วิธีอัปเกรดรายงานของคุณสำหรับ Google Analytics 4 โดยไม่ต้องปวดหัว

ผู้ใช้ Google Analytics Universal (GAU) จะต้องเปลี่ยนไปใช้ Google Analytics 4 (GA4) ในฤดูร้อนปี 2023 ปัญหาหลักคือโมเดลข้อมูลและตรรกะการคำนวณเมตริกใน GA4 แตกต่างกันอย่างสิ้นเชิงเมื่อเทียบกับ GAU หลังจากเปลี่ยนมาใช้ GA4 ข้อมูลประวัติส่วนหนึ่งจะถูกเก็บไว้ในโครงสร้าง GAU ในขณะที่ข้อมูลใหม่จะถูกเก็บไว้ในโครงสร้าง GA4 ด้วยเหตุผลนี้ ธุรกิจต่างๆ ต้องใช้ความพยายามอย่างจริงจังในการประเมินเมตริกแบบปีต่อปี (YoY) หลังจากเปลี่ยน (อย่างน้อย 100+ ชั่วโมงการทำงานสำหรับนักวิเคราะห์ข้อมูลระดับกลาง)

สำหรับนักวิเคราะห์ หมายความว่าพวกเขาจะใช้เวลาวันแล้ววันเล่าในการเขียนและจัดเรียงหน้าของข้อความค้นหา SQL เพื่อให้สอดคล้องกันระหว่างเมตริก Google Analytics Universal และ Google Analytics 4 อย่างไรก็ตาม มีวิธีแก้ไขปัญหานี้! นักวิเคราะห์สามารถสร้างรายงานเฉพาะกิจได้ในเวลาไม่กี่นาทีโดยไม่ต้องเขียนข้อความค้นหา SQL ใหม่อยู่ตลอดเวลา และในบทความนี้ เราจะบอกคุณถึงวิธีการ

Universal Analytics จะหายไปในวันที่ 1 กรกฎาคม 2023 และจะถูกแทนที่ด้วย Google Analytics 4 สำหรับลูกค้าของ Google Analytics 360 (รุ่น GA แบบชำระเงิน) ระยะเวลาการเปลี่ยนแปลงจะขยายออกไปจนถึงวันที่ 1 กรกฎาคม 2024 แต่ไม่ว่าอย่างไรก็ตาม เวอร์ชันของ GA ที่คุณใช้ เพียงเรื่องของเวลาก่อนที่รายงานของคุณจะได้รับการอัปเดตเป็นสคีมาข้อมูลใหม่

จากการเปลี่ยนแปลงนี้ หนึ่งในงานที่ท้าทายที่สุดสำหรับนักวิเคราะห์คือการให้ข้อมูลจาก Google Analytics Universal และ Google Analytics 4 ในรูปแบบที่เป็นหนึ่งเดียว

สถานการณ์ที่ทำให้งานนี้ซับซ้อน:

• ตรรกะการคำนวณเมตริกแตกต่างกันอย่างมากระหว่าง GAU และ GA4 โดยเฉพาะอย่างยิ่ง รุ่นผลิตภัณฑ์เหล่านี้คำนวณแม้แต่เมตริกแบบดั้งเดิมก็แตกต่างกัน คุณไม่สามารถลากเมตริกทั้งหมดจาก GAU และ GA4 ลงในแผนภูมิเดียวและคาดหวังให้ทุกอย่างเป็นไปอย่างราบรื่น
• สคีมาข้อมูลของ Google BigQuery ก็มีความแตกต่างกันอย่างมากเช่นกัน Universal Analytics ใช้สคีมาข้อมูลตามเซสชัน ในขณะที่ Google Analytics 4 มีสคีมาข้อมูลตามเหตุการณ์
• แดชบอร์ดประกอบด้วยเมตริก YoY และแนวโน้มตามฤดูกาล ดังนั้น คำถามคือจะใช้แดชบอร์ดกับเมตริกเหล่านี้ต่อไปได้อย่างไร

ลองดูตัวอย่างที่เฉพาะเจาะจง สมมติว่าเรามีแดชบอร์ดนี้:

