Google BigQuery is een krachtige datawarehouse oplossing van Google en is onderdeel van het Google Cloud platform. Voor velen is Google BigQuery echter nog een vreemd terrein, laat staan dat je precies weet wat je er mee kan en moet. Vandaar dit artikel om met 10 redenen uit te leggen waarom Google BigQuery zo waardevol is en waarom je vandaag nog moet beginnen om er zelf mee aan de slag te gaan!
1. Data in eigen beheer
Een groot voordeel van het opslaan van data in een datawarehouse is dat je alle data in eigen beheer hebt. Je bepaalt dus zelf wat je met de data doet en wanneer je deze eventueel weer verwijdert. Je bent hierbij dus niet afhankelijk van andere partijen voor het aanroepen van de data. Zo kunnen partijen ervoor kiezen om data af te schermen van de buitenwereld en deze niet meer beschikbaar te stellen of hanteren ze een bewaartermijn van bijvoorbeeld enkele maanden waarna de data niet meer toegankelijk is. Een goed voorbeeld hiervan is Google Search Console. Google Search Console bevat zeer waardevolle informatie over je organische zoekverkeer. Echter, de bewaartermijn is 16 maanden. In Google Search Console is er dan ook geen data beschikbaar die ouder is dan die 16 maanden. Als je die gegevens in een eigen datawarehouse hebt staan, dan ondervind je daar geen hinder van.
2. Koppelen met Google producten
Google BigQuery is natuurlijk onderdeel van Google. Google heeft het daarbij mogelijk gemaakt om Google BigQuery eenvoudig te koppelen met een aantal veelgebruikte platformen van Google. Denk hierbij GA4, Google Ads, Google Search Console, Display & Video 360 en een YouTube kanaal. Voor het maken een koppeling met deze platformen heb je niet veel technische kennis nodig. Met relatief weinig tijd en kennis die je daarvoor nodig hebt integreer je bijvoorbeeld eenvoudig de data van je Google Ads campagnes in Google BigQuery.
3. Ook koppelen met andere databronnen dan Google
Natuurlijk is Google BigQuery niet gelimiteerd tot alleen data van Google zelf. Alle denkbare vormen van zowel online als offline data waar je toegang tot hebt kan worden opgeslagen in Google BigQuery. Hiervoor kunnen vaak directe koppelingen worden gemaakt met andere online platformen. Denk bijvoorbeeld aan advertising platformen zoals Google, Meta en LinkedIn of CRM systemen zoals Zoho CRM of Salesforce. Voor offline data heb je zelfs de mogelijkheid om data te uploaden naar Google BigQuery. Ook bestaat de mogelijkheid om data eerst op te slaan in Google Sheets en vervolgens te koppelen aan Google BigQuery.
Het maken van directe koppelingen tussen Google BigQuery en andere platformen is niet altijd even makkelijk op te zetten. Enige technische expertise is soms wel vereist. Gelukkig zijn er tools in de markt die daarbij kunnen helpen. Dit zijn zogeheten ETL tools. ETL staat voor Extract, Transform en Load waarbij je data simpelweg kunt ophalen (Extract), onderweg waar nodig bewerken (Transform) en vervolgens inladen in een (ander) systeem (Load). Deze tools maken het heel toegankelijk om data uit bijvoorbeeld Microsoft Ads of een CRM systeem als Zoho CRM op te halen en op te slaan in Google BigQuery zonder dat je daarbij een data engineer hoeft in te huren.
4. Databronnen met elkaar verbinden
Maak je gebruik van veel verschillende databronnen waar je data versplinterd is opgeslagen, dan is Google BigQuery een mooie centrale oplossing om al je data te huisvesten. Vanuit één plek heb je vervolgens de mogelijkheid om de verschillende databronnen met elkaar te laten werken. Denk hierbij bijvoorbeeld aan de volgende use-cases waar BigQuery je bij kan helpen:
Totaal overzicht van je advertising kanalen: Draai je advertenties op bijvoorbeeld Facebook, Google Ads en LinkedIn Ads? Breng deze bronnen dan samen met GA4 onder in Google BigQuery en koppel de cijfers vervolgens aan elkaar. Zo krijg je o.a. inzicht in de totale advertising uitgaven en het rendement vanuit elk kanaal.
