BigQuery-vejledning

Denne funktion er kun tilgængelig i Google Analytics 360, som er en del af Google Marketing Platform.
Få flere oplysninger om Google Marketing Platform.

Denne artikel indeholder eksempler på, hvordan man kan konstruere forespørgsler ud fra de Analytics-data, du eksporterer til BigQuery. Vi har stillet et eksempeldatasæt til rådighed, så du kan øve dig med nogle af forespørgslerne i denne artikel.

I denne artikel kan du læse om følgende:

Optimering af forespørgsler

Hver forespørgsel, du kører, tæller med i din månedlige databehandlingskvote. Hvis du markerer overflødige felter, øger du den mængde data, der skal behandles, og dermed bruger du mere af din månedlige kvote end nødvendigt. Optimerede forespørgsler sikrer en mere effektiv udnyttelse af din månedlige databehandlingskvote.

Få flere oplysninger om prissætning.

Vælg kun det nødvendige

Når du formulerer en forespørgsel, skal du vælge de relevante felter under udtrykket SELECT. Når du undlader at kalde overflødige felter, reducerer du den mængde data og tid, der skal bruges til at behandle forespørgslen.

Eksempel: Undgå at bruge jokertegn som operator

Dårlig praksis: brug af jokertegn som operator
SELECT *
FROM [table name];

 

Bedre praksis: brug af feltnavne for at undgå unødvendig behandling
SELECT field1, field2
FROM [table name];

Tillad cachelagring

Undgå at bruge funktioner som felter, når det er muligt. Funktioner (eksempelvis NOW() eller TODAY()) returnerer variable resultater, hvilket forhindrer forespørgsler i at blive cachelagret og dermed returneret hurtigere. Brug i stedet specifikke klokkeslæt og datoer.

Cachelagrede resultater understøttes ikke for forespørgsler på flere tabeller ved brug af et jokertegn, selvom indstillingen Brug cachelagrede resultater er markeret. Hvis du kører den samme forespørgsel med jokertegn flere gange, debiteres du for hver forespørgsel. Få flere oplysninger

Brug mellemliggende tabeller ved ofte benyttede underforespørgsler

Hvis du gentagne gange benytter en bestemt forespørgsel som underforespørgsel, kan du gemme den pågældende forespørgsel som en mellemliggende tabel ved at klikke på Gem som tabel oven over forespørgselsresultaterne. Derefter kan du henvise til denne tabel i forespørgslens FROM-sektion. Dette reducerer både mængden af data, der skal behandles, og den tid, behandlingen tager.

brug af en mellemliggende tabel
SELECT field1, field2
FROM [Dataset name.table name];

Fejlretning af forespørgsler

BigQuery foretager fejlretning af din kode, mens du opretter den. Fejlretning vises i kompositionsvinduet lige under forespørgslen. Fejlretning er også tilgængelig via API'en med dryRun-markeringen.

Gyldige forespørgsler har en grøn markering, som du kan klikke på for at se den mængde data, der behandles i forespørgslen. Denne funktion giver dig mulighed for at optimere dine data, inden du kører forespørgslen, og dermed undgå unødvendig databehandling.

Query Debugging - Success

 

Ugyldige forespørgsler har en rød markering, som du kan klikke på for at se oplysninger om fejlen samt den linje og kolonne, hvor fejlen findes. I nedenstående eksempel er udtrykket GROUP BY tomt, og fejlen er angivet.

Query Debugging - Error

 

Tips og optimale løsninger

Sådan bruger du eksempeldatasættet

De følgende eksempler bruger Google Analytics-eksempeldatasættet.

Hvis du vil bruge forespørgsler på dine egne data, skal du blot erstatte projektets og datasættets navne i eksemplerne med dit eget projekt og dine egne datasætnavne.

Brug af Standard SQL i forhold til forældet SQL

BigQuery understøtter to SQL-dialekter:

Migrering til Standard SQL forklarer forskellene mellem de to dialekter.

Standard SQL er nu den foretrukne SQL-dialekt til forespørgsel af data, der er gemt i BigQuery.

Se artiklen om aktivering af Standard SQL for at få oplysninger om aktivering af Standard SQL i BigQuery-brugerfladen, CLI, API eller den grænseflade, du bruger.

Den nemmeste måde at komme i gang på er at inkludere kommentaren "standardSQL" øverst i dine Standard SQL-forespørgsler som vist i de følgende eksempler.

Med forældet SQL overføres Google Analytics 360-data til en ny tabel hver dag. Hvis du vil sende forespørgsler til flere tabeller på én gang, kan du adskille tabelnavnene med komma, bruge TABLE_DATE_RANGE jokertegnfunktionen i tabellen eller bruge flere tabelfunktioner af typen TABLE_DATE_RANGE adskilt med komma som i nedenstående eksempler.

Forespørg om flere tabeller

De følgende eksempler viser forespørgsler med Standard SQL- og forældet SQL for de samme data.

