BigQuery-Export (GA4)

Definition: Der BigQuery-Export in Google Analytics 4 ist eine Funktion, die es ermöglicht, die vollständigen Rohdaten einer GA4-Property automatisiert in Google BigQuery – das serverlose, skalierbare Data-Warehouse-System von Google Cloud – zu exportieren. Anders als die aggregierten Standardberichte in der GA4-Benutzeroberfläche enthält der BigQuery-Export jeden einzelnen Ereignisdatensatz in seiner ursprünglichen, nicht aggregierten Form. Dies bedeutet, dass jeder Seitenaufruf, jeder Button-Klick und jede Transaktion als separate Zeile in BigQuery gespeichert wird, komplett mit allen zugehörigen Parametern, Nutzerattributen und technischen Metadaten. Dieser direkte Zugang zu den Rohdaten eröffnet eine völlig neue Analysetiefe: Mit SQL-Abfragen lassen sich individuelle Nutzerpfade rekonstruieren, Kohorten über beliebige Zeiträume auswerten, komplexe mehrstufige Funnels berechnen und Machine-Learning-Modelle trainieren – alles ohne die Beschränkungen, die die GA4-Standardoberfläche in Bezug auf Sampling, Datenschwellenwerte und vordefinierte Berichtsstrukturen auferlegt. Der BigQuery-Export ist für alle GA4-Properties kostenlos verfügbar und gilt als das leistungsfähigste analytische Werkzeug im GA4-Ökosystem für datenreife Unternehmen.

Erläuterung

Der BigQuery-Export kann in zwei Modi betrieben werden: als täglicher Export und als Streaming-Export. Beim täglichen Export werden die Ereignisse des Vortages einmal täglich als vollständiger Datensatz in BigQuery geladen – dieser Modus ist kostenlos und für die meisten Analyseanforderungen ausreichend. Der Streaming-Export überträgt Ereignisse nahezu in Echtzeit (mit einer Verzögerung von wenigen Minuten) und ist daher für zeitkritische Auswertungen geeignet, verursacht jedoch zusätzliche Kosten in BigQuery durch die höhere Datenmenge und die Streaming-Insert-Gebühren.

In BigQuery werden die GA4-Daten in einem festen Tabellenschema gespeichert. Pro Exporttag entsteht eine eigene Partition (Tabelle), die nach dem Muster events_YYYYMMDD benannt ist. Jede Zeile in dieser Tabelle repräsentiert ein einzelnes Ereignis und enthält unter anderem den Ereignisnamen, den Zeitstempel, die anonyme Nutzer-ID (ga_session_id), Geräte- und Geo-Informationen sowie ein verschachteltes Array von Ereignisparametern. Die Parameter sind in einer RECORD-Struktur mit key- und value-Feldern abgelegt, was beim Schreiben von SQL-Abfragen ein gewisses Verständnis der BigQuery-spezifischen Array-Funktionen erfordert.

Ein entscheidender Vorteil des BigQuery-Exports gegenüber der GA4-Standardoberfläche ist die vollständige Abwesenheit von Sampling und Datenschwellenwerten. In der GA4-Benutzeroberfläche kann es bei großen Datenmengen zu Einschränkungen kommen, die die Genauigkeit der angezeigten Zahlen beeinflussen. In BigQuery stehen stets alle Rohdaten zur Verfügung, sodass Abfragen stets auf der vollständigen Datenbasis laufen.

Besonders wertvoll wird der BigQuery-Export durch die Möglichkeit, GA4-Daten mit anderen Datenquellen zusammenzuführen. Durch sogenannte JOIN-Operationen können beispielsweise CRM-Daten (Kundenstammdaten, Umsätze, Supporttickets) mit den GA4-Verhaltensdaten kombiniert werden, um ein vollständiges Bild der Customer Journey zu erstellen – von der ersten Website-Interaktion bis zum langfristigen Kundenwert. Diese Verknüpfung ist in der GA4-Standardoberfläche nicht möglich.

Für die Nutzung von BigQuery entstehen Kosten primär durch zwei Faktoren: das Speichern der Daten (sehr günstig, in der Regel wenige Euro pro Monat für typische Website-Datenmengen) und die bei Abfragen verarbeitete Datenmenge (das erste Terabyte pro Monat ist kostenlos, darüber hinaus fallen Abfragekosten an). Durch effiziente Abfragetechniken wie das Partitioning (Einschränkung auf bestimmte Datumsbereiche) und das Selektieren nur benötigter Spalten lassen sich die Abfragekosten erheblich reduzieren.

Einrichtung und technische Voraussetzungen

• Google-Cloud-Projekt: Es muss ein Google-Cloud-Projekt mit aktivierter BigQuery-API und eingerichtetem Billing-Konto vorhanden sein. Ohne Billing-Konto ist auch das kostenlose Kontingent nicht nutzbar.
• Verknüpfung in GA4: Der Export wird in der GA4-Verwaltung unter "Produktverknüpfungen" > "BigQuery-Verknüpfungen" eingerichtet. Dort werden das Google-Cloud-Projekt ausgewählt und Export-Frequenz sowie zu exportierende Datenströme konfiguriert.
• Berechtigungen: Das GA4-Dienstkonto benötigt Schreibrechte auf das gewählte BigQuery-Dataset. Dies wird in der Regel automatisch bei der Einrichtung der Verknüpfung konfiguriert.
• Datenverzögerung: Der tägliche Export ist typischerweise 24 bis 48 Stunden verzögert. Aktuelle Tagesdaten sind daher nicht sofort in BigQuery verfügbar – für Echtzeit-Analysen ist der Streaming-Export erforderlich.

Typische Anwendungsfälle in BigQuery

• Individuelle Nutzeranalysen: Durch Abfragen auf Basis der Pseudonym-Nutzer-ID lässt sich der vollständige Ereignisverlauf eines einzelnen anonymen Nutzers über alle Sitzungen hinweg rekonstruieren – für Cohort-Analysen oder die Berechnung von Lifetime-Werten.
• Komplexe Funnel-Berechnungen: Mehrstufige Funnels mit beliebigen Bedingungen (z. B. nur Nutzer, die Schritt A und B innerhalb von 30 Minuten durchlaufen haben) lassen sich in SQL exakt definieren und berechnen.
• Data Blending mit CRM-Daten: GA4-Verhaltensdaten werden mit CRM-Umsatz- oder Kundendaten geJOINt, um den tatsächlichen ROI von Traffic-Quellen auf Basis realer Umsätze statt Analytics-Conversions zu ermitteln.
• Machine Learning und Predictive Analytics: BigQuery ML ermöglicht das Training von Vorhersagemodellen direkt auf den GA4-Rohdaten, etwa für die Vorhersage von Churn-Wahrscheinlichkeiten oder Customer Lifetime Values.