Quando Google ha annunciato la sua nuova piattaforma di analisi, inizialmente denominata Web+App, la funzionalità che ha suscitato maggiore entusiasmo in me e in molti altri è stata l’esportazione nativa in Google BigQuery, che fino ad allora era stata riservata alla versione a pagamento di Google Analytics. Tuttavia, con il passare degli anni e ora che la piattaforma ha (quasi) sostituito il suo predecessore, Universal Analytics, i professionisti del marketing continuano a fare fatica a sfruttare appieno questa potente funzionalità (almeno non senza incorrere in costi esorbitanti per il cloud).

Non temete, però, perché non solo vi illustrerò ora alcune delle “funzionalità” più frustranti (che non sono assolutamente dei bug) che compromettono l’usabilità dell’esportazione di BigQuery, ma vedremo anche come abbiamo creato una soluzione a tutti i problemi più rilevanti. Ma prima di tutto, cos’è l’esportazione di Google BigQuery e perché dovreste usarla?

Che cos’è l’esportazione in Google BigQuery?

L'ecosistema di Google abbraccia numerosi settori, ma il trio costituito da pubblicità, analisi dei dati e cloud non solo rappresenta le sue unità di business più redditizie, ma anche quelle più interconnesse. Grazie all'esportazione in BigQuery, si ottiene un'integrazione nativa tra le proprie soluzioni di analisi e una soluzione di data warehouse, il che significa avere accesso a soluzioni di data warehouse veloci, altamente personalizzabili e completamente gestite per i propri dati analitici, che consentono agli analisti di trarre ancora più valore dai dati.

I professionisti del marketing esperti nell’uso dei dati possono sfruttare questa integrazione per creare segmenti di pubblico personalizzati, eseguire analisi di prodotto su larga scala e implementare modelli avanzati di valutazione pubblicitaria – il tutto all’interno di un ambiente completamente gestito e integrato in modo nativo sia con le vostre piattaforme pubblicitarie che con gli strumenti di analisi web. Se volete distinguervi nell’odierno panorama competitivo del marketing digitale, questa è una risorsa indispensabile. Purtroppo, però, non è così semplice come sembra.

Quali sono i limiti dell'esportazione da GA4 a BigQuery?

L'utilizzo dell'esportazione GA4 su BigQuery può essere molto efficace, ma anche frustrante e costoso. I due problemi principali che abbiamo individuato sono:

Nessuna sessione: una delle principali differenze tra Universal Analytics e Google Analytics 4 è l’assenza del concetto di “sessione”. Questo raggruppamento di eventi risultava limitante in un contesto in cui gli eventi potevano verificarsi sia sul Web che nelle app, il che ha reso necessaria la sua eliminazione in questo nuovo contesto. Tuttavia, poiché l’esportazione non raggruppa gli eventi in sessioni, è probabile che vi ritroviate a eseguire le vostre query su una mole di dati molto maggiore quando generate i report sull’esportazione grezza di GA4, poiché non è possibile filtrare le sessioni e gli eventi che non vi interessano.

Assenza di dati di Google Ads: una delle peculiarità più strane dell’esportazione GA4 è la mancanza di un accesso adeguato ai dati di Google Ads se è abilitato il tagging automatico. Se si osserva una “Sessione” proveniente da Google Ads, questa risulterà contrassegnata come “google / organic”, a meno che non si utilizzi il tagging manuale, e mancheranno i dettagli della campagna, nonostante sia presente un GCLID che indica che la sessione proviene da un clic su Google Ads. Google ha ammesso che si tratta di un bug, ma non ha fornito alcuna indicazione su quando verrà risolto. Inoltre, il problema non verrà risolto retroattivamente, il che significa che tutti i dati di Google Analytics 4 inviati a BigQuery rimarranno contrassegnati in modo errato.

Qual è la soluzione a questi problemi?

Noi di Precis lavoriamo molto con i dati di Google Analytics e questo ci ha davvero causato non pochi grattacapi. Tuttavia, grazie a un’ottima libreria open source e alla nostra piattaforma di gestione dei dati, Bifrost, abbiamo trovato un modo per affrontare questi fastidiosi problemi e rendere finalmente l’uso delle esportazioni GA4 BigQuery uno strumento di analisi valido. A questo punto la vostra domanda sarà sicuramente: come ci siamo riusciti?

Diagramma di flusso che illustra la nostra soluzione

Per risolvere questi problemi, abbiamo sviluppato un datamart che sfrutta la libreria open source di Velir denominata dbt-ga4 (link al repository GitHub e un grande ringraziamento da parte di Precis!). Questo pacchetto dbt sta rapidamente diventando lo standard di settore per rendere i dati degli eventi interrogabili come quelli delle sessioni, il che è ottimo per garantire uniformità nel settore. Tuttavia, sebbene il pacchetto semplifichi la gestione dei dati, se eseguito sull’intero esportato di GA4 comporta comunque l’elaborazione di grandi volumi di dati; per questo lo abbiamo reso più intuitivo e praticabile, applicando la trasformazione solo a piccoli lotti (7 giorni) di dati in modo continuativo, anziché all’intero report dopo il backfill iniziale (fase 3 del flusso di dati). Aggiungiamo quindi quotidianamente i dati trasformati a una tabella di staging, assicurandoci così di disporre sempre di dati aggiornati mantenendo bassi i costi. Senza questa soluzione, sareste costretti a eseguire ogni giorno un'operazione molto costosa su tutti i vostri dati.

Inoltre, la nostra soluzione recupera i dati di Google Ads dall'API di Google Ads e sostituisce i dati errati o mancanti relativi alle campagne con quelli provenienti da Google Ads (passaggi 6-8 nel diagramma del flusso di dati). Questi dati vengono inoltre archiviati in BigQuery, offrendoti l'ulteriore vantaggio di poter consultare facilmente i report di Google Ads.

Avviso: al momento non è possibile convertire i dati dell'app in un formato simile a quello dei dati di sessione, poiché il concetto non è direttamente applicabile. Stiamo lavorando a una soluzione e la includeremo nei futuri aggiornamenti.

Come già accennato, la soluzione viene eseguita tramite Bifrost, il nostro sistema di gestione dei dati, che funge da interfaccia utente per l’implementazione dei flussi di lavoro DBT e la gestione dell’integrazione dei dati tra le piattaforme pubblicitarie (oltre ad alcune altre connessioni) e Google BigQuery. L’investimento nello sviluppo di Bifrost si è rivelato davvero proficuo quando abbiamo voluto scalare questa soluzione, rendendo il processo incredibilmente fluido e l’implementazione un vero gioco da ragazzi. Tuttavia, speriamo che le vostre aziende possano trarre spunti dalla nostra esperienza su come è stato progettato il datamart e utilizzarlo a loro volta.

Fantastico! Ma non ho le risorse per mettere in atto una cosa del genere…

Il motivo per cui stiamo rendendo pubblica questa soluzione è che desideriamo invitare le aziende a iniziare a utilizzarla anche al di fuori della nostra cerchia di clienti. Conosciamo bene le sfide e non volevamo tenerla solo per noi. Se siete interessati ad affrontare seriamente l’analisi GA4 e desiderate partire con il piede giusto utilizzando il nostro sistema di gestione dei dati per eseguire i vostri flussi di lavoro dbt, non esitate a contattarci per farcelo sapere!