3 dage

Standard SQL
3 dage med UNION ALL
#standardSQL
WITH ga_tables AS (
SELECT
date,
SUM(totals.visits) AS visits,
SUM(totals.pageviews) AS pageviews,
SUM(totals.transactions) AS transactions,
SUM(totals.transactionRevenue)/1000000 AS revenue
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_20160801`
GROUP BY date

UNION ALL

SELECT
date,
SUM(totals.visits) AS visits,
SUM(totals.pageviews) AS pageviews,
SUM(totals.transactions) AS transactions,
SUM(totals.transactionRevenue)/1000000 AS revenue
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_20160802`
GROUP BY date

UNION ALL

SELECT
date,
SUM(totals.visits) AS visits,
SUM(totals.pageviews) AS pageviews,
SUM(totals.transactions) AS transactions,
SUM(totals.transactionRevenue)/1000000 AS revenue
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_20160803`
GROUP BY date

)
SELECT
date,
visits,
pageviews,
transactions,
revenue,
FROM ga_tables
ORDER BY date ASC
Gammel SQL-dialekt
3 dage ved hjælp af kommaadskilte tabelnavne
SELECT
date,
SUM(totals.visits) AS visits,
SUM(totals.pageviews) AS pageviews,
SUM(totals.transactions) AS transactions,
SUM(totals.transactionRevenue)/1000000 AS revenue
FROM
[bigquery-public-data.google_analytics_sample.ga_sessions_20160801],
[bigquery-public-data.google_analytics_sample.ga_sessions_20160802],
[bigquery-public-data.google_analytics_sample.ga_sessions_20160803]
GROUP BY
date
ORDER BY
date ASC

 

Seneste 1095 dage

Standard SQL
Seneste 1095 dage ved hjælp af _TABLE_SUFFIX
#standardSQL
SELECT
date,
SUM(totals.visits) AS visits,
SUM(totals.pageviews) AS pageviews,
SUM(totals.transactions) AS transactions,
SUM(totals.transactionRevenue)/1000000 AS revenue
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE
_TABLE_SUFFIX BETWEEN FORMAT_DATE('%Y%m%d',DATE_SUB(CURRENT_DATE(), INTERVAL 1095 DAY))
AND
FORMAT_DATE('%Y%m%d',DATE_SUB(CURRENT_DATE(), INTERVAL 1 DAY))
GROUP BY date
ORDER BY date ASC
Gammel SQL-dialekt
Seneste 1095 dage ved hjælp af TABLE_DATE_RANGE
SELECT
date,
SUM(totals.visits) AS visits,
SUM(totals.pageviews) AS pageviews,
SUM(totals.transactions) AS transactions,
SUM(totals.transactionRevenue)/1000000 AS revenue
FROM
(TABLE_DATE_RANGE([bigquery-public-data.google_analytics_sample.ga_sessions_],
DATE_ADD(CURRENT_TIMESTAMP(), -1095, 'DAY'), DATE_ADD(CURRENT_TIMESTAMP(), -1, 'DAY')))
GROUP BY
date
ORDER BY
date ASC

 

Seneste 36 måneder

Standard SQL
Seneste 36 måneder ved hjælp af _TABLE_SUFFIX
#standardSQL
SELECT
date,
SUM(totals.visits) AS visits,
SUM(totals.pageviews) AS pageviews,
SUM(totals.transactions) AS transactions,
SUM(totals.transactionRevenue)/1000000 AS revenue
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE
_TABLE_SUFFIX BETWEEN FORMAT_DATE('%Y%m%d',DATE_SUB(CURRENT_DATE(), INTERVAL 36 MONTH))
AND
FORMAT_DATE('%Y%m%d',DATE_SUB(CURRENT_DATE(), INTERVAL 1 DAY))
GROUP BY date
ORDER BY date ASC
Gammel SQL-dialekt
Seneste 36 måneder ved hjælp af TABLE_DATE_RANGE
SELECT
date,
SUM(totals.visits) AS visits,
SUM(totals.pageviews) AS pageviews,
SUM(totals.transactions) AS transactions,
SUM(totals.transactionRevenue)/1000000 AS revenue
FROM
(TABLE_DATE_RANGE([bigquery-public-data.google_analytics_sample.ga_sessions_],
DATE_ADD(CURRENT_TIMESTAMP(), -36, 'MONTH'), DATE_ADD(CURRENT_TIMESTAMP(), -1, 'DAY')))
GROUP BY
date
ORDER BY
date ASC

 

Seneste 3 år

Standard SQL
Sidste 3 år ved hjælp af _TABLE_SUFFIX
#standardSQL
SELECT
date,
SUM(totals.visits) AS visits,
SUM(totals.pageviews) AS pageviews,
SUM(totals.transactions) AS transactions,
SUM(totals.transactionRevenue)/1000000 AS revenue
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE
_TABLE_SUFFIX BETWEEN FORMAT_DATE('%Y%m%d',DATE_SUB(CURRENT_DATE(), INTERVAL 3 YEAR))
AND
FORMAT_DATE('%Y%m%d',DATE_SUB(CURRENT_DATE(), INTERVAL 1 DAY))
GROUP BY date
ORDER BY date ASC
Gammel SQL-dialekt
Sidste 3 år ved hjælp af TABLE_DATE_RANGE
SELECT
date,
SUM(totals.visits) AS visits,
SUM(totals.pageviews) AS pageviews,
SUM(totals.transactions) AS transactions,
SUM(totals.transactionRevenue)/1000000 AS revenue
FROM
(TABLE_DATE_RANGE([bigquery-public-data.google_analytics_sample.ga_sessions_],
DATE_ADD(CURRENT_TIMESTAMP(), -3, 'YEAR'), DATE_ADD(CURRENT_TIMESTAMP(), -1, 'DAY')))
GROUP BY
date
ORDER BY
date ASC

 

