bigquery что это

Что такое Google BigQuery и почему им стоит пользоваться

Большой объем данных требует широких возможностей для их хранения и обработки. Одним из наиболее полезных и востребованных сервисов в данной сфере является Google BigQuery. Что это за инструмент, какие его возможности и преимущества, с какими платформами его можно интегрировать?

Google BigQuery – что это?

BigQuery – это облачный сервис Google, предназначенный для работы с Big Data, запущен в 2011 году. Он предлагает онлайн-хранилище данных, позволяя надежно хранить и быстро обрабатывать большие массивы информации без необходимости задействовать для этих целей отдельный сервер.

Google BigQuery представляет собой PaaS-сервис («платформа как услуга»), который поддерживает большинство функций СУБД. Он входит в состав Google Cloud Platform, где есть еще несколько десятков приложений для анализа, хранения и вычисления данных.

По сути, BigQuery является облачной БД с неограниченным хранилищем и высокой скоростью обработки больших массивов данных. Он имеет обширный функционал, его пользователи могут оперативно загружать масштабный объем данных, хранить их в виде двумерных таблиц, обращаться к ним используя SQL-запросы, а также сохранять и выгружать их результаты.

Кроме того, возможности Google BigQuery можно расширить при помощи ряда сторонних инструментов. Например, интегрировав его с Google Таблицы, Microsoft Excel, QlikView, BIME Analytics, а также Microsoft Power BI.

Основные функции и возможности Google Big Query

• Управление данными – сервис позволяет создавать и удалять таблицы и пользовательские функции, а также импортировать данные в форматах JSON, Avro, Parquet или CSV. Чтобы использовать данные в Big Query, их нужно загрузить в сервис Google Storage, а уже оттуда провести импорт данных через API. Также поддерживается прямой импорт и стриминг данных из Google Analytics.
• Запросы – запросы в Google BigQuery создаются через стандартный диалект SQL, а результат возвращается в JSON-формате. Стандартный размер ответа составляет 128 Мб, но также он может быть и больше (предел неограничен) при выставлении соответствующих настроек.
• Контроль доступа– пользователи сервиса могут предоставлять сторонним лицам публичный или ограниченный доступ к своим данным.
• Машинное обучение– сервис дает возможность создавать и запускать ML-модели при помощи SQL-запросов.
• Интеграции– сервис можно использовать в качестве скрипта Google Apps Scripts или же созданного на любом другом языке, совместимом с REST API.

Онлайн-сервис Google BigQuery поддерживает практически все основные функции СУБД, включая структурированное хранение данных, представления и табличные выражения, а также оконные функции. Среди инструментов сервиса имеются функции для работы с датами и строками, а еще для агрегирования данных.

Преимущества Google BigQuery

Облачная база данных Google BigQuery является более удобным и перспективным решением, по сравнению с традиционными СУБД. К числу ее основных преимуществ относятся:

• Скорость. Сервис использует диалект Standart SQL, обеспечивающий высокую скорость загрузки и обработки Big Data. При желании пользователь может переключиться на диалект Legacy SQL.
• Функциональность. Диалект Standart SQL, используемый в BigQuery, позволяет удобно работать с повторяющимися/вложенными полями, поддерживает языки DML и DDL, при помощи которых можно изменять табличные данные.
• Доступность. Стоимость использования Google BigQuery зависит от объема загруженных в него данных и составляет 5$ за 1 Тб, что гораздо дешевле аренды сервера. После регистрации пользователь получает $300 кредитных средств, действующих в течение 1 года. Таким образом, в течение первого года можно пользоваться сервисом абсолютно бесплатно.
• Простота и удобство. Чтобы полноценно пользоваться BigQuery, нужно знать основы SQL и уметь загружать данные в этот сервис. В остальном пользователю не требуется самостоятельно настраивать и администрировать базу данных, что является очень важным отличием этого онлайн-сервиса от классических СУБД.

Интеграции Google BigQuery

Онлайн-БД Google BigQuery можно интегрировать с рядом сторонних сервисов для расширения ее функционала. Например, довольно востребованными являются связки BigQuery с различными электронными таблицами, а также платформой Microsoft Power BI. В этом разделе статьи мы кратко расскажем о наиболее популярных из них.

Свяжите сервисы между собой без программистов за 5 минут!

Используейте ApiX-Drive для самостоятельной интеграции разных сервисов между собой. Доступно 350+ готовых интеграций.