GA4 sessie tot backend klant: Heb je een B2B website met een lange customer journey? Dan meet je in GA4 vaak alleen maar het eerste contactmoment met een lead. Zodra een lead een formulier op de website heeft ingevuld, meet je daarna niet meer in GA4 wat er vervolgens met de lead gebeurt. De lead kan mogelijk een hele waardevolle klant zijn geworden. Deze gegevens heb je uiteraard wel in je backend beschikbaar, maar idealiter wil je deze samenbrengen. Door backend-data en GA4 data aan elkaar te verbinden in Google BigQuery, heb je betere inzichten in de volledige customer journey van leads en klanten vanaf het moment dat ze voor het eerst op de website terecht zijn gekomen. Dit helpt je ook om veel beter het resultaat van je online campagnes in kaart te brengen.
Google Organic & Paid analyse: Heb je Google Ads en Google Search Console gekoppeld aan Google BigQuery? Dan vormt dat de ideale basis voor een uitgebreide zoekwoordenanalyse. Door beide datasets te gebruiken ontdek je onder meer op welke zoekwoorden je veel geld uitgeeft waar je nog niet organisch op gevonden wordt en of er organische zoekwoorden zijn met een veel volume waar je nog niet op adverteert en mogelijk kansen laat liggen.
Dit zijn slechts enkele voorbeelden van analyses die je kunt uitvoeren in Google BigQuery door verschillende datasets met elkaar te combineren.
Heb je de beschikking over Google BigQuery, dan is het maken van een koppeling met GA4 echt een no-brainer. De koppeling tussen GA4 en Google BigQuery is met een paar klikken gemaakt direct vanuit de GA4 interface. Na het maken van deze koppeling wordt elke hit vanaf dat moment in Google BigQuery geregistreerd.
Het koppelen van GA4 aan BigQuery brengt vele voordelen met zich mee waaronder:
In Google BigQuery beschik je over de volledige ruwe GA4 dataset van elke hit. Daarbij heb je ook niet te maken met steekproeven of limieten wat betreft het aantal rijen.
Je bent niet meer afhankelijk van de GA4 interface voor het benaderen van je data. De GA4 interface vormt voor velen vandaag de dag nog steeds een flink struikelblok. Door de GA4 interface weg te nemen heb je toegang tot de ruwe onderliggende dataset.
Data in Google BigQuery kan je koppelen aan andere datasets zoals je eigen CRM data.
Google BigQuery kan met de juiste queries een stuk sneller de gewenste gegevens voorschotelen die je nodig hebt dat vanuit de GA4 interface.
Gebruik je Looker Studio met GA4 als databron? Dan heb je kans dat je tegen API limieten aanloopt als je teveel data binnen een bepaald tijdsbestek oproept. Dit probleem heb je niet wanneer je gebruik maakt van de GA4 dataset vanuit Google BigQuery.
Voor het oplossen van meetprobleem of het testen van metingen via het Measurement Protocol helpt Google BigQuery je een stuk beter uit de voeten. Met de ruwe data zie je veel duidelijker of bepaalde parameters zoals je Client ID en Session ID goed worden geregistreerd.
6. (Geavanceerde) data analyses uitvoeren
Heb je grote hoeveelheden data opgeslagen in Google BigQuery? Dan wil je daar natuurlijk ook gebruik van kunnen maken en de data voor je laten spreken. Gelukkig is Google BigQuery daar uitermate geschikt voor. Of je nou terabytes of petabytes aan data hebt, Google BigQuery is in staat om in korte tijd zeer grote hoeveelheden data te analyseren. Hiervoor is wel enige SQL kennis van de gebruiker vereist om de juiste queries mee te schrijven om tot de juiste inzichten te komen.
Echt krachtig wordt het gebruik van Google BigQuery in combinatie met Machine Learning modellen. Dat kan met behulp van BigQuery ML. BigQuery ML is een onderdeel van Google BigQuery waarmee je direct in Google BigQuery Machine Learning modellen kunt maken en trainen op basis van je eigen datasets. BigQuery ML biedt diverse Machine Learning modellen aan. Dit klinkt allemaal erg complex, maar omdat je de modellen kunt maken en training via SQL vanuit Google BigQuery wordt het gebruik ervan een stuk toegankelijker gemaakt. Het toepassen van machine learning kan je onder andere helpen om voorspellingen te doen op je dataset door bijvoorbeeld klantverloop of verkopen te voorspellen.