Specifikt datointerval

Standard SQL
Specifikt datointerval ved hjælp af _TABLE_SUFFIX
#standardSQL
SELECT
date,
SUM(totals.visits) AS visits,
SUM(totals.pageviews) AS pageviews,
SUM(totals.transactions) AS transactions,
SUM(totals.transactionRevenue)/1000000 AS revenue
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE
_TABLE_SUFFIX BETWEEN '20160801' AND '20170731'
GROUP BY date
ORDER BY date ASC
Gammel SQL-dialekt
Specifikt datointerval ved hjælp af TABLE_DATE_RANGE
SELECT
date,
SUM(totals.visits) AS visits,
SUM(totals.pageviews) AS pageviews,
SUM(totals.transactions) AS transactions,
SUM(totals.transactionRevenue)/1000000 AS revenue
FROM
(TABLE_DATE_RANGE([bigquery-public-data.google_analytics_sample.ga_sessions_],
TIMESTAMP('2016-08-01'), TIMESTAMP('2017-07-31')))
GROUP BY
date
ORDER BY
date ASC

Sidste 3 år plus dagens data (i løbet af dagen)

Standard SQL
Seneste 3 dage plus data fra i dag (i løbet af dagen) ved hjælp af UNION ALL og _TABLE_SUFFIX
Bemærk! Dette forespørgselseksempel fungerer ikke med det offentlige Google Analytics-datasæt, fordi der i øjeblikket ikke er nogen tabel for data fra i løbet af dagen.
#standardSQL
WITH ga_tables AS ( SELECT
date,
SUM(totals.visits) AS visits,
SUM(totals.pageviews) AS pageviews,
SUM(totals.transactions) AS transactions,
SUM(totals.transactionRevenue)/1000000 AS revenue
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE
_TABLE_SUFFIX BETWEEN FORMAT_DATE('%Y%m%d',DATE_SUB(CURRENT_DATE(), INTERVAL 3 YEAR))
AND
FORMAT_DATE('%Y%m%d',DATE_SUB(CURRENT_DATE(), INTERVAL 1 DAY))
GROUP BY date
UNION ALL

SELECT
date,
SUM(totals.visits) AS visits,
SUM(totals.pageviews) AS pageviews,
SUM(totals.transactions) AS transactions,
SUM(totals.transactionRevenue)/1000000 AS revenue
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE
_TABLE_SUFFIX BETWEEN FORMAT_DATE('%Y%m%d',DATE_SUB(CURRENT_DATE(), INTERVAL 1 DAY))
AND
FORMAT_DATE('%Y%m%d',DATE_SUB(CURRENT_DATE(), INTERVAL 0 DAY))
GROUP BY date
)
SELECT
date,
visits,
pageviews,
transactions,
revenue,
FROM ga_tables
ORDER BY date ASC

Gammel SQL-dialekt

Seneste 3 år plus data fra i dag (i løbet af dagen) ved hjælp af flere TABLE_DATE_RANGE
Bemærk! Dette forespørgselseksempel fungerer ikke med det offentlige Google Analytics-datasæt, fordi der i øjeblikket ikke er nogen tabel for data fra i løbet af dagen.
SELECT
date,
SUM(totals.visits) AS visits,
SUM(totals.pageviews) AS pageviews,
SUM(totals.transactions) AS transactions,
SUM(totals.transactionRevenue)/1000000 AS revenue
FROM
(TABLE_DATE_RANGE([bigquery-public-data.google_analytics_sample.ga_sessions_],
DATE_ADD(CURRENT_TIMESTAMP(), -3, 'YEAR'), DATE_ADD(CURRENT_TIMESTAMP(), -1, 'DAY'))),
(TABLE_DATE_RANGE([bigquery-public-data.google_analytics_sample.ga_sessions_intraday_],
DATE_ADD(CURRENT_TIMESTAMP(), -1, 'DAY'), CURRENT_TIMESTAMP()))
GROUP BY
date
ORDER BY
date ASC

 

 

Eksempler på grundlæggende forespørgsler

I dette afsnit kan du se, hvordan du kan oprette grundlæggende forespørgsler vha. metrics og dimensioner fra Analytics-eksempeldata.

I alt [metric] pr. [dimension]?

Nedenfor er eksempler på scripts for spørgsmålet: Hvad er det samlede antal transaktioner, der blev genereret pr. enhedsbrowser i juli 2017?

Standard SQL

Samlet antal transaktioner pr. enhedsbrowser i juli 2017
#standardSQL
SELECT
device.browser,
SUM ( totals.transactions ) AS total_transactions
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE
_TABLE_SUFFIX BETWEEN '20170701' AND '20170731'
GROUP BY
device.browser
ORDER BY
total_transactions DESC

Gammel SQL-dialekt

Samlet antal transaktioner pr. enhedsbrowser i juli 2017
SELECT
device.browser,
SUM ( totals.transactions ) AS total_transactions
FROM TABLE_DATE_RANGE( [bigquery-public-data.google_analytics_sample.ga_sessions_],
TIMESTAMP('2017-07-01'), TIMESTAMP('2017-07-31') )
GROUP BY
device.browser
ORDER BY
total_transactions DESC

 

 

Gennemsnitlig afvisningsprocent pr. [ dimension ]?

Den reelle afvisningsprocent defineres som procentdelen af besøg med en enkelt sidevisning. Nedenfor er eksempler på scripts for spørgsmålet: Hvad var den reelle afvisningsprocent pr. trafikkilde?

