli anni in Google BigQuery.
Google BigQuery, oltre ad integrarsi nativamente con Google Analytics 4 e migliorarne la raccolta dati, risulta uno strumento potente e flessibile per condurre analisi approfondite e personalizzate sfruttando la moltitudine di dati che ogni giorno raccogliamo su diverse piattaforme.
Hai domande su come sfruttare al meglio questo servizio o vuoi condividere la tua esperienza?
Commenta qui sotto o contattaci per fare due parole sul tema.
Commenti