7. Kunstmatige intelligentie toepassen op de datasets
Het gebruik van kunstmatige intelligentie (A.I.) heeft de afgelopen jaren in een stroomversnelling gezeten. Geen dag gaat voorbij of je hebt er bewust of onbewust gebruik van gemaakt. A.I. wordt ook steeds meer verwerkt in bestaande toepassingen die we dagelijks gebruiken. Dat is Google ook niet vreemd. Binnen Google BigQuery is het namelijk mogelijk om gebruik te maken van Google Gemini, de A.I. chatbot van Google. Enerzijds kan Google Gemini je ondersteunen bij het begrijpen en schrijven van SQL queries. Anderzijds kan je Google Gemini direct gebruiken in je SQL query en toepassen op je dataset. Voorbeeld: Je hebt een productfeed in Google BigQuery met honderden producten met vele productkenmerken, maar er ontbreekt nog een productomschrijving per product. Dit is een perfecte usecase om vanuit Google BigQuery met behulp van Google Gemini een productomschrijving te genereren op basis van de gegevens die je wel beschikbaar hebt in je productfeed.
8. BigQuery datasets koppelen met andere systemen
Google BigQuery is een veelzijdige data-warehouse oplossing die je ook nog eens kunt koppelen aan diverse externe tools en platforms. Dat maakt het dus mogelijk om de tabellen die je hebt aangemaakt in BigQuery te gebruiken in andere systemen. Heb je je data op orde, dan kan je deze bijvoorbeeld verbinden met je marketing automation platform of je CDP. Je gebruikt dan je eigen data uit Google BigQuery om bijvoorbeeld je emailmarketing campagnes mee te voeden of om gepersonaliseerde content te vertonen vanuit je CDP. Een andere use case is het koppelen van BigQuery aan een datavisualisatie platform zoals Tableau, Power BI of Looker Studio. Vanuit Looker Studio is er standaard een Google BigQuery koppeling beschikbaar zodat je eenvoudig met een paar klikken de data vanuit Google BigQuery kunt koppelen en visualiseren in een prachtig dashboard.
9. First-party data bepaalt de toekomst
De term Cookieless Era is je de afgelopen jaren vast niet ontgaan. Het wordt steeds moeilijker of zelfs onmogelijk om data van derde partijen te gebruiken voor eigen gebruik. Google is al lange tijd bezig om het gebruik van third-party cookies uit te faseren (wat al meerdere malen is uitgesteld). Eén ding is zeker en dat is dat eigen data (first-party data) erg waardevol is en gaat zijn in de toekomst. Je wilt immers niet afhankelijk zijn van andere partijen voor je eigen succes. Neem daarom het heft in eigen handen en ga aan de slag met een first-party strategie. Google BigQuery is daar vervolgens een belangrijke schakel in om alle data in te verzamelen en te verwerken zodat data in eigen beheer blijft en je zelf volledig de controle hebt over jouw eigen data.
10. Gratis $300,- tegoed van Google
Zit je nog steeds te twijfelen of je gebruik moet maken van de Google Cloud? Nieuwe klanten krijgen van Google $300,- tegoed om te gebruiken binnen het gehele Google Cloud platform (binnen 90 dagen). Dat is ruim voldoende om in mee aan de slag te gaan binnen Google BigQuery en om op die manier te ontdekken hoe het platform werkt en wat het voor je kan betekenen.
Het moge duidelijk zijn dat Google BigQuery een zeer waardevolle asset is voor je organisatie in de online wereld. Wil je hier nu ook mee aan de slag gaan en kan je wel wat hulp gebruiken? Neem dan gerust contact met ons op! Wij helpen je graag verder met al je vraagstukken omtrent Google BigQuery!
Steven van Eck is sinds september 2009 werkzaam bij SDIM en hiermee een van de werknemers met het langste dienstverband. Steven is een zeer ervaren Google Analytics en data expert en richt hij zijn aandacht op tools en ontwikkeling.
Reacties (0)