كيفية ترقية تقاريرك لبرنامج Google Analytics 4 دون صعوبة

سيتعين على مستخدمي Google Analytics Universal (GAU) التبديل إلى Google Analytics 4 (GA4) في صيف 2023. المشكلة الرئيسية في ذلك هي أن نموذج البيانات ومنطق حساب المقاييس يختلفان اختلافًا جذريًا في GA4 مقارنة بـ GAU. بعد التبديل إلى GA4 ، سيتم الاحتفاظ بجزء من البيانات التاريخية في بنية GAU ، بينما سيتم تخزين البيانات الجديدة في بنية GA4. لهذا السبب ، يجب على الشركات بذل جهد جاد لتقييم المقاييس السنوية بعد التبديل (ما لا يقل عن 100 ساعة من العمل لمحللي البيانات من المستوى المتوسط).

بالنسبة للمحللين ، هذا يعني أنهم سيقضون يومًا بعد يوم في كتابة وترتيب صفحات استعلامات SQL لتحقيق التوافق بين مقاييس Google Analytics Universal و Google Analytics 4. ومع ذلك ، هناك طريقة للالتفاف حول هذا! يمكن للمحللين إنشاء تقارير مخصصة في دقائق دون إعادة كتابة استعلامات SQL باستمرار ، وفي هذه المقالة ، نخبرك بالكيفية.

سيتم إيقاف Universal Analytics في 1 يوليو 2023 ، وسيتم استبداله بـ Google Analytics 4. بالنسبة لعملاء Google Analytics 360 (الإصدار المدفوع من GA) ، تم تمديد فترة الانتقال حتى 1 يوليو 2024. ولكن لا يهم أي إصدار من GA الذي تستخدمه ، إنها مسألة وقت فقط قبل أن يتم تحديث تقاريرك إلى مخطط البيانات الجديد.

في ضوء هذا التبديل ، تتمثل إحدى المهام الأكثر صعوبة للمحللين في توفير البيانات من Google Analytics Universal و Google Analytics 4 بتنسيق موحد.

الظروف التي تعقد هذه المهمة:

• يختلف منطق حساب المقاييس بشكل كبير بين GAU و GA4. والجدير بالذكر أن إصدارات المنتجات هذه تحسب حتى المقاييس التقليدية بشكل مختلف. لا يمكنك سحب جميع المقاييس من GAU و GA4 إلى مخطط واحد وتوقع أن يسير كل شيء بسلاسة.
• كما تختلف مخططات بيانات Google BigQuery اختلافًا كبيرًا أيضًا. تطبق Universal Analytics مخططات البيانات المستندة إلى الجلسة ، بينما يحتوي Google Analytics 4 على مخططات بيانات مستندة إلى الأحداث.
• تتضمن لوحات المعلومات المقاييس السنوية والمؤشرات الموسمية. لذا فإن السؤال هو كيفية الاستمرار في استخدام لوحات المعلومات مع كل هذه المقاييس.

لنلق نظرة على مثال محدد. لنفترض أن لدينا لوحة القيادة هذه:

الجزء الأكثر أهمية في لوحة المعلومات هذه هو المقاييس الموسمية ، والتي تمثل مقارنة بين مقاييس محددة للفترات الحالية والماضية. يجب أن تكون البيانات التاريخية والتشغيلية بنفس التنسيق لدعم المقاييس السنوية على لوحات معلومات التسويق.

في هذه الحالة ، يتمثل التحدي الذي يواجه المحلل في ترقية N + استعلامات SQL القديمة لتقديم تقارير موثوقة لفريق التسويق. من الصعب اختبار وتصحيح كل شيء يمكن أن يتأثر حتى بإصلاحات بسيطة لاستعلامات SQL.