ส่วนที่สำคัญที่สุดของแดชบอร์ดนี้คือเมตริกฤดูกาล ซึ่งแสดงการเปรียบเทียบเมตริกเฉพาะสำหรับช่วงเวลาปัจจุบันและที่ผ่านมา ข้อมูลย้อนหลังและการดำเนินงานต้องอยู่ในรูปแบบเดียวกันเพื่อรองรับเมตริก YoY บนแดชบอร์ดทางการตลาด

ในกรณีนี้ ความท้าทายของนักวิเคราะห์คือการอัปเกรดการสืบค้น SQL ดั้งเดิม N+ เพื่อให้รายงานที่เชื่อถือได้สำหรับทีมการตลาด เป็นการยากที่จะทดสอบและดีบักทุกสิ่งที่อาจได้รับผลกระทบจากการแก้ไขเล็กน้อยในแบบสอบถาม SQL

ควรพิจารณาความเสี่ยงในการเปลี่ยนแปลงด้วย หลังจากถ่ายโอนรายงานไปยังแหล่งข้อมูลใหม่ (จาก GAU ไปยัง GA4) นักวิเคราะห์อาจไม่สามารถอธิบายถึงความแตกต่างพื้นฐานในสคีมาข้อมูลและตรรกะการคำนวณเมตริกได้ ตัวอย่างเช่น เซสชันมีรูปแบบแตกต่างกัน: เฉพาะแหล่งที่มาของผู้ใช้รายแรกเท่านั้นที่ได้รับการพิจารณาใน GA4 และแหล่งที่มาอื่นๆ ทั้งหมดที่นำไปสู่เซสชันจะถูกละเลย ดังนั้น แหล่งที่มาของการเข้าชมบางส่วนจะไม่ปรากฏในรายงาน

ในตอนแรกสิ่งนี้อาจไม่มีใครสังเกตเห็น แต่ในสองถึงสามไตรมาส แดชบอร์ดที่ไม่ถูกต้องจะนำไปสู่การใช้จ่ายด้านการโฆษณาที่ไม่มีประสิทธิภาพ โดยมีการรั่วไหลของงบประมาณ 30% หรือสูงกว่านั้น

การจัดเตรียมและสร้างแดชบอร์ดทำให้เรานึกถึง Jenga ทุกครั้งที่พวกเขาจำเป็นต้องเปลี่ยนบล็อกในรายงาน นักวิเคราะห์จะคอยจับตาดูและหวังว่าโครงสร้างทั้งหมดจะไม่พังทลาย

ที่ OWOX เราประสบความสำเร็จในการแก้ปัญหาที่คล้ายกันในขณะที่โอนรายงานของลูกค้าจากสคีมาข้อมูล Universal Analytics (หรือ GA 360) ไปยังสคีมาข้อมูล Google Analytics 4 นั่นเป็นเหตุผลที่เราต้องการแบ่งปันโซลูชันของเราและแบบสอบถาม SQL กับผู้อ่านบล็อกของเรา หวังว่าข้อมูลนี้จะช่วยให้คุณโอนรายงานได้โดยไม่ต้องปวดหัว

แนวทางของเราในการจัดทำรายงาน (โดยไม่คำนึงถึงขอบเขตธุรกิจที่สร้างขึ้น) จะขึ้นอยู่กับข้อมูลดิบมากกว่าข้อมูลแบบจำลอง

แบบจำลองข้อมูลอธิบายเอนทิตีข้อมูล คุณลักษณะ และความสัมพันธ์ระหว่างเอนทิตี ตัวอย่างเช่น การกระทำของผู้ใช้บนเว็บไซต์จะถูกรวมเข้าด้วยกันสำหรับเซสชันที่กำหนด และผู้ใช้หนึ่งคนสามารถสร้าง Conversion ออนไลน์ได้หลายรายการในเซสชันหนึ่งๆ

มีวัตถุสี่อย่าง — การกระทำ ผู้ใช้ เซสชัน และการแปลงออนไลน์ — และสามการเชื่อมต่อ: หนึ่งต่อหลายระหว่างเซสชันและการกระทำ หนึ่งต่อหลายระหว่างผู้ใช้กับการแปลงออนไลน์ และหนึ่งต่อหลายระหว่างเซสชันและ การแปลงออนไลน์

