😓 🚖 🚵🏿 Utilisation des données brutes dans Google Analytics en pratique ✅ 👩‍🏭 ⬛️

Nous pensons depuis longtemps que les outils standard de Google Analytics sont le meilleur moyen d'obtenir des informations utiles. Parfois, j'ai dû faire face à certaines limitations et à des résultats plutôt étranges, et il semblait que cela n'était pas fini, jusqu'à ce que certains analystes découvrent Google Analytics 360 et les mécanismes d'exportation des données brutes vers Google BigQuery.

Après seulement quelques heures de travail avec des outils plus avancés et des requêtes SQL, nous avons pu extraire des informations que nous n'aurions jamais reçues en utilisant uniquement des rapports agrégés de Google Analytics. À partir de ce moment, nous nous sommes concentrés sur l'étude des caractéristiques des données brutes («brutes») et sur les avantages pratiques que les experts du Web peuvent en tirer.

Cet article répond aux questions suivantes:

Quelle est la différence entre les données brutes et les données récapitulatives?
Quels sont les avantages de l'utilisation de données brutes?
Comment accéder aux données brutes?
Comment utiliser ces nouvelles données (exemples pratiques)?

Quelle est la différence entre les données brutes et récapitulatives dans Google Analytics

En utilisant la version gratuite de Google Analytics, vous ne pouvez obtenir que des données récapitulatives. Autrement dit, les informations de visualisation complètes pour une visite et un événement particuliers ne seront pas disponibles. Bien sûr, le rapport User Explorer contient de nombreuses informations utiles que l'analyse Web peut utiliser. Cependant, certaines restrictions sont imposées à ce fichier: il n'est pas évolutif et n'est pas disponible en téléchargement.

Dans la plupart des cas, il suffit de disposer de données résumées pour obtenir des réponses aux questions courantes:

Quelle campagne génère le plus de conversions?
Quelle est la fréquence de la technologie d'apprentissage automatique de Feature X (sa base d'utilisateurs augmente-t-elle)?
D'où viennent les visiteurs (principales sources de trafic)?
À quels appareils les utilisateurs vont-ils?

Vous n'avez pas besoin d'analyser les données brutes pour obtenir les réponses aux questions ci-dessus. Les outils de création de rapports personnalisés ou par défaut dans Google Analytics peuvent facilement le faire. Le principal problème avec les données récapitulatives est qu'elles sont agrégées. Vous mappez de nombreux types d'actions utilisateur qui peuvent être utilisés pour masquer des informations très utiles. Nous donnons un exemple avec des vues de plusieurs pages en une seule session. Nous avons deux sources avec six sessions avec le nombre suivant de pages vues en une seule session:

Source A: 1, 1, 2, 2, 2, 10;
Source B: 2, 2, 3, 3, 4, 4.

En utilisant la méthode des valeurs aberrantes statistiques, on peut déterminer que la source A caractérise un utilisateur avec un degré d'implication plus faible. Mais si nous considérons uniquement les données moyennes, nous pouvons conclure que la même implication pour les deux sources, car le nombre de pages est le même (la médiane peut être quelconque).

Pourquoi les rapports d'analyse standard ne contiennent-ils pas ces données? La raison principale est le coût de calcul. En ne fournissant que des données récapitulatives sélectives, il n'est pas nécessaire de traiter les millions de lignes contenues dans le rapport. Par conséquent, la version gratuite de Google Analytics ne contient pas d'outils pour effectuer gratuitement des calculs avancés.

Quelles informations peuvent être extraites des données brutes

Comprendre les limites des données récapitulatives, il est temps de découvrir comment les données brutes peuvent être utilisées. Considérez plusieurs options pour leur application.

Durée de l'événement

L'une des limites auxquelles est confronté tout analyste Web utilisant des outils Google Analytics standard est que vous ne pouvez pas déterminer l'intervalle de temps entre le placement d'un article dans le panier et la réalisation d'un achat, que cette action se produise ou non en une seule session. Bien sûr, pour cela, vous pouvez utiliser des cookies et faire vos propres calculs. Mais cela est inutile, d'autant plus que Google Analytics a déjà fait ce travail pour nous.