• Автоматизируйте работу интернет магазина или лендинга
• Расширяйте возможности за счет интеграций
• Не тратьте деньги на программистов и интеграторов
• Экономьте время за счет автоматизации рутинных задач

Бесплатно протестируйте работу сервиса прямо сейчас и начните экономить до 30% времени! Перейти

Электронные таблицы

Проще всего интегрировать с BigQuery сервис Google Таблицы – при помощи удобного коннектора от OWOX. Однако в Google Таблицы можно загружать данные только на рабочий лист, а объем одного документа ограничен 2 млн ячеек. Чуть сложнее проходит интеграция BigQuery и Excel, так как их коннектор требует ежемесячно обновлять ключ доступа. Также он позволяет загружать данные только в рабочий лист, а не в модель данных, из-за чего и здесь есть ограничения по объему информации.

Что касается интеграции облачной БД с сервисом QlikView, то для нее нужно создать аккаунт Google Client ID. При этом пользователи получат здесь обширный набор инструментов для визуализации данных. Кроме того, есть возможность для интеграции с Google BigQuery с сервисами BIME и Tableau: каждый из них обеспечивает достойную функциональность и имеет удобный коннектор.

Microsoft Power BI

Microsoft Power BI – это мощный профессиональный сервис для визуализации данных, интеграция с которым значительно увеличивает возможности Google BigQuery. Интегрировать их можно при помощи стандартного коннектора «из коробки», однако его возможности весьма ограничены. Лучше использовать для этих целей бесплатный драйвер Simba Drivers, который также подходит для связки BigQuery с электронными таблицами. Кроме того, подключить Microsoft Power BI можно при помощи R-коннектора, предварительно установив среду разработки RStudio.

Выводы

Итак, Google BigQuery – это мощная, удобная, функциональная и доступная по цене облачная база данных. С ее помощью можно загружать и всячески обрабатывать объемные массивы информации без необходимости аренды и администрирования сервера. Она поддерживает большинство ключевых опций современных СУБД, а также легко интегрируется со сторонними платформами для расширения ее функционала.

Хотите достигать целей в бизнесе, карьере и жизни быстрее и качественнее? Делайте это с Apix-Drive — инструментом, который удалит из вашей жизни 95% рутины в рабочих процессах, и освободит дополнительное время для реализации ваших целей. Без лишних слов — зарегистрируйтесь и проверить эффективность Apix-Drive прямо сейчас!

Google Аналитика

Узнайте об интеграции между Google Аналитикой и BigQuery, воспользовавшись примерами запросов и наборов данных, а также ознакомившись с подробными инструкциями в руководствах.

Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.

BigQuery Export и Google Аналитика 4

Примеры запросов

Воспользуйтесь примерами запросов для экспорта данных BigQuery из Google Аналитики. Вы можете работать как с собственными наборами данных, так и с нашими. Запросы можно использовать для разового анализа или встроить в конвейеры обработки данных.

Google BigQuery — зачем нужна облачная база данных

Ранее я публиковал цикл материалов о работе с Google BigQuery. В этой статье расскажу о преимуществах и особенностях сервиса, а также о дополнительных инструментах для BigQuery.

Google BigQuery — это облачная база данных с высочайшей скоростью обработки огромных массивов данных.

Как начать работу в Google BigQuery

Войдите в Google Cloud Platform. При первом запуске система предложит активировать бесплатный пробный период и получить кредит $300 на 12 месяцев. Честно говоря, чтобы потратить за год в BigQuery эту сумму, вам придется очень сильно постараться.

Для дальнейшей работы введите платежные данные.

Нажмите «Выбрать проект».

Затем — «Создать проект».

Примите условия использования платформы.

Наконец, назовите проект, задайте настройки уведомлений и еще раз согласитесь с условиями использования платформы.

После подтверждения подождите несколько минут.

Вскоре вы получите оповещение, что проект создан.

Перейдите в раздел оплаты и привяжите платежный аккаунт.

Теперь проект привязан к только что созданному платежному аккаунту.

Перейдите в интерфейс Google BigQuery и напишите свой первый запрос.

Чтобы открыть редактор запросов, нажмите «Compose query» или сочетание клавиш «Ctrl + Space».

Рассмотрим, как написать первый запрос на примере публичных данных в BigQuery. Возьмите первые 15 строк из таблицы project_tycho_reports, которая находится в наборе публичных данных lookerdata.

SELECT *FROM [lookerdata:cdc.project_tycho_reports]LIMIT 25

Запрос вернет результат:

Ранее я описывал самые простые способы загрузки собственных данных в Google BigQuery , а в этой статье расскажу, как загрузить данные с помощью языка R. Но перед этим разберем важный вопрос.

