1.2.2 Erstellen Sie Ihre erste Abfrage in BigQuery
Ziele
- Erkunden der BigQuery-Benutzeroberfläche
- Erstellen einer SQL-Abfrage in BigQuery
- Speichern Sie die Ergebnisse Ihrer SQL-Abfrage in einem Datensatz in BigQuery
Kontext
Wenn sich Google Analytics-Daten in BigQuery befinden, sind Dimensionen, Metriken und andere Variablen verschachtelt. Außerdem werden Google Analytics-Daten täglich in verschiedene Tabellen geladen. Das bedeutet, dass es sehr schwierig und keine gute Idee ist, Google Analytics-Tabellen innerhalb von BigQuery direkt mit Adobe Experience Platform zu verbinden.
Die Lösung für dieses Problem besteht darin, Google Analytics-Daten in ein lesbares Format umzuwandeln, um die Aufnahme in Adobe Experience Platform zu vereinfachen.
1.2.2.1 Erstellen eines Datensatzes zum Speichern neuer BigQuery-Tabellen
Wechseln Sie zur BigQuery-Konsole.
In Explorer wird Ihre Projekt-ID angezeigt. Klicken Sie auf Ihre Projekt-ID (nicht auf den Datensatz bigquery-public-data).
Sie können sehen, dass es noch keinen Datensatz gibt, also erstellen wir jetzt einen.
Klicken Sie auf 3 … und dann auf DATENSATZ ERSTELLEN.
Auf der rechten Seite des Bildschirms sehen Sie das Menü Datensatz erstellen.
Verwenden Sie für Datensatz-ID die folgende Namenskonvention. Für die anderen Felder bleiben die Standardeinstellungen erhalten.
--aepUserLdap--_BigQueryDataSet
Klicken Sie DATENSATZ ERSTELLEN.
Sie werden dann wieder in der BigQuery-Konsole sein, während Ihr Datensatz erstellt wurde.
1.2.2.2 Erstellen der ersten SQL BigQuery
Als Nächstes erstellen Sie Ihre erste Abfrage in BigQuery. Ziel dieser Abfrage ist es, die Google Analytics-Beispieldaten zu nehmen und sie so umzuwandeln, dass sie in Adobe Experience Platform aufgenommen werden können. Navigieren Sie zur Registerkarte Nicht benannte Abfrage .
Kopieren Sie die folgende SQL-Abfrage und fügen Sie sie in diesen Abfrage-Editor ein. Sie können die Abfrage lesen und die Google Analytics BigQuery-Syntax verstehen.
SELECT
CONCAT(fullVisitorId, CAST(hitTime AS String), '-', hitNumber) AS _id,
TIMESTAMP(DATETIME(Year_Current, Month_Current, Day_Current, Hour, Minutes, Seconds)) AS timeStamp,
fullVisitorId as GA_ID,
-- Fake CUSTOMER ID
CONCAT('3E-D4-',fullVisitorId, '-1W-93F' ) as customerID,
Page,
Landing_Page,
Exit_Page,
Device,
Browser,
MarketingChannel,
TrafficSource,
TrafficMedium,
-- Enhanced Ecommerce
TransactionID,
CASE
WHEN EcommerceActionType = '2' THEN 'Product_Detail_Views'
WHEN EcommerceActionType = '3' THEN 'Adds_To_Cart'
WHEN EcommerceActionType = '4' THEN 'Product_Removes_From_Cart'
WHEN EcommerceActionType = '5' THEN 'Product_Checkouts'
WHEN EcommerceActionType = '6' THEN 'Product_Refunds'
ELSE
NULL
END
AS Ecommerce_Action_Type,
-- Entrances (metric)
SUM(CASE
WHEN isEntrance = TRUE THEN 1
ELSE
0
END
) AS Entries,
--Pageviews (metric)
COUNT(*) AS Pageviews,
-- Exits
SUM(
IF
(isExit IS NOT NULL,
1,
0)) AS Exits,
--Bounces
SUM(CASE
WHEN isExit = TRUE AND isEntrance = TRUE THEN 1
ELSE
0
END
) AS Bounces,
-- Unique Purchases (metric)
COUNT(DISTINCT TransactionID) AS Unique_Purchases,
-- Product Detail Views (metric)
COUNT(CASE
WHEN EcommerceActionType = '2' THEN fullVisitorId
ELSE
NULL
END
) AS Product_Detail_Views,
-- Product Adds To Cart (metric)
COUNT(CASE
WHEN EcommerceActionType = '3' THEN fullVisitorId
ELSE
NULL
END
) AS Adds_To_Cart,
-- Product Removes From Cart (metric)
COUNT(CASE
WHEN EcommerceActionType = '4' THEN fullVisitorId
ELSE
NULL
END
) AS Product_Removes_From_Cart,