โมเดลข้อมูลสะท้อนการรับรู้ของเราเกี่ยวกับโลกแห่งความเป็นจริงและตอบคำถาม เช่นข้อมูลของเราเกี่ยวกับอะไรเกี่ยวข้องกันอย่างไร?เราใช้เงื่อนไขและข้อจำกัดอะไรบ้างเมื่อทำงานกับข้อมูลแบบจำลองข้อมูลเป็นสิ่งจำเป็นเพื่อให้ผู้คนเข้าใจซึ่งกันและกันอย่างชัดเจน

การสร้างแบบจำลองข้อมูลคือกระบวนการแปลงข้อมูลเป็นรูปแบบที่ตรงตามข้อกำหนดของแบบจำลองข้อมูลของคุณ

• เพิ่มคุณค่าและประสิทธิภาพของงานวิเคราะห์โดย:
• เร่งการเปลี่ยนแปลงโครงสร้างรายงานและตรรกะการคำนวณเมตริก
• ลดค่าใช้จ่ายในการสนับสนุนรายงานและแดชบอร์ด
• ลดความซับซ้อนของการสนทนาและการอนุมัติรายงาน
• เพิ่มคุณภาพข้อมูลในรายงานโดย:
• หลีกเลี่ยงการทำซ้ำเมื่อใช้ตรรกะการคำนวณพารามิเตอร์และเมตริก
• มีชั้นข้อมูลเดียวที่เป็นแหล่งข้อมูลที่ถูกต้อง

แบบจำลองข้อมูลแทนที่เครื่องมือจำนวนมากและอธิบายตรรกะของรายงาน เนื่องจากอธิบายวัตถุและตรรกะการคำนวณ (ซึ่งใช้ได้กับรายงานทั้งหมด)

OWOX BI แปลงข้อมูลดิบเป็นรูปแบบที่พร้อมสำหรับการวิเคราะห์ ช่วยให้คุณประหยัดเวลาในการเตรียมข้อมูล ผสานรวมข้อมูลทั้ง Universal Analytics และ Google Analytics 4 เข้ากับรายงานของคุณได้อย่างลงตัว

ต่อไปนี้คือตัวอย่างโมเดลข้อมูลที่สร้างขึ้นจากข้อมูล Google Analytics:

อย่างที่คุณเห็น มีออบเจกต์หลายอย่าง รวมถึงเซสชัน ธุรกรรม หน้า และอุปกรณ์

สิ่งที่น่าสนใจและสำคัญที่สุดในที่นี้คือโครงสร้างของวัตถุเหล่านี้ไม่ได้เชื่อมต่อกันและไม่มีส่วนเกี่ยวข้องใดๆ กับแหล่งข้อมูล ไม่สำคัญว่าจะใช้แหล่งข้อมูลใดในการเติมข้อมูลสดให้กับวัตถุเหล่านี้ (Matomo, Adobe, Google Analytics เป็นต้น) โดยไม่คำนึงถึงแหล่งข้อมูล โมเดลจะส่งคืนออบเจกต์เดียวกันกับที่โมเดลข้อมูลแสดงถึงธุรกิจของคุณ มันแสดงให้เห็นถึงวัตถุและเมตริกในโลกแห่งความเป็นจริงที่คุณทำงานด้วย

มาดูกันว่าในโลกแห่งความเป็นจริงจะเป็นอย่างไร

แทนที่จะเขียนข้อความค้นหา SQL บนข้อมูลดิบ เช่น เซสชันที่ส่งออกจาก Universal Analytics หรือเหตุการณ์ที่ส่งออกจาก Google Analytics 4 คุณสามารถสร้างข้อมูลแบบจำลองได้ เป็นตารางที่เป็นสากลและเข้าใจง่ายอยู่ด้านบนซึ่งแสดงถึงวัตถุและเอนทิตีจากโลกแห่งความเป็นจริง เช่น เซสชัน ผู้ใช้ และการดูหน้าเว็บ

ลองพิจารณาตัวอย่างเฉพาะและสคีมาข้อมูล

นี่คือตัวอย่างของข้อมูลดิบ นี่คือภาพหน้าจอของสคีมาข้อมูลจาก Google BigQuery สำหรับ Google Analytics Universal (ซ้าย) และ Google Analytics 4 (ขวา)

ตามที่เราเขียนไว้ข้างต้น สคีมาข้อมูลจะแตกต่างกัน เราต้องหาวิธีเชื่อมโยงข้อมูลนี้กับแดชบอร์ด Google Data Studio