Анатилика — основа для оптимизации конверсий. Что вам даст CRO? Посчитайте с помощью калькулятора от Netpeak.

Почему стоит выбрать именно Google BigQuery

Скорость — это основное преимущество BigQuery, но не единственное. BigQuery — облачный сервис. При его использовании не понадобится арендовать сервер и оплачивать поддержку.

Стоимость BigQuery значительно ниже стоимости аренды самого примитивного сервера: даже если вы очень постараетесь и будете ежедневно записывать в эту базу данных миллионы строк, все равно вряд ли сможете потратить более $5.

Следующее преимущество — простота использования. В любой другой системе управления базами данных (СУБД) помимо знания SQL придется долго разбираться с тонкостями администрирования и настройками базы.

И если сам по себе SQL-диалект во всех базах данных очень похожий, то административная часть , как правило, везде устроена по-разному.

У BigQuery всю административную часть на себя взял Google. В этом сервисе нет никаких настроек, индексов, движков таблиц, тайм-аутов или внешних ключей. Реализована поддержка только одной кодировки UTF-8.

Для работы с BigQuery достаточно знать, как загрузить данные в BigQuery, и иметь базовые знания в SQL.

Несмотря на простоту, в BigQuery реализована поддержка практически всех функций СУБД:

• оконные функции ;
• хранение данных в виде структур (нереляционные возможности);
• представления и табличные выражения (common table expression).

Правда, на момент публикации статьи сервис не поддерживает:

• рекурсивные запросы;
• создание хранимых процедур и функций;
• транзакции.

Особенности SQL для Google BigQuery

BigQuery умеет переключаться между стандартным SQL и диалектами.

DML-операции INSERT, UPDATE и DELETE на данный момент поддерживаются только при использовании стандартного SQL.

Еще одно отличие между этими диалектами — способ вертикального объединения таблиц. В стандартном SQL для этого служит оператор UNION и ключевое слов ALL или DISTINCT:

SELECT 12 AS A, 32 AS BUNION ALLSELECT 2 AS A, 29 AS B

В собственном SQL-диалекте функционал для вертикального объединения таблиц значительно шире. Существует специальный набор функций подстановки таблиц (Table Wildcard Functions).

Этот способ объединения таблиц я уже подробно описывал ранее.

Для простого объединения достаточно просто перечислить названия нужных таблиц или подзапросы через запятую. Объединение запросов из примера выше на внутреннем диалекте SQL в BigQuery будет выглядеть так:

SELECT *FROM (SELECT 12 AS A, 32 AS B), (SELECT 2 AS A, 29 AS B)

Переключатель между SQL-диалектами в BigQuery находится в интерфейсе в блоке опций: нажмите кнопку Show options под редактором запросов.

С помощью галочки «SQL Dialect» переключитесь на нужный диалект.

Инструменты для работы с BigQuery

Мы уже разобрались, как загружать данные в базу и как обращаться к данным SQL запросами. Но вряд ли вы хотите взаимодействовать с данными, ограничившись этими возможностями. Скорее всего, вы загружаете данные для построения дашбордов или чего-то подобного.

Как получить данные в различных BI платформах, я писал в статьях об интеграции с электронными таблицами и Microsoft Power BI.

Microsoft Power BI, как и большинство популярных BI-систем и электронных таблиц, с июля 2017 года поддерживает интеграцию с Google BigQuery из коробки. У коннектора довольно скудные возможности: он не умеет обращаться к сохраненным представлениям или отправлять в BigQuery запросы. Пока что с помощью встроенного коннектора можно вытягивать только плоские таблицы.

Simba Drivers

Если вам необходимо получить данные из Google BigQuery в электронной таблице или BI-системе, которая из коробки не поддерживает интеграцию, воспользуйтесь бесплатным Simba Drivers.

Этот драйвер поддерживает все необходимые возможности, включая переключения SQL-диалектов. Подробности настройки ищите в моей статье о связке Microsoft Power BI и Google BigQuery.

Язык R

Язык R — один из самых мощных инструментов для работы с данными. Он умеет как получать данные из Google BigQuery, так и записывать их. Для этого удобнее всего пакет bigrquery.

Для начала установите язык R. Также для удобства работы с R я рекомендую установить интегрированную среду разработки RStudio.

Запустите RStudio и с помощью сочетания клавиш «Ctrl+Alt+Shift+0» откройте все доступные в ней панели. Чаще всего понадобятся панели Source и Console.

