Disclaimer (aktualisierte Version):
Dieser Artikel ist die deutsche Weiterentwicklung des Artikels Boost Your Analytics Game: Linking Google Analytics 4 to BigQuery for Powerful Looker Studio Dashboards, welcher 2023 von Kevin Thode veröffentlicht wurde.
Diese Version wurde für den aktuellen Stand von GA4, BigQuery und Data Studio überarbeitet. Data Studio hieß zwischenzeitlich „Looker Studio“, wurde jedoch von Google vor Kurzem wieder in „Data Studio“ zurückbenannt.
Über die Einführung von Google Analytics 4 (GA4)
Mit der Einführung von Google Analytics 4 (GA4) hat Google nicht nur die Benutzeroberfläche, sondern auch das gesamte Datenmodell von Google Analytics grundlegend verändert. Universal Analytics wurde inzwischen vollständig eingestellt, wodurch GA4 heute der Standard für Web- und App-Tracking ist.
Diese Umstellung hat große Auswirkungen auf Reporting- und Monitoring-Setups, insbesondere auf Dashboards in Tools wie Data Studio, Microsoft Power BI oder anderen BI-Systemen. Viele KPIs und Felder, die früher verfügbar waren, werden heute anders berechnet oder sind nicht mehr direkt vorhanden.
Google Analytics 4 (GA4): Was passiert mit Daten und Dashboards?
Dashboards müssen an das neue GA4-Datenmodell angepasst werden. GA4 ist weiterhin ein sich entwickelndes System mit eventbasiertem Datenmodell.
Typische Herausforderungen sind:
- fehlende oder veränderte Metriken
- API-Quoten und Performance-Limits
- Inkonsistenzen bei komplexen Filtern oder Segmentierungen
- Unterschiede zwischen UI, API und Reporting-Tools
Gerade deshalb gewinnt die Datenaufbereitung über Google BigQuery stark an Bedeutung.
Was ist Google BigQuery und warum ist es so wichtig?
Google BigQuery ist Googles serverless Data Warehouse in der Google Cloud. Es ermöglicht die Verarbeitung sehr großer Datenmengen mit SQL und hoher Performance.
Besonders relevant im Kontext von GA4:
- Zugriff auf Rohdaten (Event-Level Data)
- Streaming-Export in (nahezu) Echtzeit
- vollständige Kontrolle über Datenlogik und KPIs
Limitierungen der direkten GA4-Verbindung zu Data Studio
Data Studio bietet eine direkte Verbindung zu GA4: technisch einfach, aber nicht immer ideal für stabile Reporting-Setups.
Typische Probleme sind:
1. Eingeschränkte oder inkonsistente Metriken
Nicht alle KPIs sind im direkten Connector sauber oder konsistent verfügbar, insbesondere bei komplexeren Use Cases.
2. API-Quotas und Performance
Bei größeren Dashboards kann es weiterhin zu Limits oder langen Ladezeiten kommen.
3. Dateninkonsistenzen
Bei komplexen Filtern (z. B. Hostname, Sessions, Segmente) können Unterschiede zwischen Data Studio und GA4 UI auftreten.
4. Performance
Direkte GA4-Abfragen werden bei jedem Dashboard-Load live berechnet, was bei großen Datenmengen zu langsamen Reports führen kann.
Warum ist BigQuery die Lösung?
GA4-Daten in BigQuery sind Rohdaten auf Event-Basis. Im Gegensatz zur GA4-UI, die viele Metriken voraggregiert darstellt, kannst du in BigQuery:
- eigene KPIs definieren
- Daten vollständig nachvollziehbar modellieren
- SQL für komplexe Berechnungen nutzen
- nested JSON-Strukturen auswerten
Das führt zu deutlich mehr Kontrolle und Transparenz in deinen Daten. Zusätzlich kannst du vorberechnete Tabellen speichern, was Data Studio Dashboards erheblich schneller macht.
Wie verbindet man GA4 mit BigQuery?
Die Verbindung erfolgt direkt über GA4:
- In GA4 auf Admin gehen
- Product Links öffnen
- BigQuery Links auswählen
- Google Cloud Projekt verbinden
Ein GA4 Property kann nur mit einem Google Cloud Projekt verbunden werden. Mit aktivierter Billing-Option ist auch der Streaming Export (Near Real-Time Data) möglich.
Backfill von GA4-Daten in BigQuery
Standardmäßig startet der Export erst ab dem Zeitpunkt der Einrichtung. Ein vollständiger historischer Backfill ist ohne Drittanbieter-Tools (z. B. Supermetrics) nicht möglich.
Die Kosten der GA4 + BigQuery Integration
BigQuery kann im kleinen Rahmen kostenlos getestet werden, da Google eine Sandbox-Umgebung bereitstellt. Diese ermöglicht es, erste Abfragen auszuführen und mit begrenzten Ressourcen Daten zu verarbeiten. Zusätzlich stellt Google Cloud neuen Nutzern häufig ein Startguthaben zur Verfügung, das für erste Tests genutzt werden kann.
Allerdings gibt es Einschränkungen in der kostenlosen Nutzung. In der Sandbox sind beispielsweise keine Streaming-Exporte verfügbar, und sowohl Datenhaltung als auch Projektkonfigurationen sind limitiert. Für den produktiven Einsatz ist daher in der Regel ein aktiviertes Billing-Konto erforderlich.
BigQuery als kosteneffiziente Lösung
BigQuery gilt grundsätzlich als sehr kosteneffiziente Lösung zur Verarbeitung großer Datenmengen, insbesondere wenn Abfragen und Datenmodelle gut strukturiert sind. Durch den Einsatz von Partitionierung und Aggregationen sowie optimierten SQL-Queries lassen sich die Verarbeitungskosten deutlich reduzieren. Die tatsächlichen Kosten hängen jedoch stark vom jeweiligen Datenvolumen sowie von der Komplexität und Struktur der ausgeführten Queries ab.
Fazit
Die Kombination aus GA4 und BigQuery ist ein zentraler Baustein moderner Analytics-Architekturen. Während der direkte Data Studio Connector für einfache Dashboards ausreichend sein kann, bietet BigQuery deutlich mehr Stabilität, Skalierbarkeit, Datenkontrolle und Performance. Für professionelle Reporting-Setups ist BigQuery daher in den meisten Fällen die nachhaltigere Lösung für GA4-Daten.
Author info