จากประสบการณ์ของเรา การสร้างตารางจำลองเป็นวิธีที่ดีที่สุดในการทำให้การเตรียมข้อมูลง่ายขึ้น นี่คือสิ่งที่พวกเขาสามารถมีลักษณะดังนี้:

นี่คือรายการวัตถุจากแบบจำลองข้อมูลด้านบน คุณจะเห็นว่ารายการวัตถุนั้นเหมือนกันสำหรับ Google Analytics 360 และ Google Analytics 4

ซึ่งหมายความว่าคุณสามารถเชื่อมต่อแบบสอบถามแดชบอร์ดของคุณกับข้อมูลนี้โดยใช้ข้อความค้นหาเดียวกัน โครงสร้างของแบบสอบถามนี้เหมือนกัน

มาดูเหตุผลสำคัญที่ควรพิจารณาสร้างรายงานของคุณโดยใช้ข้อมูลแบบจำลองแทนข้อมูลดิบ

1. ข้อมูลก็เหมือนผลไม้ คุณต้องทำความสะอาดก่อนนำมาปั่นนักวิเคราะห์รวบรวมข้อมูลจากบริการและระบบที่แตกต่างกัน โดยปกติแล้ว โครงสร้างและรูปแบบของข้อมูลนั้นจะแตกต่างกันไปตามแหล่งที่มา หากต้องการสร้างรายงาน ต้องผสานข้อมูลจากแหล่งที่มาต่างๆ อย่างถูกต้อง ข้อมูลที่อัปโหลดผ่านตัวเชื่อมต่อหรือบริการ ETL ต่างๆ นั้นไม่ถูกต้อง (มีข้อผิดพลาด ข้อมูลซ้ำ และความคลาดเคลื่อน) และขาดตรรกะและโครงสร้างที่เป็นเอกภาพ ข้อมูลที่ไม่ถูกต้องและแยกส่วนจะต้องถูกล้างและทำให้เป็นมาตรฐานในรูปแบบที่พร้อมสำหรับการวิเคราะห์

ด้วย OWOX BI คุณไม่จำเป็นต้องทำความสะอาด จัดโครงสร้าง และประมวลผลข้อมูลด้วยตนเอง บริการนี้จะทำให้ข้อมูลดิบเป็นปกติในรูปแบบที่พร้อมสำหรับการวิเคราะห์โดยอัตโนมัติ

2. คุณไม่จำเป็นต้องคัดลอกและเขียนตรรกะทางธุรกิจใหม่สำหรับแต่ละรายงานตัวอย่างเช่น คุณไม่จำเป็นต้อง:

• การทำธุรกรรมซ้ำซ้อน
• กรองบอทและทราฟฟิกภายใน
• กำหนดกฎการจัดกลุ่มแชนเนล
• กำหนดเกณฑ์สำหรับผู้ใช้ใหม่และผู้ใช้ที่กลับมา
• แก้ไขการติดตามพารามิเตอร์ UTM

ไม่ต้องสงสัยเลยว่าทำไมนักวิเคราะห์ข้อมูลทุกคนเคยได้ยินคำขอจากนักการตลาดเช่นนี้: เราต้องการปรับหรือปรับปรุงกฎการจัดกลุ่มแชแนลของเราตามข้อมูลในอดีต หรือเราต้องการระบุเกณฑ์สำหรับผู้ใช้ใหม่และผู้ใช้ที่กลับมา ซึ่งไม่เป็นไปตามแนวทางการทำงาน ใน Google Analytics แต่ในแบบของเราหรือเราต้องการพิจารณาว่าจะส่งคืนเฉพาะผู้ใช้ที่ได้ทำการซื้อภายในหกเดือนที่ผ่านมา

หากคุณสร้างรายงานจากข้อมูลดิบ การแปลงข้อมูลและกิจกรรมการจัดเตรียมทั้งหมดจะต้องดำเนินการที่ระดับรายงาน นั่นหมายความว่าคุณต้องใช้เวลามากในการคัดลอกตรรกะทางธุรกิจลงในรายงานทุกฉบับ

หากคุณสร้างรายงานจากข้อมูลแบบจำลอง คุณไม่จำเป็นต้องคัดลอกตรรกะทางธุรกิจ คุณสร้างมันครั้งเดียวในขั้นตอนการสร้างแบบจำลอง