Для установки develop-версии пакета bigrquery из репозитория на GitHub предварительно установите пакет devtools. Введите в окно Source код, затем выделите его (зажмите левой кнопки мыши) и нажмите «Ctrl+Enter» для выполнения команды:

install.packages("devtools")

Теперь установите пакет bigrquery:

devtools::install_github("rstats-db/bigrquery")

Чтобы в R были доступны функции пакета, после установки подключите их с помощью команды library или require. Например, подключим пакет bigrquery с помощью кода:

library(bigrquery)

Структура данных в Google BigQuery состоит из проекта с набором данных, содержащим таблицы. Проект вы уже создали, а теперь для передачи информации создайте набор данных. Выберите в интерфейсе из выпадающего меню «Create new dataset».

Чтобы создать набор данных с помощью языка R, воспользуйтесь командой insert_dataset. Команда требует всего 2 аргумента:

project — ID проекта (возьмите из URL в BigQuery).

dataset — название нового набора данных.

Давайте создадим первый набор данных с названием myFirstDataSet. Введите в область Source приведенный ниже код, выделите команду с помощью мыши и нажмите «Ctrl+Enter» для выполнения.

insert_dataset(project = "myfirstproject-185308", dataset = "myFirstDataSet")

В окне Console в RStudio появится запрос о создании учетных данных, чтобы в дальнейшем не требовалась повторная аутентификация.

Введите на запрос Selection в Console ответ Yes и нажмите Enter. Откроется браузер — разрешите доступ к данным и получите авторизационный код.

Скопируйте сгенерированный код. Затем вставьте его в Console RStudio в ответ на запрос авторизационного кода и нажмите Enter.

Отлично, вы создали набор данных.

Теперь запишите встроенную в R таблицу mtcars в набор данных myFirstDataSet. Для передачи данных из R в BigQuery в пакете bigrquery есть функция insert_upload_job. Она принимает такие аргументы:

project — ID проекта (смотрите либо в URL проекта, либо в режиме переключения проектов).

dataset — название набора данных, куда вы планируете отправить данные. В нашем случае myFirstDataSet.

table — название таблицы с записанными данными.

values — data frame (таблица данных) в R с данными для передачи в BigQuery.

billing = project аккаунта для оплаты операции. По умолчанию — платежный аккаунт, который привязан к проекту.

create_disposition — опция для определения необходимых действий.
Если в BigQuery нет таблицы с заданным в аргументе table названием, укажите «CREATE_IF_NEEDED» — система создаст новую таблицу.
Если указать «CREATE_NEVER» и таблица с заданным именем не найдется в наборе данных, будет возвращена соответствующая ошибка.

write_disposition — опция для выбора добавления данных в существующую таблицу.
«WRITE_APPEND» — дописать данные в таблицу.
«WRITE_TRUNCATE» — перезаписать данные в таблице.
«WRITE_EMPTY» — записать данные для пустой таблицы.

Код для передачи в BigQuery встроенной в R таблицы mtcars:

insert_upload_job(project = "myfirstproject-185308", dataset = "myFirstDataSet", table = "mtcars_bigquery", values = mtcars, create_disposition = "CREATE_IF_NEEDED", write_disposition = "WRITE_APPEND")

При успешном выполнении операции в консоли R появится дополнительная информация, а в интерфейсе BigQuery — созданная таблица mtcars_bigquery.

Для запроса данных из BigQuery в R в пакете bigrquery предназначена функция query_exec. Основные аргументы:

query — текст SQL-запроса, результат которого вы хотите загрузить в R.

project — ID проекта для запроса данных.

page_size — максимальный размер возвращаемого результата в строках (по умолчанию 10 000).

max_pages — максимальное количество страниц возврата запросом (по умолчанию 10).

use_legacy_sql — выбор SQL-диалекта для обработки запроса.
По умолчанию задано значение TRUE с внутренним диалектом BigQuery.
Для стандартного диалекта SQL задайте в этом аргументе значение FALSE.

Для обратного запроса данных, которые вы отправили в BigQuery на прошлом шаге, задайте команду:

bq_mtcars_table 

В рабочем окружении (описание которого вы видите в окне Environment) появится новый объект bq_mtcars_table.

Выводы

Google BigQuery — простой и в то же время мощнейший инструмент для хранения и обработки данных. Это облачная база данных с поддержкой большинства функций СУБД.

Сервис обходится значительно дешевле содержания, поддержки и администрирования сервера для бесплатных баз данных (MySQL или PostgreSQL).