كما ينبغي النظر في مخاطر الانتقال. بعد نقل تقرير إلى المصدر الجديد (من GAU إلى GA4) ، قد يفشل المحللون في حساب الاختلافات الجوهرية في مخطط البيانات ومنطق حساب المقاييس. على سبيل المثال ، يتم تكوين الجلسات بشكل مختلف: يتم اعتبار مصدر المستخدم الأول فقط في GA4 ، ويتم تجاهل جميع المصادر الأخرى المؤدية إلى الجلسة. لذلك ، لن تظهر بعض مصادر الزيارات في التقرير.

في البداية ، يمكن أن يمر هذا دون أن يلاحظه أحد. ولكن في غضون ربعين إلى ثلاثة أرباع ، ستؤدي لوحة القيادة غير الصحيحة إلى إنفاق إعلاني غير فعال ، مع تسريب ميزانية بنسبة 30٪ أو أعلى.

يذكرنا إعداد وإنشاء لوحات المعلومات بـ Jenga. في كل مرة يحتاجون فيها إلى استبدال كتلة في تقرير ما ، يبقي المحللون أصابعهم متقاطعة ويأملون ألا يسقط الهيكل بأكمله.

في OWOX ، نجحنا بالفعل في حل مشكلات مماثلة أثناء نقل تقارير عملائنا من مخطط بيانات Universal Analytics (أو GA 360) إلى مخطط بيانات Google Analytics 4. لهذا السبب نريد مشاركة حلنا وبعض استعلامات SQL مع قراء مدونتنا. نأمل أن تساعدك هذه المعلومات في نقل تقاريرك دون التعرض للصداع.

يعتمد نهجنا في إعداد التقارير (بغض النظر عن مجال العمل الذي تم إنشاؤه من أجله) على البيانات الأولية بدلاً من البيانات النموذجية.

يصف نموذج البيانات كيانات البيانات وخصائصها والعلاقات بين الكيانات. على سبيل المثال ، يتم دمج إجراءات المستخدمين على موقع الويب لجلسة معينة ، ويمكن لمستخدم واحد إجراء عدة تحويلات عبر الإنترنت في الجلسة.

هناك أربعة كائنات - الإجراءات ، والمستخدمون ، والجلسة ، والتحويل عبر الإنترنت - وثلاثة اتصالات: واحد لكثير بين الجلسات والإجراءات ، وواحد لكثير بين المستخدم والتحويلات عبر الإنترنت ، وواحد إلى كثير بين الجلسات و التحويلات عبر الإنترنت.

يعكس نموذج البيانات تصورنا للعالم الحقيقي ويجيب على أسئلة مثلما هي بياناتنا؟كيف ترتبط؟ما هي الشروط والقيود التي نطبقها عند التعامل مع البيانات؟نموذج البيانات ضروري للأشخاص لفهم بعضهم البعض بوضوح.

نمذجة البيانات هي عملية تحويل البيانات إلى تنسيق يلبي متطلبات نموذج البيانات الخاص بك.

• زيادة قيمة وكفاءة عمل التحليلات من خلال:
• تسريع التغييرات في هياكل التقارير ومنطق حساب المقاييس
• تقليل تكلفة دعم التقارير ولوحات المعلومات
• تبسيط مناقشات التقرير والموافقات
• زيادة جودة البيانات في التقارير من خلال:
• تجنب الازدواجية عند تنفيذ منطق حساب المعلمات والمقاييس
• وجود طبقة بيانات واحدة تمثل مصدر بيانات دقيقة

يستبدل نموذج البيانات العديد من الأدوات ويصف منطق التقرير ، لأنه يصف العناصر ومنطق حسابها (وهو صالح لجميع التقارير).

يحول OWOX BI البيانات الأولية إلى تنسيق جاهز للتحليلات ، مما يوفر لك ساعات من إعداد البيانات. يدمج بسلاسة كلاً من بيانات Universal Analytics و Google Analytics 4 في تقاريرك.

فيما يلي مثال على نموذج بيانات مبني على بيانات Google Analytics:

كما ترى ، هناك العديد من العناصر ، بما في ذلك الجلسات والمعاملات والصفحات والأجهزة.

الشيء الأكثر إثارة للاهتمام والأكثر أهمية هنا هو أن بنية هذه الكائنات ليست مترابطة ولا علاقة لها بمصادر البيانات. لا يهم المصادر المستخدمة لملء هذه الكائنات بالبيانات الحية (Matomo و Adobe و Google Analytics وما إلى ذلك). بغض النظر عن مصدر البيانات ، يقوم النموذج بإرجاع نفس العناصر التي يمثلها نموذج البيانات عملك. إنه يوضح كائنات العالم الحقيقي والمقاييس التي تعمل بها.

دعونا نرى كيف يبدو في العالم الحقيقي.

بدلاً من كتابة استعلامات SQL فوق البيانات الأولية ، مثل الجلسات التي تم تصديرها من Universal Analytics أو الأحداث التي تم تصديرها من Google Analytics 4 ، يمكنك إنشاء بيانات نموذجية. إنها جداول عالمية وسهلة الفهم في الأعلى تمثل كائنات وكيانات من العالم الحقيقي ، مثل الجلسات والمستخدمين وطرق عرض الصفحة.

دعونا ننظر في أمثلة محددة ومخططات البيانات.

هذا مثال على البيانات الأولية. هذه لقطات شاشة لمخطط بيانات من Google BigQuery لـ Google Analytics Universal (على اليسار) و Google Analytics 4 (على اليمين).

كما كتبنا أعلاه ، تختلف مخططات البيانات. نحتاج إلى إيجاد طريقة لربط هذه البيانات بلوحة معلومات Google Data Studio.

بناءً على خبرتنا ، يعد بناء الجداول النموذجية هو أفضل طريقة لتبسيط إعداد البيانات. إليك ما يمكن أن تبدو عليه:

هذه هي قوائم الكائنات من نموذج البيانات أعلاه. يمكنك أن ترى أن قائمة الكائنات هي نفسها في Google Analytics 360 و Google Analytics 4.

هذا يعني أنه يمكنك توصيل استعلام لوحة المعلومات بهذه البيانات باستخدام نفس الاستعلامات. هيكل هذا الاستعلام هو نفسه.

دعنا نرى الأسباب المهمة للنظر في إنشاء تقاريرك على بيانات نموذجية بدلاً من البيانات الأولية.

1. البيانات مثل الفاكهة: يجب تنظيفها قبل مزجها.يقوم المحللون بجمع البيانات من الخدمات والأنظمة المتباينة. بطبيعة الحال ، يختلف هيكل وتنسيق تلك البيانات عبر المصادر. لإنشاء التقارير ، يجب دمج البيانات من مصادر مختلفة بشكل صحيح. في حد ذاته ، البيانات التي يتم تحميلها من خلال الموصلات أو خدمات ETL المختلفة غير دقيقة (تحتوي على أخطاء وتكرارات وتناقضات) وتفتقر إلى منطق موحد وهيكل. يجب تنظيف البيانات غير الدقيقة والمجزأة وتوحيدها في تنسيق جاهز للتحليلات.

باستخدام OWOX BI ، لا تحتاج إلى تنظيف البيانات وتنظيمها ومعالجتها يدويًا. ستقوم الخدمة تلقائيًا بتطبيع البيانات الأولية إلى تنسيق جاهز للتحليلات.

2. لست بحاجة إلى نسخ وإعادة كتابة منطق الأعمال لكل تقرير ؛على سبيل المثال ، لست بحاجة إلى:

• إلغاء تكرار المعاملات
• تصفية البوت وحركة المرور الداخلية
• تحديد قواعد تجميع القنوات
• حدد المعايير للمستخدمين الجدد والعائدين
• إصلاح تتبع معلمة UTM

لا شك أن كل محلل بيانات قد سمع طلبات من جهات تسويق مثل هذه: نود تعديل أو تحسين قواعد تجميع القنوات لدينا استنادًا إلى البيانات التاريخية ، أو نود تحديد معايير للمستخدمين الجدد والعائدين ليس بالطريقة التي يعمل بها في Google Analytics ، ولكن بطريقتنا الخاصة أو نود النظر في إعادة المستخدمين الذين أجروا عملية شراء خلال الأشهر الستة الماضية فقط.

إذا قمت بإنشاء تقارير بناءً على البيانات الأولية ، فيجب تنفيذ جميع عمليات تحويل البيانات وأنشطة الإعداد على مستوى التقرير. هذا يعني أنه يجب عليك قضاء الكثير من الوقت في نسخ منطق الأعمال في كل تقرير.

إذا أنشأت تقارير على بيانات منمذجة ، فلن تضطر إلى نسخ منطق الأعمال. تقوم بإنشائه مرة واحدة في مرحلة النمذجة.

3. يعمل بناء التقارير على أساس البيانات النموذجية على تسريع التحليل المخصص.يمكنك توفير الوقت في كتابة تحويلات SQL وتزامن جديدة لتمكين التحليل السنوي.

4. بفضل نمذجة البيانات ، يمكنك إنشاء مصدر واحد للحقيقة لجميع التقارير.عندما تقوم بتغيير مصدر البيانات في تقرير ، لم تعد مضطرًا لتسوية كل استعلام به مشكلة. يمكنك الاعتماد على هذا المصدر للجلسات والمعاملات وبيانات الأحداث.

5. تبسيط طبقة التقارير.يعد إنشاء التقارير أعلى البيانات النموذجية أسهل من التعامل مع الحقول المتداخلة وحقول التسجيل ، إلى جانب كتابة بعض الوظائف المعقدة للنافذة أو حتى وظائف استخراج JSON.

1. البيانات النموذجية هي طبقة وسطى أخرى.يستغرق التعديل وقتًا ، ويجب أيضًا مراقبة البيانات المنمذجة وتصحيحها.

2. عمليات الانضمام المعقدة للتطبيع.

3. معالجة البيانات الإضافية.لتحويل البيانات بتنسيق نموذج ، يجب عليك الاستعلام عن البيانات. ننصحك باستخدام جدول التقسيم في موعد. باستخدام جدول الأقسام المبني حول أبعاد التاريخ ، يمكنك تحديث البيانات الضرورية فقط. لست مضطرًا إلى إعادة كتابة جميع الجداول الضخمة والدفع مقابل جميع البيانات المعالجة والجيجابايت أو التيرابايت من البيانات في Google BigQuery. يمكنك فقط ترقية القسم الذي تحتاجه وتحديثه. هذا النهج أكثر اقتصادا من معالجة جميع جداول البيانات.

من أجل مساعدتك في التعامل مع هذه السلبيات ، قمنا بإعداد نماذج SQL لنمذجة بيانات Google Analytics 360 و Google Analytics 4. يمكنك التحقق منها عن طريق تنزيل المواد الإضافية المتوفرة في هذه المقالة.

ما مدى سهولة تحديث تقاريرك إلى مخطط بيانات Google Analytics 4 الجديد؟ استخدم البيانات المنمذجة. بدلاً من إنشاء تقارير على البيانات الأولية ، يمكنك إنشاء جداول مسطحة عامة وسهلة الفهم أعلى مخططات GA Universal و GA 4.

سيؤدي القيام بذلك إلى التخلص من الحاجة إلى نسخ البيانات وإدخال منطق التطبيع في العشرات من استعلامات SQL. ستفعل ذلك مرة واحدة في مرحلة نمذجة البيانات. على الرغم من أنها ليست حل سحري لكل مشروع ، إلا أنها الطريقة المثلى لمن يطلبون تقارير خاصة بانتظام.

قم بالتسجيل للحصول على عرض توضيحي لـ OWOX BI إذا كنت تريد إعداد الجداول النموذجية وتنظيمها. سنشارك بكل سرور التفاصيل حول كيفية إعداد جداول مماثلة في مشاريعك بناءً على بياناتك.