Google Analytics 4 ขั้นสูงและ BigQuery

การสำรวจใน GA4 เป็นพื้นที่ทำงานสำหรับการวิเคราะห์ขั้นสูงที่มีประเภทการสำรวจหกแบบ ได้แก่ รูปแบบอิสระ (การสร้างตารางและแผนภูมิด้วยการลากแล้ววาง) การสำรวจกระบวนการ การสำรวจเส้นทาง การทับซ้อนของกลุ่ม การสำรวจกลุ่มตามช่วงเริ่มต้น และช่วงอายุการใช้งานของผู้ใช้

ต่างจากรายงาน GA4 มาตรฐานที่มีมิติแบบกำหนดตายตัว การสำรวจช่วยให้นักวิเคราะห์สร้างคำขอข้อมูลแบบกำหนดเองโดยใช้มิติและตัวชี้วัดผสมกันได้ตามต้องการ โดยแต่ละคำขอใช้ได้สูงสุด 10 มิติและ 10 ตัวชี้วัด

การสำรวจกลุ่มตามช่วงเริ่มต้นของ GA4 จัดกลุ่มผู้ใช้ตามวันที่ได้ผู้ใช้มา (หรือวันที่เกิดเหตุการณ์แรก) และติดตามพฤติกรรมของผู้ใช้ในสัปดาห์หรือเดือนถัดไป ช่วยให้เห็นว่าคุณรักษาผู้ใช้ที่ได้มาจากช่องทางและแคมเปญต่าง ๆ ไว้ได้ดีเพียงใด

แผนภูมิกลุ่มตามช่วงเริ่มต้นที่แสดงการลดลงอย่างมากในสัปดาห์ที่ 2 เป็นสัญญาณว่ามีปัญหาในการเริ่มต้นใช้งาน ส่วนกลุ่มจากการตลาดด้วยเนื้อหาที่มีการรักษาผู้ใช้ไว้ 90 วันสูงกว่ากลุ่มที่ได้มาจากการโฆษณาแบบเสียเงิน จะช่วยชี้แนวทางการลงทุนเพื่อการเติบโตอย่างยั่งยืน

การแบ่งการวิเคราะห์กลุ่มตามช่องทางการได้ผู้ใช้มา ช่วยให้เห็นว่าผู้ใช้จากการค้นหาที่ไม่เสียค่าโฆษณา สื่อสังคมแบบเสียเงิน การแนะนำผ่านอีเมล หรือการเข้าชมโดยตรง มีรูปแบบการรักษาผู้ใช้และการมีส่วนร่วมในช่วงเวลาต่าง ๆ แตกต่างกันอย่างมีนัยสำคัญหรือไม่

หากกลุ่มจากการค้นหาที่ไม่เสียค่าโฆษณามีการรักษาผู้ใช้ไว้ 60 วันดีกว่ากลุ่มจากสื่อสังคมแบบเสียเงินถึง 3 เท่า ข้อมูลนี้สนับสนุนการลงทุนเพิ่มในเนื้อหาและการปรับปรุงให้เหมาะกับเครื่องมือค้นหา และอาจสนับสนุนการลดงบประมาณสื่อสังคมแบบเสียเงินที่ได้ผู้ใช้ซึ่งมีมูลค่าตลอดช่วงการใช้งานต่ำ

GA4 มีการเชื่อมต่อในตัวเพื่อส่งออกข้อมูลดิบระดับเหตุการณ์ที่ไม่ได้ผ่านการสุ่มตัวอย่างไปยัง BigQuery ของกูเกิลทุกวัน (แบบเป็นชุด) หรือในโหมดส่งข้อมูลต่อเนื่อง ทำให้เกิดคลังข้อมูลถาวรที่เก็บทุกปฏิสัมพันธ์ของผู้ใช้กับสินทรัพย์ดิจิทัลของคุณ

การส่งออกไม่มีค่าใช้จ่ายสำหรับการเชื่อมต่อ BigQuery แต่คุณต้องชำระค่าใช้จ่ายในการจัดเก็บข้อมูลและการเรียกใช้คำขอข้อมูลของ BigQuery การตั้งค่าดำเนินการในส่วนผู้ดูแลระบบของ GA4 ภายใต้การเชื่อมโยง BigQuery และต้องมีโปรเจกต์คลาวด์ของกูเกิล