3. สร้างรายงานตามข้อมูลที่จำลองขึ้นเพื่อเร่งการวิเคราะห์แบบเฉพาะกิจคุณสามารถประหยัดเวลาในการเขียนการแปลง SQL และออร์เคสตราใหม่เพื่อเปิดใช้งานการวิเคราะห์ประจำปี

4. ด้วยการสร้างแบบจำลองข้อมูล คุณสามารถสร้างแหล่งข้อมูลความจริงแหล่งเดียวสำหรับรายงานทั้งหมดเมื่อคุณเปลี่ยนแหล่งข้อมูลในรายงาน คุณไม่จำเป็นต้องชำระทุกคำค้นหาที่มีปัญหาอีกต่อไป คุณสามารถพึ่งพาแหล่งข้อมูลนี้สำหรับเซสชัน ธุรกรรม และข้อมูลเหตุการณ์

5. ลดความซับซ้อนของเลเยอร์การรายงานการสร้างรายงานบนข้อมูลแบบจำลองนั้นง่ายกว่าการจัดการกับฟิลด์ที่ซ้อนกันและฟิลด์เรกคอร์ด ควบคู่ไปกับการเขียนฟังก์ชันที่ซับซ้อนของหน้าต่างหรือแม้แต่ฟังก์ชันแยก JSON

1. ข้อมูลแบบจำลองเป็นชั้นกลางอีกชั้นหนึ่งต้องใช้เวลาในการปรับเปลี่ยน และคุณต้องเฝ้าติดตามและดีบักข้อมูลแบบจำลองด้วย

2. การเข้าร่วมที่ซับซ้อนสำหรับการทำให้เป็นมาตรฐาน

3. การประมวลผลข้อมูลเพิ่มเติมในการแปลงข้อมูลในรูปแบบแบบจำลอง คุณต้องสืบค้นข้อมูล เราแนะนำให้คุณใช้ตารางพาร์ติชันในวันที่ ด้วยตารางพาร์ติชันที่สร้างขึ้นตามมิติวันที่ คุณจะสามารถอัปเดตเฉพาะข้อมูลที่จำเป็นได้ คุณไม่จำเป็นต้องเขียนตารางขนาดใหญ่ทั้งหมดใหม่และชำระเงินสำหรับข้อมูลที่ประมวลผลทั้งหมดและข้อมูลกิกะไบต์หรือเทราไบต์ใน Google BigQuery คุณสามารถอัปเกรดและอัปเดตพาร์ติชันที่คุณต้องการได้ วิธีนี้ประหยัดกว่าการจัดการตารางข้อมูลทั้งหมด

เพื่อช่วยคุณจัดการกับข้อเสียเหล่านี้ เราได้เตรียมเทมเพลต SQL สำหรับการสร้างโมเดลข้อมูล Google Analytics 360 และ Google Analytics 4 คุณสามารถตรวจสอบได้โดยดาวน์โหลดเอกสารเพิ่มเติมที่มีให้ในบทความนี้

การอัปเดตรายงานเป็นสคีมาข้อมูลใหม่ของ Google Analytics 4 นั้นง่ายเพียงใด ใช้ข้อมูลแบบจำลอง แทนที่จะสร้างรายงานจากข้อมูลดิบ คุณสามารถสร้างตารางทั่วไปที่เป็นสากลและเข้าใจง่ายบน GA Universal และ GA 4 schema

การทำเช่นนี้จะช่วยลดความจำเป็นในการคัดลอกข้อมูลและแทรกตรรกะการปรับมาตรฐานลงในแบบสอบถาม SQL จำนวนมาก คุณจะทำเพียงครั้งเดียวในขั้นตอนการสร้างแบบจำลองข้อมูล แม้ว่าจะไม่ได้ผลสำหรับทุกโครงการ แต่ก็เป็นวิธีที่ดีที่สุดสำหรับผู้ที่ต้องการรายงานพิเศษเป็นประจำ

ลงทะเบียนสำหรับการสาธิต OWOX BI หากคุณต้องการตั้งค่าและจัดการตารางแบบจำลอง เรายินดีที่จะแบ่งปันรายละเอียดเกี่ยวกับวิธีการจัดเตรียมตารางที่คล้ายกันในโครงการของคุณตามข้อมูลของคุณ