Après avoir analysé les données brutes, vous pouvez facilement déterminer l'heure exacte à laquelle l'événement s'est produit pour un utilisateur particulier, effectuer une analyse comparative avec un autre événement pour le même utilisateur. Vous pouvez également agréger les données à votre discrétion, après avoir obtenu une distribution moyenne, médiane ou centile, ou utiliser un autre modèle statistique avancé. Le fait que 20% des utilisateurs effectuent l'action cible en 2 minutes et 10% - pendant toute la semaine, n'a-t-il pas d'importance? Avec ces connaissances, vous utiliserez différentes approches pour interagir avec ces deux catégories d'utilisateurs.

Analyse de la taille de l'audience

Les rapports Google Analytics et Google Analytics 360 contiennent des données de segmentation des visiteurs au cours des 90 derniers jours. Souvent, pour obtenir des données fiables, une analyse est nécessaire à de plus longues distances (en particulier pour les grandes entreprises). Sur la base de l'analyse des données brutes, vous pouvez obtenir des réponses aux questions suivantes:

Est-il plus probable que les utilisateurs impliqués dans la période des fêtes achèteront le produit en septembre que la probabilité de faire un achat par d'autres catégories d'utilisateurs au cours du même mois?
Quel est l'effet de regarder des vidéos tout au long de l'année et comment cela affecte-t-il le nombre de conversions?

En utilisant des données brutes, vous pouvez stocker des journaux d'événements pour une durée illimitée et les supprimer uniquement lorsque ces données sont déjà désespérément obsolètes.

Relations entre les données

Un coefficient de corrélation est introduit pour déterminer la relation statistique entre deux valeurs variables. Lors de l'analyse de grandes quantités de données, vous pouvez déterminer la relation entre deux types de comportement des utilisateurs:

Comment les pages vues affectent-elles les performances d'une action ciblée?
Existe-t-il un lien entre le type de contenu consommé et le produit que l'utilisateur acquiert finalement?
Existe-t-il des produits associés? Par exemple, si quelqu'un achète le produit A, quelle catégorie de produit lui est associée?

Données tierces

Enfin et surtout, les données brutes vous permettent d'obtenir beaucoup plus d'informations si vous connectez d'autres sources de données. Voici quelques exemples illustratifs:

Données de commerce électronique. L'outil est plus utile si vous enregistrez l'ID client dans Google Analytics, qui a effectué toutes les actions à ajouter au panier ou à passer une commande. Cela vous permettra de calculer la valeur exacte du taux de conversion, même si les outils de Google Analytics n'ont pas fonctionné (en raison des bloqueurs de publicités utilisés par les clients, de l'absence de redirection depuis la page de paiement, du long temps d'attente pour le chargement de la page et d'autres raisons). De plus, en fonction de vos propres données, vous pouvez exclure les actions cibles annulées et les retours pour recalculer le profit réel. Il vous permet également de calculer des indicateurs plus complexes et fermés, par exemple, la marge au lieu du revenu.

Données CRM. Quoi de pire que le fait qu'un grand nombre de leads contiennent un grand nombre de leads non pertinents? Il s'agit d'un problème courant pour les services en ligne B2B. En exportant des données CRM avec des identifiants de prospects uniques (identifiant client chiffré à l'aide de la messagerie SHA-256, identifiant généré, etc.), vous pouvez facilement les associer à des identifiants client dans Google Analytics. Cela vous permettra de calculer non seulement le pourcentage de leads générés, mais également le taux de conversion. L'analyse multicanal nécessitera des requêtes plus complexes, mais vous pouvez contrôler entièrement le processus de calcul.

Événements hors ligne. Les affaires en ligne sont affectées par de nombreux facteurs externes: vacances, conditions météorologiques, grèves, un virus mortel qui a envoyé la moitié de la population mondiale à l'auto-isolement. Google Analytics ne permet pas d'introduire de nouveaux paramètres à étudier pendant une certaine période de temps. Quant aux annotations, elles ne sont pas impliquées dans les calculs et sont utilisées uniquement comme élément d'interface utilisateur. Cependant, il serait utile de savoir comment les vacances affectent le nombre de ventes.

