Tracking · GA4 · Datenanalyse

GA4 BigQuery Export einrichten: Rohdaten, die du wirklich nutzen kannst

Von Swantje Wank · 14. November 2026 · 14 Minuten Lesezeit

GA4 zeigt dir fertige Berichte. BigQuery gibt dir die Ereignisse darunter. Das klingt nach einem technischen Detail, ist aber ein strategischer Unterschied: Du kannst Daten über längere Zeiträume behalten, eigene Geschäftslogik anwenden und Marketingdaten mit Shop, CRM oder Kosten verbinden. Der Export lohnt sich trotzdem nicht automatisch. Ohne klare Fragen entsteht nur ein teurer Datenfriedhof.

Was beim GA4 BigQuery Export wirklich passiert

Die Verknüpfung überträgt Ereignisdaten aus deiner GA4-Property in ein BigQuery-Dataset. Google legt dafür Tabellen im Format events_YYYYMMDD an. Beim Streaming-Export kommt zusätzlich eine Tabelle events_intraday_YYYYMMDD hinzu, die Daten des aktuellen Tages in kurzen Abständen enthält. Diese Intraday-Tabelle wird später durch die vollständige Tagestabelle ersetzt.

Du erhältst keine Kopie der GA4-Oberfläche, sondern verschachtelte Rohdaten. Events, Parameter, Nutzermerkmale, Geräteinformationen, Traffic-Quellen und E-Commerce-Daten liegen in wiederholten Feldern. Genau das macht BigQuery mächtig – und erklärt, warum die erste Abfrage mehr Arbeit ist als ein Klick im Standardbericht.

BigQuery ist nicht das bessere GA4-Dashboard. Es ist die Grundlage, auf der du deine eigene belastbare Sicht auf Marketing bauen kannst.

Wann sich der Export lohnt

Richte den Export nicht ein, weil „man das heute so macht“. Er ist sinnvoll, wenn mindestens eine dieser Fragen regelmäßig auftaucht:

Für ein kleines Setup mit wenigen monatlichen Auswertungen reicht GA4 oft aus. Der Export wird wertvoll, sobald Entscheidungen an Grenzen der Oberfläche scheitern – nicht sobald ein Toolberater „Data Warehouse“ sagt.

Vor der Einrichtung: Eigentum und Region klären

Lege das Google-Cloud-Projekt im Unternehmen an, nicht im privaten Konto eines Dienstleisters. Dokumentiere Billing, Administratoren und Notfallzugänge. Die Standortwahl des Datasets ist danach nur eingeschränkt korrigierbar. Prüfe deshalb vorher Datenschutzanforderungen, bestehende Datenregionen und geplante Verknüpfungen.

Für die Einrichtung brauchst du mindestens Bearbeitungsrechte in GA4 und ausreichende Rechte im Cloud-Projekt. Aktiviere die BigQuery API. Auch wenn du zunächst den kostenlosen Sandbox-Rahmen nutzt, solltest du Zuständigkeit und Kostenwarnungen von Anfang an festlegen.

GA4 und BigQuery Schritt für Schritt verbinden

  1. Öffne in GA4 unter Verwaltung die Produktverknüpfungen und wähle BigQuery-Verknüpfungen.
  2. Wähle das richtige Google-Cloud-Projekt aus und bestätige die Datenregion.
  3. Lege fest, welche Web- und App-Datenstreams exportiert werden sollen.
  4. Entscheide zwischen täglichem Export und Streaming-Export. Beides kann parallel aktiv sein.
  5. Prüfe die Zusammenfassung und sende die Verknüpfung ab.
  6. Kontrolliere am Folgetag, ob das Dataset analytics_PROPERTY_ID und die erste Event-Tabelle angelegt wurden.

Google nennt für Standard-Properties ein Limit von einer Million exportierten Events pro Tag. Prüfe Eventvolumen und irrelevante Ereignisse vorab. Ein schlecht gepflegtes Eventmodell wird in BigQuery nicht besser – nur sichtbarer.

Daily oder Streaming: welche Variante brauchst du?