Standard SQL

Afvisningsprocent pr. trafikkilde i juli 2017
#standardSQL
SELECT
source,
total_visits,
total_no_of_bounces,
( ( total_no_of_bounces / total_visits ) * 100 ) AS bounce_rate
FROM (
SELECT
trafficSource.source AS source,
COUNT ( trafficSource.source ) AS total_visits,
SUM ( totals.bounces ) AS total_no_of_bounces
FROM `bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE
_TABLE_SUFFIX BETWEEN '20170701' AND '20170731'
GROUP BY
source )
ORDER BY
total_visits DESC

Gammel SQL-dialekt

Afvisningsprocent pr. trafikkilde i juli 2017
SELECT
source,
total_visits,
total_no_of_bounces,
( ( total_no_of_bounces / total_visits ) * 100 ) AS bounce_rate
FROM (
SELECT
trafficSource.source AS source,
COUNT ( trafficSource.source ) AS total_visits,
SUM ( totals.bounces ) AS total_no_of_bounces
FROM
TABLE_DATE_RANGE( [bigquery-public-data.google_analytics_sample.ga_sessions_],
TIMESTAMP('2017-07-01'), TIMESTAMP('2017-07-31') )
GROUP BY
source )
ORDER BY
total_visits DESC

 

 

Gennemsnitligt antal produktsidevisninger efter købertype (købere ift. ikke-købere)

Nedenfor er eksempler på scripts for spørgsmålet: Hvad var det gennemsnitlige antal produktsidevisninger for brugere, der foretog et køb i juli 2017?

Standard SQL

Gennemsnitligt antal produktsidevisninger for brugere, der foretog et køb i juli 2017
#standardSQL
SELECT
( SUM(total_pagesviews_per_user) / COUNT(users) ) AS avg_pageviews_per_user
FROM (
SELECT
fullVisitorId AS users,
SUM(totals.pageviews) AS total_pagesviews_per_user
FROM`bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE
_TABLE_SUFFIX BETWEEN '20170701' AND '20170731'
AND
totals.transactions >=1
GROUP BY
users )

Gammel SQL-dialekt

Gennemsnitligt antal produktsidevisninger for brugere, der foretog et køb i juli 2017
SELECT
( SUM(total_pagesviews_per_user) / COUNT(users) ) AS avg_pageviews_per_user
FROM (
SELECT
fullVisitorId AS users,
SUM(totals.pageviews) AS total_pagesviews_per_user
FROM
TABLE_DATE_RANGE( [bigquery-public-data.google_analytics_sample.ga_sessions_],
TIMESTAMP('2017-07-01'), TIMESTAMP('2017-07-31') ) WHERE
totals.transactions >=1
GROUP BY
users )

 

 

Nedenfor er eksempler på scripts for spørgsmålet: Hvad var det gennemsnitlige antal produktsidevisninger for brugere, der ikke foretog et køb i juli 2017?

Standard SQL

Gennemsnitligt antal produktsidevisninger for brugere, der ikke foretog et køb i juli 2017
#standardSQL
SELECT
( SUM(total_pagesviews_per_user) / COUNT(users) ) AS avg_pageviews_per_user
FROM (
SELECT
fullVisitorId AS users,
SUM(totals.pageviews) AS total_pagesviews_per_user
FROM`bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE
_TABLE_SUFFIX BETWEEN '20170701' AND '20170731'
AND
totals.transactions IS NULL
GROUP BY
users )

Gammel SQL-dialekt

Gennemsnitligt antal produktsidevisninger for brugere, der ikke foretog et køb i juli 2017
SELECT
( SUM(total_pagesviews_per_user) / COUNT(users) ) AS avg_pageviews_per_user
FROM (
SELECT
fullVisitorId AS users,
SUM(totals.pageviews) AS total_pagesviews_per_user
FROM
TABLE_DATE_RANGE( [bigquery-public-data.google_analytics_sample.ga_sessions_],
TIMESTAMP('2017-07-01'), TIMESTAMP('2017-07-31') ) WHERE
totals.transactions IS NULL
GROUP BY
users )

 

 

Gennemsnitligt antal transaktioner pr. køber

Nedenfor er eksempler på scripts for spørgsmålet: Hvad var det gennemsnitlige samlede antal transaktioner for brugere, der foretog et køb i juli 2017?

Standard SQL

Gennemsnitligt antal transaktioner pr. bruger, der foretog et køb i juli 2017
#standardSQL
SELECT
(SUM (total_transactions_per_user) / COUNT(fullVisitorId) ) AS avg_total_transactions_per_user
FROM (
SELECT
fullVisitorId,
SUM (totals.transactions) AS total_transactions_per_user
FROM
`bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE
_TABLE_SUFFIX BETWEEN '20170701' AND '20170731'
AND totals.transactions IS NOT NULL
GROUP BY
fullVisitorId )

Gammel SQL-dialekt

Gennemsnitligt antal transaktioner pr. bruger, der foretog et køb i juli 2017
SELECT
(SUM (total_transactions_per_user) / COUNT(fullVisitorId) ) AS avg_total_transactions_per_user
FROM (
SELECT
fullVisitorId,
SUM (totals.transactions) AS total_transactions_per_user
FROM
TABLE_DATE_RANGE( [bigquery-public-data.google_analytics_sample.ga_sessions_],
TIMESTAMP('2017-07-01'), TIMESTAMP('2017-07-31') )
WHERE
totals.transactions IS NOT NULL
GROUP BY
fullVisitorId )

 

 

Gennemsnitligt forbrugsbeløb pr. session

Nedenfor er eksempler på scripts for spørgsmålet: Hvad er det gennemsnitlige beløb, der blev brugt pr. session i juli 2017?

