Det startet for noen år siden, da jeg begynte å føle meg begrenset i hva jeg kunne få ut av Google Analytics. Det kjentes sløvt og ikke minst treigt da jeg jobbet med større datamengder. Det var da jeg begynte å sette av tid til å lære meg SQL. I løpet av de siste 18 månedene har jeg jobbet utelukkende med BigQuery når det kommer til å analysere trafikken på hjemmesider.
Så hva er egentlig BigQuery? BigQuery er et data warehouse hvor kunder kan lagre alle sine data. Dataene lagres i store Excel-lignende tabeller med millioner (av og til milliarder) av rader. Det vanligste er at kunder lagrer data fra Google Analytics, men det hender også at det er CRM-data. For å hente dataene må du fortelle BigQuery hva du vil hente. Det gjør du ved å skrive SQL-kode.
Når det er sagt vil jeg benytte anledningen til å forklare hvordan SQL og BigQuery har gjort meg til en bedre analytiker, og hvorfor du også burde lære deg SQL.
Ok, here we go:
- Jeg vil ikke bare kunne analysere data fra Google Analytics
For meg personlig har det vært en viktig del i det å fremtidssikre meg selv. Hvordan skal jeg kunne kalle meg analytiker hvis jeg bare kan få tilgang til data via Google Analytics interface? Med SQL i ryggen kan jeg nå hente data fra andre databaser som kunderegister m.m., noe som gjør analysene enda skarpere.
- Distribusjoner – ikke bare gjennomsnittstall
Google Analytics tilbyr bare gjennomsnittstall, noe som kan virke misvisende og som faktisk ikke gir så mye informasjon. Dersom du er inne i Google Analytics og ser at gjennomsnittstallet for Number of Sessions per User er 5.5, så er det veldig vanskelig å få et inntrykk av hvor mange besøkende dette faktisk gjelder. 90% av de besøkende gjør kanskje bare et besøk, mens et fåtall individer drar opp gjennomsnittet til 5.5. Dette er spesielt viktig når det kommer til beregninger av revenue, såklart.
- Enklere å feilsøke
Ettersom BigQuery gir deg tilgang til all data som har blitt samlet inn, så blir det ekstremt lett å feilsøke. Å ta frem alle hits som en besøkende har gjort, fint sortert fra første besøk til siste, gjør det lett å finne feil i tracking, men også å skape kundereiser. Det bidrar til en bedre, mer overordnet forståelse for hvordan Google Analytics fungerer på baksiden.
- Alle data er unsampled
BigQuery gir deg alle data, noe som innebærer at du slipper kjedelige beskjeder som «This report is based on 60% of your data». I vanlige Google Analytics kan du oppleve samplede rapporter, noe som betyr at tallene du ser anslås å være et lite utvalg av all trafikk.
I’ve got 99 problems but sampling ain’t one.
- Du kan jobbe mer effektivt
For større nettsider kan det være et problem å skape et godt bilde av bevegelsesmønstre. Det går ikke an å lage 1000 page-segment for å se hvilke sider den besøkende har sett. I BigQuery går dette som regel enkelt an å skrive med noen linjer med kode. Raskt, usamplet, skalerbart.
- Du kan jobbe mer strukturert
Inne i BigQuery er alt bare tabeller av data, noe som betyr at du ikke har ferdige grafer som distraherer. Dette innebærer at du må jobbe mye mer strukturert, siden du ikke får noe gratis.
- Lag nye metrics
Sist, men ikke minst. Ettersom all data er tilgjengelig i BigQuery, så kan du lage dine egne metrics som best beskriver kundeatferd på din nettside. Hvor mange sidevisninger har vi i de tilfellene hvor en besøkende har tilbrakt mer enn 30 sekunder på en side?
Ettersom all data er tilgjengelig i BigQuery, så kan du lage dine egen metrics som best beskriver kundeatferd på din nettside.
Naturligvis finnes det også ulemper ved BigQuery. Den høye prisen for å få BigQuery betyr at det som regel er større selskaper som har råd til tjenesten. Samtidig er det nesten mer eller mindre et must når samplingene blir så store at dataene ikke lenger kjennes pålitelige.
BigQuery gjør det mulig å innhente data som ellers ikke ville vært tilgjengelig i Google Analytics. Hvordan du velger å eksportere dataene fra BigQuery kan variere – i noen tilfeller vil du få svaret aggregert med en gang. Andre ganger vil du kanskje plukke ut seks millioner rader for å gjøre analysen med Python og Jupyter Notebook, men det blir et helt annet blogginnlegg. Stay tuned!
Come to Conversion Jam in Oslo and get the tools you need to increase your digital results.
