Cara memutakhirkan laporan Anda untuk Google Analytics 4 tanpa pusing

Pengguna Google Analytics Universal (GAU) harus beralih ke Google Analytics 4 (GA4) pada musim panas 2023. Masalah utamanya adalah model data dan logika penghitungan metrik sangat berbeda di GA4 dibandingkan dengan GAU. Setelah beralih ke GA4, sebagian data historis akan disimpan di struktur GAU, sedangkan data baru akan disimpan di struktur GA4. Untuk alasan ini, bisnis harus melakukan upaya serius untuk mengevaluasi metrik tahun-ke-tahun (YoY) setelah beralih (setidaknya 100+ jam kerja untuk analis data tingkat menengah).

Bagi analis, ini berarti mereka akan menghabiskan hari demi hari menulis dan menyusun halaman kueri SQL untuk mencapai keselarasan antara metrik Google Analytics Universal dan Google Analytics 4. Namun, ada cara untuk menyiasatinya! Analis dapat membuat laporan ad hoc dalam hitungan menit tanpa terus-menerus menulis ulang kueri SQL, dan dalam artikel ini, kami memberi tahu Anda caranya.

Universal Analytics akan dihentikan pada tanggal 1 Juli 2023, dan digantikan oleh Google Analytics 4. Untuk pelanggan Google Analytics 360 (GA versi berbayar), periode transisi telah diperpanjang hingga 1 Juli 2024. Namun apa pun versi GA mana yang Anda gunakan, hanya masalah waktu sebelum laporan Anda diperbarui ke skema data baru.

Sehubungan dengan peralihan ini, salah satu tugas yang paling menantang bagi analis adalah menyediakan data dari Google Analytics Universal dan Google Analytics 4 dalam format terpadu.

Keadaan yang memperumit tugas ini:

• Logika penghitungan metrik berbeda secara signifikan antara GAU dan GA4. Khususnya, versi produk ini bahkan menghitung metrik tradisional secara berbeda. Anda tidak dapat menarik semua metrik dari GAU dan GA4 ke dalam satu bagan dan mengharapkan semuanya berjalan lancar.
• Skema data Google BigQuery juga sangat berbeda. Universal Analytics menerapkan skema data berbasis sesi, sedangkan Google Analytics 4 memiliki skema data berbasis peristiwa.
• Dasbor mencakup metrik YoY dan tren musiman. Jadi pertanyaannya adalah bagaimana tetap menggunakan dasbor dengan semua metrik ini.

Mari kita lihat contoh spesifik. Katakanlah kita memiliki dasbor ini:

Bagian terpenting dari dasbor ini adalah metrik musiman, yang mewakili perbandingan metrik tertentu untuk periode saat ini dan sebelumnya. Data historis dan operasional harus dalam format yang sama untuk mendukung metrik YoY di dasbor pemasaran.

Dalam hal ini, tantangan analis adalah memutakhirkan N+ kueri SQL lama untuk menyediakan laporan yang andal bagi tim pemasaran. Sulit untuk menguji dan men-debug semua yang dapat dipengaruhi bahkan oleh perbaikan kecil pada kueri SQL.

Risiko transisi juga harus dipertimbangkan. Setelah mentransfer laporan ke sumber baru (dari GAU ke GA4), analis mungkin gagal memperhitungkan perbedaan mendasar dalam skema data dan logika penghitungan metrik. Misalnya, sesi dibentuk secara berbeda: hanya sumber pengguna pertama yang dipertimbangkan di GA4, dan semua sumber lain yang mengarah ke sesi diabaikan. Oleh karena itu, beberapa sumber lalu lintas tidak akan terlihat dalam laporan.

Pada awalnya, ini bisa luput dari perhatian. Namun dalam dua hingga tiga perempat, dasbor yang salah akan menyebabkan pengeluaran iklan yang tidak efisien, dengan kebocoran anggaran sebesar 30% atau lebih.

Mempersiapkan dan membuat dasbor mengingatkan kita pada Jenga. Setiap kali mereka perlu mengganti blok dalam sebuah laporan, analis tetap berharap dan berharap seluruh struktur tidak akan jatuh.

Di OWOX, kami telah berhasil menyelesaikan masalah serupa saat mentransfer laporan pelanggan kami dari skema data Universal Analytics (atau GA 360) ke skema data Google Analytics 4. Itu sebabnya kami ingin membagikan solusi kami dan beberapa kueri SQL dengan pembaca blog kami. Mudah-mudahan, informasi ini akan membantu Anda mentransfer pelaporan Anda tanpa sakit kepala.