Standard SQL

Gennemsnitligt forbrugsbeløb pr. session i juli 2017
#standardSQL
SELECT
( SUM(total_transactionrevenue_per_user) / SUM(total_visits_per_user) ) AS
avg_revenue_by_user_per_visit
FROM (
SELECT
fullVisitorId,
SUM( totals.visits ) AS total_visits_per_user,
SUM( totals.transactionRevenue ) AS total_transactionrevenue_per_user
FROM
`bigquery-public-data.google_analytics_sample.ga_sessions_*`
WHERE
_TABLE_SUFFIX BETWEEN '20170701' AND '20170731'
AND
totals.visits > 0
AND totals.transactions >= 1
AND totals.transactionRevenue IS NOT NULL
GROUP BY
fullVisitorId )

Gammel SQL-dialekt

Gennemsnitligt forbrugsbeløb pr. session i juli 2017
SELECT
( SUM(total_transactionrevenue_per_user) / SUM(total_visits_per_user) ) AS
avg_revenue_by_user_per_visit
FROM (
SELECT
fullVisitorId,
SUM( totals.visits ) AS total_visits_per_user,
SUM( totals.transactionRevenue ) AS total_transactionrevenue_per_user
FROM
TABLE_DATE_RANGE( [bigquery-public-data.google_analytics_sample.ga_sessions_],
TIMESTAMP('2017-07-01'), TIMESTAMP('2017-07-31') )
WHERE
totals.visits > 0
AND totals.transactions >= 1
AND totals.transactionRevenue IS NOT NULL
GROUP BY
fullVisitorId )

 

 

Sekvens for hits

Nedenfor er eksempler på scripts for spørgsmålet: Hvad er sekvensen af sider, der vises?

Standard SQL

Sekvens af sider, der ses af brugere i juli 2017
#standardSQL
SELECT
fullVisitorId,
visitId,
visitNumber,
hits.hitNumber AS hitNumber,
hits.page.pagePath AS pagePath
FROM
`bigquery-public-data.google_analytics_sample.ga_sessions_*`,
UNNEST(hits) as hits
WHERE
_TABLE_SUFFIX BETWEEN '20170701' AND '20170731'
AND
hits.type="PAGE"
ORDER BY
fullVisitorId,
visitId,
visitNumber,
hitNumber

Gammel SQL-dialekt

Sekvens af sider, der ses af brugere i juli 2017
SELECT
fullVisitorId,
visitId,
visitNumber,
hits.hitNumber AS hitNumber,
hits.page.pagePath AS pagePath
FROM
TABLE_DATE_RANGE( [bigquery-public-data.google_analytics_sample.ga_sessions_],
TIMESTAMP('2017-07-01'), TIMESTAMP('2017-07-31') )
WHERE
hits.type="PAGE"
ORDER BY
fullVisitorId,
visitId,
visitNumber,
hitNumber

I denne forespørgsel begrænser du hittyper til PAGES for at undgå at se interaktioner for hændelser eller transaktioner. Hver linje i outputtet repræsenterer en sidevisning og vises i standardrækkefølgen for felterne i SELECT-udtrykket.

 

 

Flere tilpassede dimensioner på hit- eller sessionsniveau

tilpasset dimension på hitniveau
SELECT fullVisitorId, visitId, hits.hitNumber, hits.time,
MAX(IF(hits.customDimensions.index=1,
hits.customDimensions.value,
NULL)) WITHIN hits AS customDimension1,
FROM [tableID.ga_sessions_20150305]
LIMIT 100

 

tilpasset dimension på sessionsniveau
SELECT fullVisitorId, visitId,
MAX(IF(customDimensions.index=2,
customDimensions.value,
NULL)) WITHIN RECORD AS customDimension2,
FROM [tableID.ga_sessions_20150305]
LIMIT 100

I hver forespørgsel:

SELECT-udtrykket forespørger for de relevante dimensions- og metric-felter.

Funktionen MAX:

  • Returnerer den tilpassede dimension som en ny kolonne. Du kan gentage funktionen for at returnere flere tilpassede dimensioner som nye kolonner.
  • WITHIN hits og WITHIN RECORD evaluerer betingelsen i gentagne felter i BigQuery.
  • Betingelsen i MAX evalueres for hver tilpasset dimension, men hvor det ikke opfyldes, at index=1 (hits) eller index=2 (sessions), returneres NULL.
  • Returnerer den maksimale værdi, som er værdien for Tilpasset dimension 1 for hits eller Tilpasset dimension 2 for sessioner, eftersom alle andre værdier er NULL.

Eksempler på avancerede forespørgsler

Nu, hvor du kender til simple forespørgsler, kan du oprette forespørgsler med de avancerede funktioner i BigQuery.

Produkter, som blev købt af kunder, der har købt produkt A (klassisk e-handel)

Herunder ses en scriptstruktur til spørgsmålet: Hvilke andre produkter købes af kunder, som køber produkt A?

produkter, som blev købt af kunder, der har købt produkt A (klassisk e-handel)
SELECT hits.item.productName AS other_purchased_products, COUNT(hits.item.productName) AS quantity
FROM [‘Dataset Name’ ]
WHERE fullVisitorId IN (
  SELECT fullVisitorId
  FROM [‘Dataset Name’ ]
  WHERE hits.item.productName CONTAINS 'Product Item Name A'
   AND totals.transactions>=1
  GROUP BY fullVisitorId )
 AND hits.item.productName IS NOT NULL
 AND hits.item.productName != 'Product Item Name A'
GROUP BY other_purchased_products
ORDER BY quantity DESC;
  1. I første linje vælger du alle de andre varer, en bruger har købt, og sammenlægningsfunktionen COUNT() bruges til at beregne mængden af hver af de andre købte varer. Resultatet vises derefter i et felt med etiketten quantity sammen med den tilknyttede vare i produktfeltet med etiketten other_purchased_products.
  2. I den grå underforespørgsel vælger du kun de unikke brugere (fullVisitorId), som har gennemført transaktioner (totals.transactions>=1) og i løbet af en transaktion købt produkt A (WHERE hits.item.productName CONTAINS 'Produktets varenavn A').