Pour effectuer une telle analyse, il est nécessaire de collecter des informations et de les fournir dans un format lisible. En faisant cela, vous aurez des données pertinentes et pertinentes.

Annonces, robots de recherche, journaux - toutes ces données doivent être stockées dans un seul référentiel.
En apprenant à les comparer avec des données analytiques, vous pouvez réaliser vos rêves les plus fous:

Un contenu plus long attire-t-il les utilisateurs? En choisissant le bon robot de recherche (par exemple, Screaming Frog), vous pouvez établir la relation entre la longueur du contenu texte et le nombre de pages vues.
Le comportement des moteurs de recherche affecte-t-il l'optimisation du référencement? À l'aide des données du journal BigQuery, vous pouvez déterminer comment la fréquence des visites du robot de recherche affecte les résultats de la recherche.

Quelle est la véritable rentabilité de votre entreprise? Après avoir effectué les réglages dans l'algorithme de calcul d'attribution, vous pouvez mesurer le retour sur investissement dans les campagnes publicitaires pour toutes les plateformes utilisées.

Outils d'extraction de données brutes

Les informations présentées ci-dessus privilégient les données brutes. Mais comment les obtenir? Considérez certaines des méthodes les plus courantes.

Google Analytics 360

Si vous avez la chance d'accéder à ce service ou si vous disposez d'un budget suffisant pour payer le coût de son utilisation, vous disposez du meilleur outil pour extraire des données brutes de Google BigQuery. Il vous permet d'exporter toutes les informations, y compris les données avancées de commerce électronique. Chaque ligne correspond à une session spécifique et vous pouvez utiliser un grand nombre de paramètres et de métriques.

Application Google Analytics + Web et Firebase

Récemment, l'analyse Web a pu exporter des données vers Google BigQuery sans avoir à acheter Google Analytics 360. Firebase, qui est au cœur de Google Analytics App + Web, prend en charge la fonctionnalité d'exportation vers Google BigQuery. Vous serez facturé avec Blaze, qui utilise une approche par répartition. Si vous avez un grand portail Internet, vous devrez garder une trace de votre budget. Pour les petits sites, les coûts varient de rien à quelques dollars par mois.

Chaque ligne correspond à un événement contenant un écran ou une page vue. Vous devrez vous habituer à cette manière très spécifique de présenter les données, différente de celle utilisée dans Google Analytics. Cependant, ce service peut être la meilleure solution pour ceux qui souhaitent utiliser des données brutes.

Autres outils gratuits: Yandex.Metrica et Matomo

Je n'ai pas pu essayer tous les outils, car beaucoup d'entre eux sont payés. Chacun d'eux contient des fonctionnalités pour exporter des données brutes. Cependant, il existe deux services en ligne absolument gratuits qui offrent les mêmes fonctionnalités et ne facturent pas leur utilisation.

Yandex.Metrica est un outil absolument gratuit qui permet d'accéder aux données brutes via l'API de ses journaux. Matomo est un outil d'analyse open source qui doit être installé directement sur votre serveur où se trouvent les fichiers du site. Il exporte les données brutes directement dans votre base de données.

Pipeline de données

Une autre façon de télécharger des données Google Analytics directement dans votre entrepôt de données est via le pipeline de données. OWOX BI organise un puissant flux de données entre Google Analytics et BigQuery. Pour implémenter la fonctionnalité, vous devez créer une tâche personnalisée dans Google Analytics. Il crée des copies de la charge utile de Google Analytics et la transfère vers l'entrepôt de données final.

Possédant une expérience suffisante, vous pourrez créer indépendamment votre propre point de terminaison pour le téléchargement de données en utilisant la fonctionnalité du service cloud et sur la base de l'analyse du journal. Voici deux ressources utiles pour vous aider à comprendre cela:
Simo Ahab - "Comment construire un moniteur GTM." Après avoir lu cet article, vous apprendrez comment envoyer des données à BigQuery à l'aide des fonctions cloud. La quantité de données transmises est limitée à 100 000 lignes par seconde, qui peuvent être intégrées au service BigQuery. Si le nombre de lignes dépasse la valeur maximale indiquée ci-dessus, vous devrez regrouper les données de plusieurs journaux.

