W artykule zamieszczonym pod adresem Google Tag Manager Server Side. Proces implementacji krok po kroku, pokazaliśmy, jak krok po kroku wdrożyć Google Tag Manager Server Side. W opisywanym tam, procesie wdrożenia, wykorzystaliśmy kod GTAG po stronie Klienta.
Niniejszy post stanowi suplement do wspomnianego artykułu i pokazuje implementację z wykorzystaniem drugiego kontenera GTM - kontenera typu Client (kontener Web).
Rok 2023 to rok, w którym dokonuje się proces wycofania Google Universal Analytics i zastąpienia go poprzez Google Analytics 4. Pomimo tego, że jest to trudny proces, to jest to też szansa dla organizacji, aby ponownie przemyśleć podejście do danych, zarówno w kwestii technicznej jak i biznesowej. Jedną ze zmianą jaką warto wprowadzić, przy tej okazji, jest implementacja Google Tag Manager Server Side. Niniejszy poradnik opisuje krok po kroku proces implementacji Google Tag Managera w wersji Server Side.
Wraz z wprowadzeniem Google Analytics 4, została nam przedstawiona domyślna i powszechnie dostępna integracja z Google BigQuery. Opcja ta była dotąd dostępna jedynie dla posiadaczy Google Analytics 360, czyli opcji płatnej, przygotowanej pod klienta korporacyjnego. BigQuery jest doskonałym narzędziem, poprzez które dostajemy szybki i wygodny dostęp do wszystkich danych zbieranych przez GA4. Umożliwia nam to budowę hurtowni danych na bazie Analyticsa. Jednocześnie ta integracja jest tylko pozornie darmowa, gdyż BigQuery jest usługą płatną i bez znajomości zasad naliczania kosztu oraz jego wysokości, możemy wpędzić się w niepotrzebne tarapaty. Niniejszy post opisuje składowe wyceny i daje dostęp do kalkulatora kosztu.
Wykorzystanie
funkcji
iterrows() pozwala na implementację klasycznej pętli for do
przeglądania kolejnych rekordów w zbiorze DataFrame. Iterrows() zwraca
kolejne
rekordy w postaci par (index, Series). Niniejszy post pokazuje
przykłady
wykorzystania iterows() m.in. w kontekście generowania wykresów typu
scatter
plot.
Post opisuje
wykorzystanie biblioteki googleAnalyticsR do interakcji z Google Data
API
przygotowanym z myślą o najnowszej wersji Google Analytics 4. Kolejno
pokazujemy jak połączyć się z API oraz jak pobrać podstawowe dane z
przykładowej witryny i następnie wyświetlić wynik w konsoli. Ponieważ
biblioteka jest przeznaczona dla języka R, dlatego też skrypt załączony do
postu jest w języku R.
Integracja pomiędzy Google Analytics 4 a Google BigQuery daje dostęp
do surowych danych Google Analytics. Zakres tych danych jest
szerszy, niż dane dostępne domyślnie w panelu Analyticsa, tym samym
otrzymujemy możliwość tworzenia poszerzonych raportów
opisujących użytkowników i ich interakcję z naszym serwisem
internetowym. Niniejszy post opisuje, w kolejnych krokach, jak wykonac taką integrację.
Google Colab to usługa arkuszy typu Jupyter Notebooks dostępna z poziomu przeglądarki (usług Google). W niniejszej publikacji, opisujemy jak z poziomu Google Colab, z wykorzystaniem Pythona i pakietu pyodbc, połączyć się z bazą Microsoft SQL Server, działającą w chmurze Azure Cloud. Artykuł opisuje zarówno prerekwizyty potrzebne do instalacji, jak i sam kod odpowiedzialny za zbudowanie połączenia z bazą.
Częstym problemem jest budowa bazy analitycznej, która synchronizuje się z bazą produkcyjną, pobierając tylko wybrane zestawy danych. Niniejszy post przedstawia budowę takiej infrastruktury, w której baza produkcyjna jest oparta o Google Cloud SQL, a baza analityczna jest oparta o Google BigQuery. Dane są synchronizowane co godzinę, przyrostowo.
Proces wycofania Universal Analytics i zastąpienia go poprzez implementację Google Analytics 4, powoduje, że szukamy możliwości dla zachowania danych zgromadzonych poprzez Universal Analytics.
Wydajnie i szybko można to osiągnąć poprzez wykorzystanie API. Post przedstawia bibliotekę googleAnalyticsR napisaną w języku R i dedykowaną do interakcji z API GA w wersji 3. Pobieramy dane z GA i następnie zapisujemy je do pliku.
Indeks jest nieodłącznym elementem każdej ramki danych (dataframe). Dobre, przemyślane indeksowanie pozwala uzyskać efektywniejszy dostęp do danych tzn. szybszy i czytelniejszy.
Pakiet pandas pozwala na szybkie wprowadzenie dowolnej kolumny jako indeks, co więcej pozwala na wprowadzenie multi-indeksów, gdzie dwie lub więcej kolumn pełni rolę indeksu.
W niniejszym poście pokazujemy jak operować indeksem i jego właściwościami.
Wdrażam rozwiązania analityczne, buduję raporty zarządcze i pomagam zrozumieć dane.
Korzystam z Google Marketing Cloud, Microsoft Power BI, Google Cloud oraz Python.
Pracowałem m.in. dla Credit Suisse, Phonak, Hansaton, Unitron, Nestle, IBM, Play.
Jestem współtwórcą grupy Hexe Capital SA.
Zapraszam do lektury i współpracy.
Krzysztof Surowiecki
Chcę porozmawiać o współpracy →Moje certyfikaty