Reglerne (WHERE- og AND-udtrykkene) i forespørgslen på øverste niveau (grøn) ser bort fra værdier i hits.item.productName, som er nul og indeholder Produkt A.

Her er et eksempel på forespørgslen Hvis en kunde har køber Brighton Metallic-kuglepenne (sæt med 4 stk.), hvilke andre produkter køber vedkommende så også?

produkter købt af en kunde, som har købt 'Brighton Metallic-kuglepenne (sæt med fire stk.)' den 24. juni 2013
SELECT hits.item.productName AS other_purchased_products, COUNT(hits.item.productName) AS quantity
FROM [GoogleStore.ga_sessions_20130624]
WHERE fullVisitorId IN (
  SELECT fullVisitorId
  FROM [GoogleStore.ga_sessions_20130624]
  WHERE hits.item.productName CONTAINS 'Brighton Metallic Pens - Set of 4'
   AND totals.transactions>=1
  GROUP BY fullVisitorId )
 AND hits.item.productName IS NOT NULL
 AND hits.item.productName !='Brighton Metallic Pens - Set of 4'
GROUP BY other_purchased_products
ORDER BY quantity DESC;

I Dremel/BigQuery udløser brugen af WHERE expr IN en JOIN-funktion, og størrelsesbegrænsninger er gældende: Størrelsen på højre side af JOIN (antal besøgende i dette eksempel) skal være mindre end 8 MB. I Dremel kaldes dette et broadcast JOIN. Når størrelsen overstiger 8 MB, skal du aktivere et shuffled JOIN, og det kan du gøre vha. syntaksen JOIN EACH. Det kan desværre ikke lade sig gøre med IN, men den samme forespørgsel kan omskrives med JOIN.

Produkter, som blev købt af kunder, der har købt produkt A (udvidet e-handel)

Denne er den samme som den tidligere skabelonforespørgsel, men fungerer for udvidet e-handel. Den bruger også TABLE_DATE_RANGE til at forespørge om data fra flere dage.

produkter, som blev købt af kunder, der køber produkt A (udvidet e-handel)
SELECT hits.product.productSKU AS other_purchased_products, COUNT(hits.product.productSKU) AS quantity
FROM SELECT fullVisitorId, hits.product.productSKU, hits.eCommerceAction.action_type FROM TABLE_DATE_RANGE([73156703.ga_sessions_], TIMESTAMP('2015-07-01'), TIMESTAMP('2015-07-14')))
WHERE fullVisitorId IN (
  SELECT fullVisitorId
FROM TABLE_DATE_RANGE([73156703.ga_sessions_], TIMESTAMP('2015-07-01'), TIMESTAMP('2015-07-14'))
WHERE hits.product.productSKU CONTAINS '10 15103'
AND hits.eCommerceAction.action_type = '6'
GROUP BY fullVisitorId )
AND hits.product.productSKU IS NOT NULL
AND hits.product.productSKU !='10 15103'
AND hits.eCommerceAction.action_type = '6'
GROUP BY other_purchased_products
ORDER BY quantity DESC;

Gennemsnitligt antal brugerinteraktioner inden køb

Dette er et eksempel på en forespørgsel for en JOIN() [...] ON-kommando. som kun er afhængig af Analytics-data.

Herunder ses en scriptstruktur til spørgsmålet: Hvad er det gennemsnitlige antal brugerinteraktioner inden et køb?

antal brugerinteraktioner inden et køb
SELECT one.hits.item.productSku AS ProductSku, ( sum_of_hit_number / total_hits ) AS avg_hit_number
FROM (
 SELECT hits.item.productSku, SUM(hits.hitNumber) AS sum_of_hit_number
 FROM [‘GA Dataset Name’ ]
 WHERE hits.item.productSku IS NOT NULL
  AND totals.transactions>=1
 GROUP BY hits.item.productSku ) AS ‘Alias_Name_1’
JOIN (
 SELECT hits.item.productSku, COUNT( fullVisitorId ) AS total_hits
 FROM [‘GA Dataset Name’ ]
 WHERE hits.item.productSku IS NOT NULL
  AND totals.transactions>=1
 GROUP BY hits.item.productSku ) AS ‘Alias_Name_2’
ON Alias_Name_1.hits.item.productSku = Alias_Name_2.hits.item.productSku;
  1. Første linje udfører den primære matematiske operation for at finde det gennemsnitlige antal brugerinteraktioner pr. produkt, og denne forespørgsel opretter en forbindelse mellem to underforespørgsler, som kaldes 'Alias_Name_1' og 'Alias_Name_2'.
  2. 'Alias_Name_1' bruges til at generere et felt, der benytter sammenlægningsfunktionen SUM() til at addere alle hitværdierne for et produkt.
  3. 'Alias_Name_2' bruges til at finde antallet af hits foretaget af brugere pr. produkt vha. COUNT()-funktionen.
  4. Sidste linje viser det fælles felt (hits.item.productSku), der deles af de to datasæt i forbindelsen.

Her er et eksempel på forespørgslen Hvad er det gennemsnitlige antal brugerinteraktioner inden et køb den 10. september 2013?

antal brugerinteraktioner inden et køb den 10. september 2013
SELECT one.hits.item.productSku AS ProductSku, ( sum_of_hit_number / total_hits ) AS avg_hit_number
FROM (
 SELECT hits.item.productSku, SUM(hits.hitNumber) AS sum_of_hit_number
 FROM [GoogleStore.ga_sessions_20130728]
 WHERE hits.item.productSku IS NOT NULL
  AND totals.transactions>=1
 GROUP BY hits.item.productSku  ) AS one
JOIN (
 SELECT hits.item.productSku, COUNT( fullVisitorId ) AS total_hits
 FROM [GoogleStore.ga_sessions_20130728]
 WHERE hits.item.productSku IS NOT NULL
  AND totals.transactions>=1
 GROUP BY hits.item.productSku ) AS two
ON one.hits.item.productSku = two.hits.item.productSku;

Procentdel af lager solgt pr. produkt

Dette er et eksempel på en forespørgsel, som ikke kun er afhængig af Analytics-data, men også af ikke-Analytics-data. Ved at kombinere begge datasæt kan du begynde at forstå brugeradfærden på et mere segmenteret niveau. Du kan importere ikke-Analytics-data til BigQuery, men vær opmærksom på, at dette tæller med i forhold til dit månedlige gebyr for datalagring.