Centre d'aide Google Cloud - Architecture de suivi des pixels sans serveur Cette source explique le mécanisme de création de votre propre pixel de suivi, suivi de l'intégration dans BigQuery.

Exemples et cas particuliers d'utilisation de BigQuery

Vous connaissez maintenant les avantages de l'utilisation des données brutes et comment y accéder. Voyons maintenant quelques exemples qui démontrent clairement les principes de l'utilisation de ces données.

Établir une relation entre les sujets et les actions cibles dans Google Analytics 360 L'
analyse a été réalisée pour un site d'actualités avec des abonnés en ligne. L'objectif principal de l'analyse était d'établir une relation (corrélation) entre les sujets d'actualité lus par les utilisateurs et les actions ciblées réalisées.

Le résultat et les conclusions:

corr_culture 0.397
corr_opinion 0.305
corr_lifestyle 0.0468
corr_sport 0.009

La catégorie la plus probable de ceux qui s'abonnent au site sont les utilisateurs intéressés par les sections «Culture» et «Opinions». En revanche, si l'utilisateur s'intéresse aux rubriques «Lifestyle» ou «Sport», la probabilité de s'y abonner est minime.

Requête pour BigQuery

SELECT
CORR(culture,transac) AS corr_culture,
CORR(opinion,transac) AS corr_opinion,
CORR(lifestyle,transac) AS corr_lifestyle,
CORR(sport,transac) AS corr_sport
FROM(
SELECT
  SUM(IF(hit.page.pagePath LIKE'/culture%',
      1,
      0)) AS culture,
  SUM(IF(hit.page.pagePath LIKE'/opinion%',
      1,
      0)) AS opinion,
  SUM(IF(hit.page.pagePath LIKE'/lifestyle%',
      1,
      0)) AS lifestyle,-
  SUM(IF(hit.page.pagePath LIKE'/sport%',
      1,
      0)) AS sport,      
  COUNT(hit.transaction.transactionId) AS transac
FROM
  `mydatabase.view_id.ga_sessions_*`,
  UNNEST(hits) AS hit
WHERE
  _TABLE_SUFFIX BETWEEN '20191201' AND '20200301'
GROUP BY
  fullVisitorId
ORDER BY
  transac DESC
)

Analyse de cohorte à l'aide de Firebase

Une application avec un contenu régulièrement mis à jour et un taux de saisonnalité élevé a été prise pour analyse. L'analyse est effectuée pour trouver des réponses aux questions suivantes:
Comment se comportent les utilisateurs qui ont installé cette application pour la première fois?

Quel est le meilleur moment pour attirer des clients qui utiliseront régulièrement l'application?

Résultat et conclusions: A en

juger par les données reçues, l'application est le plus souvent utilisée par les clients qui l'ont téléchargée pour la première fois en septembre et décembre.

Requête pour BigQuery

# change my-app.analytics_123456789 to your ID
WITH cohorte_september
AS
(
WITH
user_september AS
(
SELECT DISTINCT user_pseudo_id AS user
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20190901' AND '20190930'
AND
event_name="first_open"
)
SELECT sessions, month
FROM
(
(SELECT COUNT(DISTINCT user_pseudo_id) AS sessions,"201909" AS month
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20190901' AND '20190930'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_september)
)
UNION ALL
(SELECT COUNT(DISTINCT user_pseudo_id),"201910"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191001' AND '20191031'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_september)
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201911"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191101' AND '20191130'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_september)
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201912"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191201' AND '20191231'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_september)
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202001"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200101' AND '20200131'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_september)
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202002"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200201' AND '20200229'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_september)
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202003"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200301' AND '20200331'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_september)
)
)
ORDER BY month ASC
),

#october

cohorte_october AS
(
WITH
user_october AS
(
SELECT DISTINCT user_pseudo_id AS user
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191001' AND '20191031'
AND
event_name="first_open"
)
SELECT sessions, month
FROM
(
(SELECT COUNT(DISTINCT user_pseudo_id) AS sessions,"201909" AS month
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20190901' AND '20190930'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_october )
)
UNION ALL
(SELECT COUNT(DISTINCT user_pseudo_id),"201910"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191001' AND '20191031'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_october )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201911"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191101' AND '20191130'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_october )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201912"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191201' AND '20191231'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_october )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202001"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200101' AND '20200131'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_october )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202002"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200201' AND '20200229'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_october )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202003"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200301' AND '20200331'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_october)
)
)
ORDER BY month ASC
),