Pendekatan kami untuk menyiapkan laporan (terlepas dari bidang bisnis yang dibuatnya) didasarkan pada data mentah, bukan data model.

Model data menggambarkan entitas data, atributnya, dan hubungan antar entitas. Misalnya, tindakan pengguna di situs web digabungkan untuk sesi tertentu, dan satu pengguna dapat melakukan beberapa konversi online dalam satu sesi.

Ada empat objek — Tindakan, Pengguna, Sesi, dan Konversi online — dan tiga koneksi: satu-ke-banyak antara sesi dan tindakan, satu-ke-banyak antara pengguna dan konversi online, dan satu-ke-banyak antara sesi dan konversi daring.

Model data mencerminkan persepsi kita tentang dunia nyata dan menjawab pertanyaan sepertiApa data kita?Bagaimana hubungannya?Ketentuan dan batasan apa yang kami terapkan saat bekerja dengan data?Model data diperlukan agar orang dapat memahami satu sama lain dengan jelas.

Pemodelan data adalah proses mengubah data menjadi format yang memenuhi persyaratan model data Anda.

• Tingkatkan nilai dan efisiensi kerja analitik dengan:
• Mempercepat perubahan pada struktur laporan dan logika penghitungan metrik
• Mengurangi biaya laporan dan dasbor pendukung
• Menyederhanakan pembahasan dan persetujuan laporan
• Tingkatkan kualitas data dalam laporan dengan:
• Menghindari duplikasi saat menerapkan logika perhitungan parameter dan metrik
• Memiliki satu lapisan data yang menjadi sumber data akurat

Model data menggantikan banyak alat dan menjelaskan logika laporan, karena menjelaskan objek dan logika perhitungannya (yang berlaku untuk semua laporan).

OWOX BI mengubah data mentah menjadi format siap analitik, menghemat waktu persiapan data Anda. Ini dengan mulus mengintegrasikan data Universal Analytics dan Google Analytics 4 ke dalam laporan Anda.

Berikut adalah contoh model data yang dibuat berdasarkan data Google Analytics:

Seperti yang Anda lihat, ada beberapa objek, termasuk sesi, transaksi, halaman, dan perangkat.

Hal yang paling menarik dan penting di sini adalah struktur objek-objek ini tidak saling berhubungan dan tidak ada hubungannya dengan sumber data. Tidak masalah sumber apa yang digunakan untuk mengisi objek ini dengan data langsung (Matomo, Adobe, Google Analytics, dll.). Terlepas dari sumber datanya, model mengembalikan objek yang sama dengan model data yang mewakili bisnis Anda. Ini menggambarkan objek dan metrik dunia nyata yang Anda gunakan.

Mari kita lihat seperti apa di dunia nyata.

Daripada menulis kueri SQL di atas data mentah, seperti sesi yang diekspor dari Universal Analytics atau peristiwa yang diekspor dari Google Analytics 4, Anda dapat membuat data sesuai model. Ini adalah tabel universal dan mudah dipahami di atas yang mewakili objek dan entitas dari dunia nyata, seperti sesi, pengguna, dan tampilan halaman.

Mari pertimbangkan contoh spesifik dan skema data.

Berikut adalah contoh data mentah. Ini adalah tangkapan layar skema data dari Google BigQuery untuk Google Analytics Universal (kiri) dan Google Analytics 4 (kanan).

Seperti yang kami tulis di atas, skema data berbeda. Kami perlu menemukan cara untuk menautkan data ini ke dasbor Google Data Studio.

Berdasarkan pengalaman kami, membuat tabel yang dimodelkan adalah cara terbaik untuk menyederhanakan persiapan data. Inilah tampilannya:

Ini adalah daftar objek dari model data di atas. Anda dapat melihat bahwa daftar objek sama untuk Google Analytics 360 dan Google Analytics 4.

Ini berarti Anda dapat menghubungkan kueri dasbor Anda dengan data ini menggunakan kueri yang sama. Struktur kueri ini sama.

Mari kita lihat alasan penting untuk mempertimbangkan membuat laporan pada data sesuai model, bukan data mentah.

1. Data itu seperti buah: Anda harus membersihkannya sebelum diblender.Analis mengumpulkan data dari layanan dan sistem yang berbeda. Secara alami, struktur dan format data tersebut berbeda-beda di berbagai sumber. Untuk membuat laporan, data dari sumber yang berbeda harus digabungkan dengan benar. Dengan sendirinya, data yang diunggah melalui konektor atau berbagai layanan ETL tidak akurat (mengandung kesalahan, duplikat, dan perbedaan) dan tidak memiliki logika dan struktur terpadu. Data yang tidak akurat dan terfragmentasi harus dibersihkan dan dinormalisasi ke dalam format siap analitik.