Herunder ses en scriptstruktur til spørgsmålet: Hvilken procentdel af lageret blev solgt pr. produkt?

procentdel af lager solgt pr. produkt
SELECT AnalyticsImport.product_data_20130728.productId, ((( one.quantity_sold ) / ( AnalyticsImport.product_data_20130728.productstock + one.quantity_sold )) * 100 ) AS percentage_of_stock_sold
FROM [ ‘Imported_DataSet’ ]
JOIN (
  SELECT hits.item.productSku, SUM( hits.item.itemQuantity ) AS quantity_sold
  FROM [‘GA Dataset’ ]
  WHERE hits.item.productSku IS NOT NULL
   AND totals.transactions>=1
  GROUP BY hits.item.productSku ) AS ‘Alias_Name’
ON Imported_DataSet.’productId_field’ = Alias_Name.hits.item.productSku;
  1. Første linje genererer to felter: Ét felt med alle produkt-id'erne og ét, som er en matematisk operation, der viser den solgte procentdel af lageret for det pågældende produkt-id.
  2. Eftersom denne forespørgsel er afhængig af to datasæt, skal du bruge funktionen JOIN() ... ON. Denne kommando forbinder rækkerne fra de to datasæt baseret på det fælles felt mellem dem. I dette tilfælde er de to datasæt [ ‘Imported_DataSet’ ] og ‘Alias_Name’.
  3. [ ‘Imported_DataSet’ ] er ikke-Analytics-dataene. Dette er det datasæt, som indeholder metric-feltet for resterende lager (Imported DataSet.’stock_left_field’) og produkt-id-dimensionsfeltet (Imported_DataSet.’productId_field’).
  4. Dataene, som returneres af den grå underforespørgsel, tildeles navnet 'Alias_Name'. Denne underforespørgsel bruger Analytics-data til at finde den samlede mængde solgte varer pr. produkt.
  5. Sidste linje bruger ON-udtrykket til at vise det fælles felt mellem de to datasæt, og hvor de to datasæt er forbundet.

Mange af variablerne i denne forespørgsel har deres datasætnavne tilknyttet som præfikser (f.eks. Imported_DataSet.’productId_field’, Alias_Name.quantity_sold). Det er for at tydeliggøre, hvilket felt du vælger, og hvilket datasæt det tilhører.

Her er et eksempel på forespørgslen Hvilken procentdel af lageret blev solgt pr. produkt den 28. juli 2013?

procentdel af lager solgt pr. produkt den 28. juli 2013
SELECT AnalyticsImport.product_data_20130728.productId, ( ( ( one.quantity_sold ) / ( AnalyticsImport.product_data_20130728.productstock + one.quantity_sold ) ) * 100 ) AS percentage_of_stock_sold
FROM AnalyticsImport.product_data_20130728
JOIN (
  SELECT hits.item.productSku, SUM( hits.item.itemQuantity ) AS quantity_sold
  FROM GoogleStore.ga_sessions_20130728
  WHERE hits.item.productSku IS NOT NULL
   AND totals.transactions>=1
  GROUP BY hits.item.productSku ) AS one
ON AnalyticsImport.product_data_20130728.productId = one.hits.item.productSku
ORDER BY percentage_of_stock_sold DESC;

Rentabilitet af hvert produkt

Herunder ses en scriptstruktur til spørgsmålet: Hvad er rentabiliteten af hvert produkt?

fortjeneste pr. produkt
SELECT Alias_Name.hits.item.productSku, ( Imported_DataSet.’product profit field’ * Alias_Name.quantity ) AS profit
FROM (
  SELECT Alias_Name.hits.item.productSku, Imported_DataSet.’product profit field’
  FROM [ ‘Imported Data Set’ ]
  JOIN (
    SELECT hits.item.productSku, SUM( hits.item.itemQuantity ) AS quantity
    FROM [ ‘GA Dataset Name’ ]
    WHERE hits.item.productSku IS NOT NULL
    GROUP BY hits.item.productSku ) AS ‘Alias_Name’
  ON Imported_DataSet.productId = Alias_Name.hits.item.productSku );
  1. Første linje indeholder den matematiske operation, der beregner den samlede fortjeneste på hvert produkt.
  2. Den grå underforespørgsel bruger ikke-Analytics-data, som indsamler dataene om fortjenesten på et solgt produkt.
  3. Den røde underforespørgsel er for Analytics-data, som forbindes med ikke-Analytics-dataene. Den beregner mængden af solgte varer pr. produkt.
  4. Den sidste linje bruger ON-udtrykket til at klarlægge det felt, som deles af de to datasæt. I dette tilfælde er det produkt-id-nummeret.