#november

cohorte_november AS
(
WITH
user_november AS
(
SELECT DISTINCT user_pseudo_id AS user
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191101' AND '20191130'
AND
event_name="first_open"
)
SELECT sessions, month
FROM
(
(SELECT COUNT(DISTINCT user_pseudo_id) AS sessions,"201909" AS month
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20190901' AND '20190930'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_november )
)
UNION ALL
(SELECT COUNT(DISTINCT user_pseudo_id),"201910"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191001' AND '20191031'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_november )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201911"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191101' AND '20191130'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_november )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201912"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191201' AND '20191231'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_november )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202001"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200101' AND '20200131'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_november )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202002"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200201' AND '20200229'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_november )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202003"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200301' AND '20200331'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_november )
)
)
ORDER BY month ASC
),

#decembre


cohorte_decembre AS
(
WITH
user_decembre AS
(
SELECT DISTINCT user_pseudo_id AS user
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191201' AND '20191231'
AND
event_name="first_open"
)
SELECT sessions, month
FROM
(
(SELECT COUNT(DISTINCT user_pseudo_id) AS sessions,"201909" AS month
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20190901' AND '20190930'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_decembre )
)
UNION ALL
(SELECT COUNT(DISTINCT user_pseudo_id),"201910"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191001' AND '20191031'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_decembre  )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201911"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191101' AND '20191130'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_decembre  )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"201912"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20191201' AND '20191231'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_decembre  )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202001"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200101' AND '20200131'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_decembre  )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202002"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200201' AND '20200229'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_decembre  )
)
UNION ALL
(
SELECT COUNT(DISTINCT user_pseudo_id),"202003"
FROM `my-app.analytics_123456789.events_*`
WHERE
_table_suffix between '20200301' AND '20200331'
AND event_name="session_start"
AND user_pseudo_id IN (SELECT user FROM user_decembre  )
)
)
ORDER BY month ASC
)

SELECT cohorte_september.sessions AS september_cohort,  
 cohorte_october.sessions AS october_cohort,  
 cohorte_november.sessions AS november_cohort,  
 cohorte_decembre.sessions AS december_cohort,  
 month

FROM cohorte_september
JOIN  cohorte_october USING (month)
JOIN  cohorte_november USING (month)
JOIN  cohorte_decembre USING (month)
ORDER BY month ASC

résultats

Il est fort probable que de sérieux changements se produisent dans un avenir proche, et Google App + Web deviendra quelque chose comme une norme de l'industrie. Cette approche offre une intégration plus étroite entre les services Google tels que Marketing Platform et Google Cloud Platform, et en particulier BigQuery. Si vous avez perdu la possibilité de créer des requêtes SQL (un langage pour travailler avec le SGBD), je vous recommande fortement de rafraîchir vos informations dans votre mémoire et de les pratiquer.

L'analyse de données numériques avancées devient un outil de plus en plus puissant grâce à un accès facile aux données brutes, à des processus informatiques rapides et efficaces et à une bonne visualisation des informations. Dans un avenir proche, une intégration encore plus étroite avec d'autres types de données d'entreprise sera mise en œuvre.

Depuis de nombreuses années, les experts soutiennent que l'analyse numérique et commerciale doit fonctionner ensemble. Lentement, mais avec confiance, nous nous dirigeons vers la concrétisation de cette idée.

Utilisation des données brutes dans Google Analytics en pratique

Quelle est la différence entre les données brutes et récapitulatives dans Google Analytics

Quelles informations peuvent être extraites des données brutes

Durée de l'événement

Analyse de la taille de l'audience

Relations entre les données

Données tierces

Outils d'extraction de données brutes

Google Analytics 360

Application Google Analytics + Web et Firebase

Autres outils gratuits: Yandex.Metrica et Matomo

Pipeline de données

Exemples et cas particuliers d'utilisation de BigQuery

Analyse de cohorte à l'aide de Firebase

résultats

More articles: