Бюджетный способ построения собственного “data‑warehouse” на Google BigQuery + GA4

Вы когда-нибудь задумывались, почему одни компании точно знают, кто именно приходит на их сайт, как ведут себя посетители и какие каналы приносят реальные продажи — а другие всё ещё полагаются на «интуицию» и усреднённые отчёты из Google Analytics 4? Проблема не в том, что у них меньше трафика. Проблема — в данных. И если вы не умеете собирать, хранить и анализировать их системно, вы теряете контроль над своим бизнесом. Хорошая новость: вам не нужно тратить десятки тысяч долларов на сложные BI-системы или нанимать команду аналитиков. Бюджетный, но мощный способ построить собственный data-warehouse — использовать Google BigQuery в связке с GA4. Это не просто альтернатива. Это революция в понимании поведения пользователей.

Представьте, что ваша компания — это корабль. GA4 — это система навигации, которая показывает вам курс. Но если вы не можете хранить все данные о ветрах, течениях, уроках прошлых рейсов и поведении экипажа — вы не сможете научиться предсказывать штормы или находить новые маршруты. BigQuery — это ваше хранилище, где вы сохраняете всё: от кликов на кнопке «Купить» до времени, проведённого на странице с ошибкой 404. И всё это — бесплатно до определённого объёма. В этой статье мы разберём, как собрать из GA4 полную и структурированную базу данных, превратить её в надёжный data-warehouse и использовать для принятия решений, которые реально влияют на прибыль.

Что такое data-warehouse и зачем он нужен маркетологу

Слово «data-warehouse» звучит как термин из научной фантастики. Но на деле это просто хранилище данных — упорядоченное, структурированное и доступное для анализа. В отличие от обычных баз данных, которые оптимизированы для операций ввода-вывода (например, при регистрации пользователя), data-warehouse создан для глубокого анализа. Он собирает информацию из множества источников: веб-сайты, CRM, email-рассылки, рекламные кабинеты — и превращает их в единый источник правды.

Почему это важно для владельца бизнеса? Потому что сегодня маркетинг — это не просто реклама в соцсетях. Это точная наука, основанная на данных. Допустим, вы запускаете рекламную кампанию в Яндекс.Директе и Google Ads. Вы видите, что прибыль с этих кампаний растёт. Но почему? Потому что реклама хорошая? Или потому, что после клика пользователь заходит на сайт, читает статью, возвращается через соцсети и только потом покупает? Без data-warehouse вы никогда не узнаете. Вы будете видеть фрагменты: «100 кликов, 5 конверсий». А настоящая картина — «100 кликов, 25 просмотров статей, 8 возвратов через Instagram, 3 покупки» — останется скрытой.

BigQuery позволяет вам не просто смотреть отчёты GA4, а сохранять сырые данные — каждое событие, каждый параметр, каждую сессию. Это как иметь доступ к полному логу всех посещений, а не только к сводке «10 000 пользователей за месяц». Вы можете отвечать на вопросы, которые раньше казались невозможными:

• Какие страницы чаще всего приводят к покупкам, даже если пользователь не заходил на страницу продукта?
• Какие группы пользователей чаще всего покидают сайт после первого просмотра, и почему?
• Какие каналы приводят к самым дорогим клиентам, а не просто к самым большим объёмам трафика?
• Как изменяется поведение пользователей после запуска нового дизайна сайта?

Без data-warehouse вы остаётесь в тени. С ним — вы видите всю картину.

Как GA4 и BigQuery работают вместе: техническая основа

Google Analytics 4 — это современная система аналитики, которая заменила Universal Analytics. Она собирает события: «page_view», «purchase», «scroll», «click» — и привязывает их к пользователю через уникальный идентификатор. Но в стандартном интерфейсе GA4 вы видите только агрегированные данные. Фактически, Google хранит в GA4 гораздо больше информации, чем показывает. И именно здесь на сцену выходит BigQuery.

BigQuery — это облачный data-warehouse от Google. Он позволяет хранить и анализировать огромные объёмы данных с помощью SQL — того же языка, который используют базы данных. Главное преимущество: он масштабируемый, быстрый и имеет бесплатный тариф. Для большинства малых и средних бизнесов хватает 10 ГБ бесплатного хранилища в месяц и 1 ТБ запросов на анализ — это более чем достаточно, чтобы начать.

Связка GA4 + BigQuery работает так:

1. Вы включаете экспорт данных из GA4 прямо в BigQuery.
2. Каждый день Google автоматически отправляет туда все события, зафиксированные в GA4 — с полной детализацией: время клика, устройство, источник трафика, параметры покупки и даже кастомные события.
3. Данные сохраняются в таблицах, которые вы можете запрашивать как обычную базу данных.
4. Вы пишете SQL-запросы, чтобы находить закономерности: например, «показать всех пользователей, которые совершили покупку после трёх просмотров страницы с отзывами».