Her er et eksempel på forespørgslen Hvad var rentabiliteten for hvert produkt den 28. juli 2013?

fortjeneste pr. produkt den 28. juli 2013
SELECT two.hits.item.productSku, ((AnalyticsImport.product_data_20130728.productprice-AnalyticsImport.product_data_20130728.productcost)*two.quantity) AS profit
FROM (
  SELECT two.hits.item.productSku, AnalyticsImport.product_data_20130728.productcost, two.quantity, AnalyticsImport.product_data_20130728.productprice
  FROM AnalyticsImport.product_data_20130728
  JOIN (
    SELECT hits.item.productSku, SUM( hits.item.itemQuantity ) AS quantity
    FROM GoogleStore.ga_sessions_20130728
    WHERE hits.item.productSku IS NOT NULL
    GROUP BY hits.item.productSku ) AS two
  ON AnalyticsImport.product_data_20130728.productId = two.hits.item.productSku );

Fortjenesten beregnes ved at finde forskellen på salgsprisen og omkostningerne ved at fremstille produktet. Disse oplysninger gemmes i ikke-GA-datasættet.

Reel rentabilitet af hvert produkt (tilbageførsler indregnes)

Herunder ses en scriptstruktur til spørgsmålet: Hvad er den reelle rentabilitet af hvert produkt?

reel fortjeneste pr. produkt
SELECT Alias_Name.hits.item.productSku, (gross_profit-total_refund_revenue) AS real_profit
FROM (
  SELECT Alias_Name.hits.item.productSku, ( ( Imported_DataSet.productprice - Imported_DataSet.productcost ) * Alias_Name.quantity ) AS gross_profit, ( ( Imported_DataSet.refunddeliveryprice + Imported_DataSet.productprice ) * Imported_DataSet.refundquantity ) AS total_refund_revenue
  FROM (
    SELECT Alias_Name.hits.item.productSku, Imported_DataSet.productcost, Alias_Name.quantity, Imported_DataSet.productprice, Imported_DataSet.refunddeliveryprice, Imported_DataSet.refundquantity
    FROM [ ‘Imported DataSet Name’ ] AS 'Imported_DataSet'
    JOIN (
      SELECT hits.item.productSku, SUM( hits.item.itemQuantity ) AS quantity
      FROM [‘GA Dataset Name’ ]
      WHERE hits.item.productSku IS NOT NULL
       AND totals.transactions >=1
      GROUP BY hits.item.productSku ) AS 'Alias_Name'
    ON Imported_DataSet.productId = Alias_Name.hits.item.productSku ) );
  1. Denne forespørgsel svarer i høj grad til Hvad er rentabiliteten af hvert produkt? De eneste forskelle er i ikke-Analytics-datasættet i den grå underforespørgsel og i den matematiske operation, som beregner den reelle fortjeneste i første linje.
  2. I ikke-Google Analytics-datasættet beregner du også det samlede beløb, som er brugt på tilbageførsler (i SELECT-udtrykket i den røde underforespørgsel).
  3. Derefter udfører du en matematisk operation i linje 1 for at finde den reelle fortjeneste ved at trække den omsætning, der bruges på tilbageførsler, fra din bruttofortjeneste.

Du kan få flere oplysninger om forespørgslen i afsnittet om rentabiliteten af hvert produkt.

Her er et eksempel på følgende forespørgsel: Hvad var den reelle rentabilitet af hvert produkt den 28. juli 2013?

reel fortjeneste pr. produkt den 28. juli 2013
SELECT two.hits.item.productSku, (gross_profit-total_refund_revenue) AS real_profit
FROM (
  SELECT two.hits.item.productSku, ( ( AnalyticsImport.product_data_20130728.productprice - AnalyticsImport.product_data_20130728.productcost ) * two.quantity ) AS gross_profit, ( ( AnalyticsImport.product_data_20130728.refunddeliveryprice + AnalyticsImport.product_data_20130728.productprice ) * AnalyticsImport.product_data_20130728.refundquantity ) AS total_refund_revenue
  FROM (
    SELECT two.hits.item.productSku, Analytics.product_data_20130728.productcost, two.quantity, AnalyticsImport.product_data_20130728.productprice, AnalyticsImport.product_data_20130728.refunddeliveryprice, AnalyticsImport.product_data_20130728.refundquantity
    FROM AnalyticsImport.product_data_20130728
    JOIN (
      SELECT hits.item.productSku, SUM( hits.item.itemQuantity ) AS quantity
      FROM GoogleStore.ga_sessions_20130728
      WHERE hits.item.productSku IS NOT NULL
       AND totals.transactions >=1
      GROUP BY hits.item.productSku ) AS two
    ON AnalyticsImport.product_data_20130728.productId = two.hits.item.productSku ) );

I den reelle fortjeneste beregnes rentabiliteten af et produkt, når tilbageførte produkter er indregnet. Sådan beregnes den samlede tilbageførte omsætning for et produkt:

samlet tilbageført omsætning for et produkt = ( produktets pris + pris for levering af tilbageførsel for produktet ) * antallet af tilbageførte produkter

Var disse oplysninger nyttige?

Hvordan kan vi forbedre siden?

Har du brug for mere hjælp?

Prøv følgende næste trin:

Opret et opslag i hjælpegruppen Få svar fra medlemmer af hjælpegruppen
Kontakt os Fortæl os mere, så hjælper vi dig videre
true
learning path
Vælg selv din læringssti

Websitet google.com/analytics/learn er en ny ressource, du kan bruge som hjælp til at få mest muligt ud af Google Analytics 4. Her kan du finde videoer, artikler og trinvise vejledninger samt links til Google Analytics Discord og Google Analytics' blog, YouTube-kanal og GitHub-lager.

Start læringsprocessen allerede i dag!

Søgning
Ryd søgning
Luk søgning
Hovedmenu
5188605966064120621
true
Søg i Hjælp
true
true
true
true
true
69256
false
false