Powoli zbliżamy się do terminu, w którym swój żywot zakończy Universal Analytics i zastąpi go Google Analytics 4. Mam taką osobistą refleksję, że w masowym przekazie sprzedażowo - marketingowym, ucieka rzeczywista istota związana z datą 1 lipca. I nie jest to konieczność migracji do wersji 4-tej Analyticsa. W niniejszym poście, subiektywnie, wskazuję na mity związane z migracją do GA4.
W niniejszym artykule chciałbym pokazać jedną z możliwych alternatyw wobec Google Analytics 4 - Piwik PRO.
Jest to kompletny, bardzo ciekawy produkt, rozwijany przez polską firmę. W wielu aspektach Piwik PRO prześciga produkt oferowany przez Google. Stanowi więc w pełni wartościową alternatywę, która pozwoli nam efektywnie prowadzić działania analityczne.
Artykuł skupia się na podstawie tzn. pierwszej instalacji Piwik PRO Core i pokazaniu jak szybko i prosto można postawić ten system w ramach własnego serwisu www.
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.
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