Это не требует программирования на уровне разработчика. Достаточно базовых знаний SQL — а их легко освоить за пару недель. Главное — понимать, что именно вы хотите узнать.

Что попадает в BigQuery из GA4?

Когда вы подключаете GA4 к BigQuery, в таблицу экспортируются следующие ключевые данные:

• Сессии: время начала, продолжительность, источник, канал, город, устройство.
• Пользователи: уникальный идентификатор, первый визит, повторные посещения.
• События: стандартные (page_view, purchase, scroll, outbound_link_click) и кастомные (например, «clicked_video», «opened_faq»).
• Параметры событий: например, «item_name» для покупок, «page_title» для просмотров страниц.
• Пользовательские свойства: если вы настроили, например, «user_type: premium» или «customer_segment: B2B».

Важно: все данные сохраняются в сыром виде — без агрегации. Это значит, что вы можете отфильтровать даже одного пользователя и проследить его путь до покупки. Такой уровень детализации невозможно получить в стандартном GA4.

Чем это лучше, чем просто GA4 или старый Universal Analytics?

В старом Universal Analytics вы могли экспортировать данные в Excel или Google Sheets — но только с ограничениями по объёму и частоте. GA4 в стандартном интерфейсе — это «сводка», а не анализ. Вы видите, сколько пользователей пришло, но не можете ответить на вопрос: «Какие 5 страниц привели к самым высоким конверсиям среди пользователей, которые зашли с мобильного телефона в 22:00?»

BigQuery решает эту проблему. Вы можете:

• Соединять данные: например, объединить покупки из GA4 с данными о клиентах из вашей CRM.
• Создавать кастомные метрики: например, «средний доход на пользователя с 3+ просмотрами».
• Сохранять историю: данные в BigQuery хранятся месяцами, а не днями — как в GA4.
• Автоматизировать отчёты: можно настроить автоматическую отправку результатов запросов в Google Sheets или Excel каждое утро.

Таким образом, GA4 — это сборщик данных. BigQuery — их анализатор. Вместе они создают мощную систему, которую раньше могли позволить себе только крупные компании.

Пошаговое руководство: как настроить экспорт GA4 в BigQuery

Теперь перейдём к практике. Ниже — пошаговая инструкция, как настроить экспорт данных из GA4 в BigQuery. Даже если вы никогда не работали с SQL или облачными сервисами — следуйте этим шагам, и у вас всё получится.

Шаг 1: Подготовка Google Cloud Project

Вам нужно создать проект в Google Cloud Platform (GCP). Это бесплатно.

1. Перейдите на console.cloud.google.com (если у вас нет аккаунта — зарегистрируйтесь).
2. Нажмите «Создать проект» и введите название, например: «my-business-analytics».
3. Выберите регион — подойдёт любой, но лучше «Европа» или «США» для скорости.
4. Нажмите «Создать».

Шаг 2: Включить BigQuery API

После создания проекта в левом меню перейдите в «API и сервисы» → «Библиотека». В поиске наберите «BigQuery API» и включите её. Это займет минуту.

Шаг 3: Настроить биллинг

BigQuery работает бесплатно до определённого объёма, но Google требует привязать платёжную карту — даже для бесплатного использования. Это стандартная практика, чтобы предотвратить несанкционированные расходы. Вы не будете платить, пока не превысите лимиты (10 ГБ хранения и 1 ТБ запросов в месяц).

Перейдите в «Счёт и биллинг» → «Привязать счёт» → добавьте карту. Не волнуйтесь — если вы не превысите лимит, с вас ничего не спишут.

Шаг 4: Подключить GA4 к BigQuery

Теперь перейдите в интерфейс GA4:

1. Откройте analytics.google.com.
2. Выберите ваш аккаунт и свойство GA4.
3. Внизу слева нажмите «Администрирование» (иконка шестерёнки).
4. В разделе «Свойство» выберите «Экспорт данных в BigQuery».
5. Нажмите «Настроить экспорт».

Здесь вам нужно:

• Выбрать проект Google Cloud, который вы создали на шаге 1.
• Указать имя базы данных — например, «ga4_mybusiness».
• Выбрать частоту экспорта: «ежедневно» — достаточно для большинства бизнесов.
• Включить экспорт.

После этого Google начнёт экспортировать данные. Первый экспорт произойдёт через 24 часа. В течение этого времени проверьте, что в Google Cloud Console появилась новая база данных с названием, которое вы указали.

Шаг 5: Проверьте экспорт

Через день зайдите в Google Cloud Console → BigQuery. Вы увидите новую базу данных, например: «ga4_mybusiness». Внутри неё будут таблицы в формате:

• events_20241005
• events_20241006
• events_intraday_20241006

Это таблицы событий по дням. Каждая запись — это одно событие: клик, просмотр, покупка. Попробуйте выполнить простой запрос:

SELECT event_name, COUNT(*) as count
FROM `ga4_mybusiness.events_20241005`
GROUP BY event_name
ORDER BY count DESC

Этот запрос покажет, какие события происходили 5 октября. Вы увидите что-то вроде:

Это и есть ваша первая база данных. Теперь вы можете начать анализировать её.

Практические кейсы: как использовать BigQuery для роста бизнеса

Теория — это хорошо. Но что делать дальше? Вот реальные кейсы, которые можно применить уже завтра.

Кейс 1: Найдите «скрытые» каналы привлечения

Представьте, что вы думаете: «Самый эффективный канал — Google Ads. Он приносит 60% продаж». Но когда вы начинаете анализировать сырые данные в BigQuery, вы замечаете: 40% покупок совершаются пользователями, которые сначала пришли через органический поиск, потом вернулись по прямой ссылке — и только после этого кликнули на рекламу.

Вот запрос, который покажет такие «последовательные» пути:

SELECT
  first_session_source,
  last_session_source,
  COUNT(DISTINCT user_pseudo_id) as users,
  SUM(CASE WHEN event_name = 'purchase' THEN 1 ELSE 0 END) as purchases
FROM `ga4_mybusiness.events_*`
WHERE _table_suffix BETWEEN '20240901' AND '20240930'
  AND user_pseudo_id IN (
    SELECT DISTINCT user_pseudo_id
    FROM `ga4_mybusiness.events_*`
    WHERE _table_suffix BETWEEN '20240901' AND '20240930'
      AND event_name = 'purchase'
  )
GROUP BY first_session_source, last_session_source
HAVING purchases > 5
ORDER BY purchases DESC

Результат: вы обнаруживаете, что 23% покупок приходят через комбинацию «органика → прямой заход → реклама». Это означает, что ваш бренд стал узнаваемым — и люди возвращаются к вам без рекламы. Теперь вы можете увеличить бюджет на контент-маркетинг, а не только на платную рекламу.

Кейс 2: Снижайте отказы с помощью анализа поведения

У вас высокий процент отказов — 70%. В GA4 вы видите только «70% ушли после первой страницы». А в BigQuery вы можете посмотреть: на какой именно странице они уходят? Что они смотрели до этого?

SELECT
  event_params.value.string_value as page_title,
  COUNT(*) as exits,
  AVG(TIMESTAMP_DIFF(event_timestamp, first_event_timestamp, SECOND)) as avg_time_on_page
FROM `ga4_mybusiness.events_*`,
  UNNEST(event_params) as event_params
WHERE _table_suffix BETWEEN '20240901' AND '20240930'
  AND event_name = 'page_view'
  AND user_pseudo_id IN (
    SELECT DISTINCT user_pseudo_id
    FROM `ga4_mybusiness.events_*`
    WHERE _table_suffix BETWEEN '20240901' AND '20240930'
      AND event_name = 'session_start'
    EXCEPT DISTINCT
    SELECT DISTINCT user_pseudo_id
    FROM `ga4_mybusiness.events_*`
    WHERE _table_suffix BETWEEN '20240901' AND '20240930'
      AND event_name = 'purchase'
  )
GROUP BY page_title
ORDER BY exits DESC
LIMIT 10

Выясняется: 45% пользователей уходят после просмотра страницы «Цены». Но те, кто смотрят страницу «Отзывы» перед ценами — остаются на 37% дольше. Вывод: добавьте блок отзывов перед ценами — и отказы снизятся.

Кейс 3: Оптимизируйте рекламные бюджеты по реальной цене клиента

Вы тратите 10 000 рублей на рекламу в соцсетях. Получаете 50 клиентов. Значит, СТО = 200 рублей. Но это неправильно. Потому что вы не знаете, сколько денег эти клиенты тратят в будущем.

В BigQuery вы можете подсчитать LTV — Lifetime Value (длительная стоимость клиента). Просто объедините GA4 с данными о покупках из CRM. Допустим, у вас есть таблица «customers» с полем «total_spent». Тогда:

SELECT
  campaign_name,
  COUNT(DISTINCT user_pseudo_id) as customers,
  SUM(c.total_spent) as total_revenue,
  SUM(c.total_spent)/COUNT(DISTINCT user_pseudo_id) as ltv
FROM `ga4_mybusiness.events_*`
JOIN customers c ON user_pseudo_id = c.ga_user_id
WHERE _table_suffix BETWEEN '20240901' AND '20240930'
  AND event_name = 'purchase'
GROUP BY campaign_name
ORDER BY ltv DESC

Вы обнаруживаете, что реклама в Telegram-каналах приносит меньше клиентов, но их LTV на 200% выше. Теперь вы перераспределяете бюджет — и рост прибыли увеличивается в 2 раза, даже если трафик упадёт.