-- Product Checkouts (metric)
COUNT(CASE
WHEN EcommerceActionType = '5' THEN fullVisitorId
ELSE
NULL
END
) AS Product_Checkouts,
-- Product Refunds (metric)
COUNT(CASE
WHEN EcommerceActionType = '7' THEN fullVisitorId
ELSE
NULL
END
) AS Product_Refunds
FROM (
SELECT
-- Landing Page (dimension)
CASE
WHEN hits.isEntrance = TRUE THEN hits.page.pageTitle
ELSE NULL
END
AS Landing_page,
-- Exit Page (dimension)
CASE
WHEN hits.isExit = TRUE THEN hits.page.pageTitle
ELSE
NULL
END
AS Exit_page,
hits.page.pageTitle AS Page,
hits.isEntrance,
hits.isExit,
hits.hitNumber as hitNumber,
hits.time as hitTime,
date as Fecha,
fullVisitorId,
visitStartTime,
device.deviceCategory AS Device,
device.browser AS Browser,
channelGrouping AS MarketingChannel,
trafficSource.source AS TrafficSource,
trafficSource.medium AS TrafficMedium,
hits.transaction.transactionId AS TransactionID,
CAST(EXTRACT(YEAR FROM CURRENT_DATE()) AS INT64) AS Year_Current,
CAST(EXTRACT(MONTH FROM CURRENT_DATE()) AS INT64) AS Month_Current,
CAST(EXTRACT(DAY FROM CURRENT_DATE()) AS INT64) AS Day_Current,
CAST(EXTRACT(DAY FROM DATE_SUB(CURRENT_DATE(),INTERVAL 1 DAY)) AS INT64) AS Day_Current_Before,
CAST(FORMAT_DATE('%Y', PARSE_DATE("%Y%m%d", date)) AS INT64) AS Year,
CAST(FORMAT_DATE('%m', PARSE_DATE("%Y%m%d",date)) AS INT64) AS Month,
CAST(FORMAT_DATE('%d', PARSE_DATE("%Y%m%d",date)) AS INT64) AS Day,
CAST(EXTRACT (hour FROM TIMESTAMP_SECONDS(hits.time)) AS INT64) AS Hour,
CAST(EXTRACT (minute FROM TIMESTAMP_SECONDS(hits.time)) AS INT64) AS Minutes,
CAST(EXTRACT (second FROM TIMESTAMP_SECONDS(hits.time)) AS INT64) AS SecondS,
hits.eCommerceAction.action_type AS EcommerceActionType
FROM
`bigquery-public-data.google_analytics_sample.ga_sessions_*`,
UNNEST(hits) AS hits
WHERE
_table_suffix BETWEEN '20170101'
AND '20170331'
AND totals.visits = 1
AND hits.type = 'PAGE'
)
GROUP BY
1,
2,
3,
4,
5,
6,
7,
8,
9,
10,
11,
12,
13,
14
ORDER BY 2 DESC
Wenn Sie fertig sind, klicken Sie auf Ausführen, um die Abfrage auszuführen:
Die Ausführung der Abfrage kann einige Minuten dauern.
Nachdem die Abfrage ausgeführt wurde, sehen Sie die folgende Ausgabe in den Abfrageergebnissen.
1.2.2.3 Speichern der Ergebnisse Ihrer BigQuery SQL-Abfrage
Der nächste Schritt besteht darin, die Ausgabe Ihrer Abfrage zu speichern, indem Sie auf die Schaltfläche ERGEBNISSE SPEICHERN klicken.
Wählen Sie als Speicherort für Ihre Ausgabe BigQuery-Tabelle.
Anschließend wird ein neues Popup angezeigt, in dem Ihr Projektname und Datensatzname vorausgefüllt sind. Der Datensatzname sollte der Datensatz sein, den Sie zu Beginn dieser Übung mit dieser Namenskonvention erstellt haben:
--aepUserLdap--_BigQueryDataSet
vangeluw_BigQueryDataSet
Geben Sie nun einen Tabellennamen ein. Bitte diese Namenskonvention verwenden:
--aepUserLdap--_GAdataTableBigQuery
vangeluw_GAdataTableBigQuery
Klicken Sie SPEICHERN.
Es kann einige Zeit dauern, bis die Daten in der von Ihnen erstellten Tabelle bereit sind. Aktualisieren Sie den Browser nach einigen Minuten. Sie sollten dann in Ihrem Datensatz die --aepUserLdap--_GAdataTableBigquery
Tabelle unter Explorer in Ihrem BigQuery-Projekt sehen.
Fahren Sie nun mit der nächsten Übung fort, in der Sie diese Tabelle mit Adobe Experience Platform verbinden.
Nächste Schritte
Wechseln Sie zu 1.2.3 Verbinden von GCP und BigQuery mit Adobe Experience Platform
Gehen Sie zurück zu Aufnehmen und Analysieren von Google Analytics-Daten in Adobe Experience Platform mit dem BigQuery Source Connector
Zurück zu Alle Module