Dengan OWOX BI, Anda tidak perlu membersihkan, menyusun, dan memproses data secara manual. Layanan ini akan secara otomatis menormalkan data mentah menjadi format siap analitik.

2. Anda tidak perlu menyalin dan menulis ulang logika bisnis untuk setiap laporan;misalnya, Anda tidak perlu:

• Hapus duplikat transaksi
• Filter bot dan lalu lintas internal
• Tentukan aturan pengelompokan saluran
• Tetapkan kriteria untuk pengguna baru dan kembali
• Perbaiki pelacakan parameter UTM

Tidak diragukan lagi setiap analis data telah mendengar permintaan dari pemasar seperti ini: Kami ingin menyesuaikan atau meningkatkan aturan pengelompokan saluran kami berdasarkan data historis, atau Kami ingin mengidentifikasi kriteria untuk pengguna baru dan pengguna kembali yang tidak sesuai dengan cara kerjanya di Google Analytics, tetapi dengan cara kami sendiri atau Kami ingin mempertimbangkan untuk mengembalikan hanya pengguna yang telah melakukan pembelian dalam enam bulan terakhir.

Jika Anda membuat laporan berdasarkan data mentah, semua transformasi data dan aktivitas persiapan harus dijalankan di tingkat laporan. Itu berarti Anda harus menghabiskan banyak waktu menyalin logika bisnis ke dalam setiap laporan.

Jika membuat laporan berdasarkan data sesuai model, Anda tidak perlu menyalin logika bisnis. Anda membuatnya sekali pada tahap pemodelan.

3. Membuat laporan berdasarkan model data mempercepat analisis ad hoc.Anda dapat menghemat waktu menulis SQL baru dan transformasi orkestrasi untuk mengaktifkan analisis tahunan.

4. Berkat pemodelan data, Anda dapat membuat satu sumber kebenaran untuk semua laporan.Saat Anda mengubah sumber data dalam laporan, Anda tidak lagi harus menyelesaikan setiap kueri yang bermasalah. Anda dapat mengandalkan sumber ini untuk data sesi, transaksi, dan peristiwa.

5. Sederhanakan lapisan pelaporan.Membangun laporan di atas data yang dimodelkan lebih mudah daripada berurusan dengan bidang bersarang dan bidang rekaman, bersama dengan menulis beberapa fungsi rumit jendela atau bahkan fungsi ekstrak JSON.

1. Data yang dimodelkan adalah satu lagi lapisan tengah.Butuh waktu untuk menyesuaikan, dan Anda juga harus memantau dan men-debug data yang dimodelkan.

2. GABUNG Kompleks untuk normalisasi.

3. Pemrosesan data ekstra.Untuk mengonversi data dalam format model, Anda harus melakukan kueri data. Kami menyarankan Anda untuk menggunakan tabel partisi pada suatu tanggal. Dengan tabel partisi yang dibuat berdasarkan dimensi tanggal, Anda hanya dapat memperbarui data yang diperlukan. Anda tidak perlu menulis ulang semua tabel besar dan membayar semua data yang diproses dan gigabyte atau terabyte data di Google BigQuery. Anda cukup memutakhirkan dan memperbarui partisi yang Anda butuhkan. Pendekatan ini lebih ekonomis daripada menangani semua tabel data.

Untuk membantu Anda menangani kekurangan ini, kami telah menyiapkan template SQL untuk membuat model data Google Analytics 360 dan Google Analytics 4. Anda dapat memeriksanya dengan mengunduh materi tambahan yang disediakan dalam artikel ini.

Seberapa mudah memperbarui laporan Anda ke skema data Google Analytics 4 yang baru? Gunakan data model. Alih-alih membuat laporan pada data mentah, Anda dapat membuat tabel datar universal dan mudah dipahami di atas skema GA Universal dan GA 4.

Melakukan hal ini akan menghilangkan kebutuhan untuk menyalin data dan memasukkan logika normalisasi ke dalam lusinan kueri SQL. Anda akan melakukannya sekali pada tahap pemodelan data. Meskipun bukan peluru perak untuk setiap proyek, ini adalah metode optimal bagi mereka yang membutuhkan laporan khusus secara teratur.

Mendaftar untuk demo OWOX BI jika Anda ingin menyiapkan dan mengatur tabel model. Kami dengan senang hati akan membagikan detail tentang cara menyiapkan tabel serupa di proyek Anda berdasarkan data Anda.