GA4 ส่งออกข้อมูลไปยัง BigQuery ในโครงสร้าง JSON แบบซ้อนกันที่จัดระเบียบตามเหตุการณ์ แต่ละแถวคือหนึ่งเหตุการณ์ โดยจัดเก็บคุณสมบัติของผู้ใช้และเซสชันเป็นคู่คีย์-ค่าในฟิลด์ RECORD ที่ซ้อนกัน

นักวิเคราะห์ใช้ SQL มาตรฐานเพื่อสืบค้นข้อมูล แต่ต้องใช้ UNNEST() เพื่อคลี่อาร์เรย์ event_params และ user_properties ที่ซ้อนกันก่อนกรองด้วยค่าพารามิเตอร์เฉพาะ ซึ่งเป็นไวยากรณ์ที่แตกต่างจากตารางเชิงสัมพันธ์แบบแบนราบ

คิวรี BigQuery ของ GA4 ที่พบบ่อยมักเชื่อมข้อมูลระดับเซสชันเข้ากับเหตุการณ์คอนเวอร์ชัน โดยคลี่ข้อมูล session_traffic_source เพื่อดึงช่องทาง จากนั้นนับจำนวนเซสชัน ผู้ใช้ และคอนเวอร์ชันแยกตามช่องทางในช่วงวันที่ที่ระบุ

คิวรีประเภทนี้สร้างข้อมูลประสิทธิภาพของช่องทางที่ไม่ผ่านการสุ่มตัวอย่างและปรับแต่งได้อย่างเต็มที่ ซึ่งอินเทอร์เฟซมาตรฐานของ GA4 ไม่สามารถจัดเตรียมให้ได้ โดยมีประโยชน์อย่างยิ่งสำหรับพร็อพเพอร์ตีที่มีปริมาณการเข้าชมสูง ซึ่ง GA4 ใช้การสุ่มตัวอย่างข้อมูลในรายงาน

BigQuery ช่วยให้นักวิเคราะห์ใช้ JOIN เพื่อรวมข้อมูลพฤติกรรมจาก GA4 เข้ากับข้อมูล CRM ข้อมูลค่าใช้จ่ายโฆษณา และข้อมูลผลิตภัณฑ์ได้ในคิวรีเดียว ทำให้สร้างแบบจำลองข้อมูลแบบผสานที่ไม่สามารถสร้างได้ภายในแพลตฟอร์มการตลาดใดแพลตฟอร์มหนึ่ง

ตัวอย่างเช่น การรวมข้อมูลเซสชันจาก GA4 เข้ากับข้อมูล CRM ที่ส่งออกจาก Salesforce ช่วยเชื่อมโยงการได้มาซึ่งลูกค้าจากช่องทางการตลาดกับรายได้จากการขายที่ปิดแล้ว ทำให้เห็นความเชื่อมโยงระหว่างกิจกรรมช่วงต้นของกระบวนการขายกับผลลัพธ์ทางธุรกิจช่วงปลายของกระบวนการขาย

Looker Studio (เดิมชื่อ Data Studio) เชื่อมต่อกับ BigQuery โดยตรงในฐานะแหล่งข้อมูล ทำให้นักวิเคราะห์สร้างแดชบอร์ดภาพที่ขับเคลื่อนด้วยคิวรี SQL แบบกำหนดเองจากชุดข้อมูลเหตุการณ์ GA4 ทั้งหมดได้

การผสานกันนี้ช่วยให้สร้างรายงานที่อัปเดตโดยอัตโนมัติเมื่อมีข้อมูลใหม่เข้าสู่ BigQuery พร้อมความยืดหยุ่นของ SQL แบบกำหนดเองที่ทำงานอยู่เบื้องหลัง และความเข้าถึงง่ายของเครื่องมือสร้างแดชบอร์ดแบบลากแล้ววางสำหรับผู้มีส่วนได้ส่วนเสียที่ไม่ใช่สายเทคนิค