Кейс 4: Прогнозируйте продажи на основе поведения

Если вы заметили, что пользователи, которые смотрят 4+ страницы и проводят на сайте более 5 минут — покупают с вероятностью 68%, вы можете создать модель предсказания. Просто сохраните эти правила и используйте их для таргетинга в рекламе. Например: «Покажите рекламу только тем, кто заходил на сайт 2+ раза и смотрел страницы «Услуги» и «Отзывы» — они на 70% чаще покупают».

Это невозможно в стандартных рекламных системах. Только с data-warehouse.

Частые ошибки и как их избежать

Многие начинают с BigQuery, но сталкиваются с проблемами. Вот самые распространённые — и как их решить.

Ошибка 1: «Я не понимаю SQL»

Вы не обязаны быть программистом. Но вы должны понимать базовые конструкции:

• SELECT — что вы хотите увидеть.
• FROM — из какой таблицы.
• WHERE — фильтр (например, только покупки).
• GROUP BY — группировка (например, по дням или каналам).
• ORDER BY — сортировка.

Используйте бесплатные курсы: «SQL для начинающих» на YouTube или платформах вроде SQLZoo. Потратьте 3 часа — и вы сможете писать запросы самостоятельно.

Ошибка 2: «Я не знаю, какие данные анализировать»

Начните с простого. Задайте себе 3 вопроса:

1. Какие пользователи покупают чаще всего?
2. На каких страницах люди уходят с сайта?
3. Какие кампании приносят больше всего денег, а не просто кликов?

Ответы на них — ваш первый анализ. Потом вы добавите больше.

Ошибка 3: «Я не могу найти нужную таблицу»

В BigQuery таблицы имеют формат: events_YYYYMMDD. Чтобы выбрать данные за месяц, используйте:

FROM `project.dataset.events_*`
WHERE _table_suffix BETWEEN '20240901' AND '20240930'

Используйте «_table_suffix» — это специальный параметр, который позволяет выбирать диапазон таблиц по дате.

Ошибка 4: «Я не понимаю, как смотреть результаты»

Результаты запросов можно экспортировать в Google Sheets. В интерфейсе BigQuery нажмите «Экспорт» → «Google Sheets». Вы получите таблицу, которую можно использовать для отчётов и презентаций.

FAQ

Стоит ли использовать BigQuery, если у меня маленький сайт с 500 посетителями в месяц?

Да, стоит. Даже при небольшом трафике вы получаете доступ к данным, которые в GA4 недоступны. Например: кто именно пришёл с какого устройства, какие ссылки кликал, как долго думал перед покупкой. Эти детали помогают улучшить UX — и увеличить конверсию.

Можно ли объединять данные GA4 с CRM или email-системами?

Да. Если в вашей CRM есть поле «GA User ID» — вы можете соединить таблицы через SQL. Это даст вам полную картину: от первого клика до повторной покупки.

Будет ли это дорого, если у меня 10 000 посетителей в день?

Google BigQuery предлагает бесплатный тариф: 10 ГБ хранения и 1 ТБ запросов в месяц. При 10 000 посетителей в день вы используете около 2-3 ГБ в месяц — это значительно ниже лимита. Даже при росте до 50 000 посетителей в месяц вы останетесь в бесплатной зоне.

Как часто нужно запускать запросы?

Начните с одного раза в неделю. Постепенно настройте автоматические отчёты в Google Sheets — чтобы они обновлялись каждое утро. Это займёт 15 минут настройки — и сэкономит вам часы в неделю.

Что лучше: BigQuery или Power BI / Tableau?

BigQuery — это хранилище. Power BI и Tableau — инструменты визуализации. Они работают вместе: BigQuery хранит и обрабатывает данные, а Power BI показывает красивые графики. Начните с BigQuery — потом добавьте визуализацию.

Заключение: ваша конкурентная власть — в данных

В эпоху, когда все компании используют одинаковые инструменты — Google Ads, Яндекс.Директ, соцсети — преимущество получают те, кто знает больше. Больше о своих клиентах. Больше о своих каналах. Больше о том, почему люди покупают.

BigQuery + GA4 — это не технологический тренд. Это стратегическое преимущество. Вы можете построить собственный data-warehouse за ноль рублей, не нанимая аналитиков. Вы получите доступ к данным, которые скрывают другие компании. И с помощью этих данных вы сможете делать решения — не наугад, а точно.

Не ждите «идеального момента». Начните сегодня. Подключите экспорт из GA4 в BigQuery — это займёт 10 минут. Завтра сделайте первый запрос. Через неделю у вас будет первая полезная инсайт — и вы поймёте: всё, что вы делали до этого, было в темноте. А теперь — вы видите свет.