Надеюсь, мой цикл инструкций для начала работы с Google BigQuery упростит ваши будни.

Успехов в работе с большими данными!

Автор и преподаватель курса "Язык R для интернет - маркетинга".

Автор расширений (пакетов) для языка программирования R: rgoogleads, rfacebookstat, rytstat, rym и других.

Автор телеграмм канала R4marketing, который посвящён применению языка R в задачах интернет - маркетинга. Контент канала состоит из новостей, статей, докладов, вебинаров и релизов новых версий пакетов.

Узнайте больше

283

Обнаружили ошибку? Выделите ее и нажмите Ctrl + Enter.

SEO на этапе разработки сайта: пошаговый гайд по оптимизации

Зачем нужно SEO на этапе продвижения? Полный перечень SEO-требований к новому сайту.

Как, несмотря на падение спроса, увеличить органический трафик за год на 148%: кейс интернет-магазина тканей «Атлас»

Кроме увеличения количества страниц сайта в индексе, мы улучшали их видимость и позиции.

Apple Search Ads для COMFY: как увеличить количество установок приложения на 127% в e-commerce нише во время Черной Пятницы и Киберпонедельника 2023

Черная пятница и Киберпонедельник уже скоро. В RadASO подготовили пошаговый гайд для Apple Search Ads, как использовать эти праздники в свою пользу в 2023-м году.

В чем сила Google BigQuery: как маркетологу извлечь максимум из данных

В своей работе я нередко сталкиваюсь с тем, что маркетологи упираются в ограничения Google Analytics и от этого страдает точность и качество их отчетов. При этом обойти эти ограничения можно, оставаясь в инфраструктуре Google. В статье расскажу, как с помощью Google BigQuery решить эту проблему и получить максимум от данных.

6.8K открытий
В чем измеряется эффективность отчета

Анализ в маркетинге всегда начинается с формулировки конкретных вопросов и целей. Например, понять, какие процессы происходят в бизнесе, какая динамика его развития, какие каналы приносят деньги, а какие не стоят вложений.

Задача отчета — ответить на конкретный вопрос . Эта задача решается путем измерения и сравнения нужных показателей, чтобы получить понятную картину из цифр. Именно этот результат и должен ответить на изначальные вопросы и помочь решить, что делать дальше.

Если на этапе подготовки отчета вы что-то упустили из виду или не учли, отчет уже нельзя будет назвать точным и эффективным. Как результат — риск принять неправильное решение, потерять деньги и, что даже более важно, время.

Отчеты Google Analytics

Для сбора данных из рекламных сервисов и построения отчетов маркетологи часто используют Google Analytics. Основная версия этого сервиса — бесплатна. Кроме того, сервис — часть инфраструктуры Google, что объясняет легкость интеграции с его другими продуктами.

Тем не менее, в Google Analytics существует ряд ограничений, которые не позволяют извлечь из данных максимум — то есть можно оценить лишь часть общей картины. Например:

• Семплирование. Это, пожалуй, одно из главных ограничений:, Google Analytics строит отчет только на части данных. Как результат — такой отчет нельзя будет считать объективным, а цифры — точными.
• Агрегированные данные. Для каждого представления в ресурсе Google Analytics формирует таблицы, в которых часть от полных данных отфильтрована по определенным параметрам, например, по пользователям (users::condition::) или по сессиям (sessions::condition::). Таким образом, невозможно получить объективный взгляд на действия пользователей без дополнительной обработки, то есть анализировать сырые данные.
• Время обработки данных. В среднем обработка занимает от 24 до 48 часов, поэтому быстро тестировать гипотезы и следить за эффективностью рекламы в реальном времени не получится. Учитывая то, что ценность информации со временем снижается, этот фактор довольно критичный.
• Сложно интегрировать с сервисами, которые не являются частью Google. Подключить данные из Google-сервисов будет довольно просто, но данные из других источников придется загружать вручную или использовать ETL-сервисы по типу OWOX BI, Funnel.io.
• Нельзя автоматически загружать данные из СRМ и офлайн источников. Единственная возможность добавить в отчеты такие данные — загрузить их вручную.

В итоге, несмотря на то, что с помощью Google Analytics действительно можно собрать данные о рекламе и даже построить отчеты, многое остается «за кадром». Например, можно решить отключить рекламу, которая, согласно отчету, приносит мало конверсий. Но если данных недостаточно (например, вы не учли ROPO-продажи), действительно ли проблема в этом канале можно будет понять только со временем.