คิวรีตามกำหนดเวลาของ BigQuery จะเรียกใช้ SQL ตามกำหนดการที่ตั้งไว้ เช่น รายวัน รายสัปดาห์ หรือรายชั่วโมง และเขียนผลลัพธ์ลงในตารางปลายทาง ทำให้สามารถอัปเดตกระบวนการข้อมูลได้โดยอัตโนมัติโดยไม่ต้องเรียกใช้คิวรีด้วยตนเอง

กรณีใช้งานที่พบบ่อยคือคิวรีตามกำหนดเวลารายวันที่รวบรวมข้อมูลเหตุการณ์ GA4 ของวันก่อนหน้าเป็นตารางสรุป จากนั้น Looker Studio จะอ่านตารางนี้เพื่อสร้างแดชบอร์ดที่แสดงข้อมูลปัจจุบันอยู่เสมอโดยไม่ต้องมีนักวิเคราะห์ดำเนินการ

GA4 ใช้การเรียนรู้ของเครื่องเพื่อสร้างกลุ่มผู้ชมเชิงคาดการณ์จากคะแนนสามประเภท ได้แก่ ความน่าจะเป็นในการซื้อ (โอกาสที่จะซื้อภายใน 7 วันข้างหน้า) ความน่าจะเป็นในการเลิกใช้งาน (โอกาสที่จะไม่กลับมาใช้งานอีก) และการคาดการณ์รายได้

คุณสามารถส่งออกกลุ่มผู้ชมเหล่านี้ไปยัง Google Ads ได้โดยตรง เพื่อกำหนดเป้าหมายผู้ใช้ที่มีความน่าจะเป็นในการซื้อสูงด้วยแคมเปญคอนเวอร์ชัน หรือยกเว้นผู้ใช้ที่มีความน่าจะเป็นในการเลิกใช้งานสูงจากแคมเปญรักษาลูกค้า ซึ่งช่วยให้ดำเนินการตามการคาดการณ์จากการเรียนรู้ของเครื่องแทนที่จะรอให้พฤติกรรมเกิดขึ้น

GA4 ช่วยให้นักการตลาดกำหนดมิติข้อมูลแบบกำหนดเอง (แอตทริบิวต์ระดับผู้ใช้หรือระดับเหตุการณ์ที่นอกเหนือจากค่าเริ่มต้น เช่น ระดับการสมัครสมาชิก หมวดหมู่เนื้อหา หรือตัวแปรของการทดสอบ A/B) และเมตริกแบบกำหนดเอง (ค่าตัวเลข เช่น เวลาอ่านหรือจำนวนวิดีโอที่รับชม) เพื่อเก็บสัญญาณเฉพาะของธุรกิจ

มิติข้อมูลและเมตริกแบบกำหนดเองจะปรากฏทั่วรายงานและการสำรวจของ GA4 เช่นเดียวกับมิติข้อมูลเริ่มต้น ทำให้วิเคราะห์ประสิทธิภาพตามแอตทริบิวต์ที่เป็นเอกลักษณ์ของผลิตภัณฑ์หรือกลยุทธ์เนื้อหาของคุณ และมองไม่เห็นในแบบจำลองข้อมูลเริ่มต้นของ GA4 ได้

ทดสอบความเข้าใจของคุณเกี่ยวกับความสามารถขั้นสูงของ GA4 และ BigQuery

การสำรวจของ GA4 ช่วยให้วิเคราะห์ขั้นสูงได้ ซึ่งรวมถึงการสำรวจช่องทาง การสำรวจกลุ่มผู้ใช้ และการสำรวจเส้นทาง โดยไม่มีข้อจำกัดด้านการสุ่มตัวอย่างในพื้นที่ทำงาน การส่งออกข้อมูลไปยัง BigQuery จะนำข้อมูลดิบระดับเหตุการณ์เข้าสู่สภาพแวดล้อม SQL เพื่อการวิเคราะห์แบบกำหนดเองได้อย่างเต็มที่

การเชื่อมต่อ BigQuery กับ Looker Studio ช่วยสร้างแดชบอร์ดอัตโนมัติจากแบบจำลองที่กำหนดเอง ขณะที่กลุ่มผู้ชมเชิงคาดการณ์ของ GA4 ช่วยให้การคาดการณ์จากการเรียนรู้ของเครื่องขับเคลื่อนการกำหนดเป้าหมายใน Google Ads ได้โดยตรง