Как Google BigQuery может помочь

Чтобы обойти все эти ограничения, аналитики часто выбирают Google BigQuery, который обеспечивает свободу действий и гибкость в использовании. Это система управления базами данных и часть Google Cloud Platform, куда входит еще более 40 инструментов для работы с данными.

Основная ценность отчетов, построенных на данных GBQ состоит в их скорости и гибкости. Таким отчетам можно доверять. Если, конечно, настроить качественную передачу данных из всех необходимых источников — но и это BigQuery позволяет сделать.

Для наглядности, можно рассмотреть основные преимущества BigQuery в сравнении с Google Analytics:

Какие данные и как собрать в BigQuery

Представьте себе картину – все данные о поведении пользователя с сайта, мобильного приложения, CRM, рекламных сервисов и многих других источников объединены вместе. Вы видите полную картину и строите абсолютно любые отчеты – performance-отчет, ROPO-отчет и что угодно другое. Приятно, не правда ли. Так вот все это можно сделать в Google BigQuery.

И если аналитикам Google BigQuery уже давно знаком, то маркетологам он часто кажется сложным. На самом деле, существует много инструментов, которые не только соберут данные в Google BigQuery, но еще и упорядочат и очистят их. Более того, этот процесс можно автоматизировать, что сократит время настройки до минимума. В своей предыдущей статье я рассказывал о 10 инструментах для маркетинговой отчетности. Вы можете выбрать тот из них, который интегрируется с нужными вам источниками и оптимален в соотношении цены и функционала. Например, для своих проектов я использую OWOX BI, несмотря на то, что у Funnel больше возможных интеграций. Я выбираю достаточный функционал и не хочу переплачивать за фичи, которыми не буду пользоваться.

Чтобы настроить импорт рекламных расходов в Google BigQuery, я просто выбираю рекламный сервис (например, Facebook, ВКонтакте, MyTarget, Яндекс.Маркет) в интерфейсе OWOX BI и даю нужные доступы. Таким же образом собираю сырые данные с сайта и, если надо, из мобильного приложения. На самом деле, путь несколько сложнее, но у сервиса есть подробная документация и, пройдя этот путь единожды, сможете делать дальше с закрытыми глазами.

Что делать c собранными данными

На этом этапе начинается настоящая магия возможностей с Google BigQuery. В первую очередь, Google BigQuery теперь служит источником данных для отчета. А дальше можно фантазировать как угодно и строить все необходимые отчеты с любыми параметрами. Единственное ограничение — под разные отчеты надо создавать отдельные наборы данных, для которых часто нужна помощь или аналитика, или того же инструмента, с помощью которого мы передавали данные.

Имея на руках полные и структурированные данные, гораздо легче извлекать из них ценные инсайты. С этим помогут сервисы отчетности и визуализации, которые можно подобрать под любые потребности и бюджет. Собственно, еще одно преимущество BigQuery, которое облегчает жизнь маркетологам — данные оттуда можно легко передавать в другие продукты.

Самые популярные бесплатные сервисы – Google Data Studio и Google Sheets. Data Studio известен благодаря огромной галерее шаблонов, что позволяет здорово сэкономить время и визуализировать отчеты. В ситуации, если у вас нет аналитика и вам не нужны сложные когортные отчеты, то вы просто идете в галерею Data Studio, выбираете нужный отчет и подключаете данные из Google BigQuery.

Вряд ли найдутся маркетологи, которые бы не использовали о Google Sheets. Этот инструмент позволяет создавать диаграмы, визуализации и даже интерактивные отчеты. Данные из BigQuery можно бесплатно передавать в Google Sheets, например, с помощью аддона. Например, у меня таким образом настроены отчеты по активности пользователей, по сведению плановых и фактических расходов.

Эффективные маркетинговые отчеты позволяют понять, как повысить доход и на какие слабые места надо обратить внимание. Но для того, чтобы отчетам действительно можно было доверять, надо быть уверенным в качестве, точности и полноте данных.

Последних три пункта может обеспечить Google BigQuery. Также он позволяет хранить данные в удобной структуре и легко передавать их в другие продукты.

Если между маркетологом и данными не стоит аналитик, то у маркетолога есть постоянный доступ к данным в понятной форме. Так он может быстро найти и протестировать новые подходы, а также быть уверенными в объективности полученных результатов. Время — настоящая ценность в мире маркетинга. Чем раньше найти сильные и слабые места в маркетинговой стратегии, тем больше у компании преимуществ перед конкурентами.