Täglicher Export

Der tägliche Export reicht für die meisten Marketing- und Managementauswertungen. Die vollständige Tabelle wird für den Vortag bereitgestellt. Google kann Tagestabellen noch bis zu drei Tage nachträglich aktualisieren, wenn verspätete Ereignisse eintreffen. Abfragen für feste Reports sollten diese Nachlieferung berücksichtigen.

Streaming-Export

Streaming ist sinnvoll, wenn du untertägig reagieren musst: bei Tracking-Ausfällen, Launches, hohen Tagesbudgets oder operativen Dashboards. Die Daten kommen innerhalb weniger Minuten, werden aber nach Best-Effort verarbeitet. Bestimmte Attributionsinformationen können zunächst fehlen, und für das Streaming fallen zusätzliche BigQuery-Kosten an.

Mein Rat: Starte mit Daily. Aktiviere Streaming erst, wenn jemand eine konkrete untertägige Entscheidung benennt. „Echtzeit klingt gut“ ist keine Anforderung.

Kosten kontrollieren, bevor die erste Abfrage läuft

BigQuery berechnet vor allem gespeicherte Daten und verarbeitete Abfragemengen. Kleine GA4-Setups bleiben häufig im kostenlosen Rahmen. Teuer werden ungezielte Abfragen über alle Spalten und Jahre, nicht der einzelne Event.

Warum Zahlen zwischen GA4 und BigQuery abweichen

Eine Abweichung ist nicht automatisch ein Trackingfehler. Die GA4-Oberfläche nutzt modellierte, aggregierte und teilweise anders definierte Kennzahlen. BigQuery enthält beobachtete Ereignisse und verlangt, dass du Nutzer, Sessions, Conversions und Attribution selbst definierst. Zusätzlich spielen Zeitzone, Identitätslogik, Consent und verspätete Events eine Rolle.

Vergleiche deshalb nicht blind eine Zahl. Definiere zuerst: Welche Property-Zeitzone? Welcher Zeitraum? Welches Event? Nutzer-ID oder Pseudonym-ID? Welche Consent-Signale? Welche Sessionlogik? Bei Formularen muss außerdem klar sein, ob ein Start, ein Browser-Event oder die bestätigte Übermittlung zählt. Genau dafür ist ein sauberes GA4 Formular-Tracking die Voraussetzung.

Die erste Qualitätsprüfung

  1. Zähle Events pro Tag und vergleiche die Größenordnung mit GA4.
  2. Prüfe, ob wichtige Events wie generate_lead oder purchase mit den erwarteten Parametern ankommen.
  3. Kontrolliere Hostname, Datenstream und Länder auf offensichtliche Ausreißer.
  4. Suche doppelte Transaktions- oder Lead-IDs.
  5. Prüfe den Anteil fehlender Kampagnenparameter und Consent-Zustände.
  6. Lege einen Alarm für starke Einbrüche oder Sprünge an.

UTM-Werte müssen vor dem Klick konsistent sein. Der Leitfaden zu UTM-Parametern für Meta und Google Ads zeigt das Naming-System. Bei mehreren Domains verhindert Cross-Domain-Tracking, dass du eine Journey künstlich in mehrere Sitzungen zerlegst.

Von Rohdaten zu einer nutzbaren Marketingansicht

Baue nicht sofort ein riesiges Dashboard. Starte mit einer kleinen, dokumentierten Basistabelle: Datum, Kanal, Kampagne, Landingpage, relevante Conversion, Umsatz oder Leadstatus. Ergänze erst danach Kosten und CRM-Stufen. So siehst du früh, wo Schlüssel fehlen oder Definitionen kollidieren.

Für Shops mit mehreren Märkten wird diese Ebene besonders wertvoll. Der Beitrag zur internationalen SEO mit Shopify Markets erklärt, wie Markt-URLs, Sprachen und Domains strukturiert werden. In BigQuery kannst du diese Märkte anschließend anhand von Hostname, Sprache und Kampagnenlogik konsistent vergleichen.

Typische Fehler

Projekt und Billing gehören einer Einzelperson

Dann hängt die Datenbasis an einem privaten Zugang. Kläre Eigentum, Rollen und Übergabe vor dem Export.

Streaming wird ohne operativen Nutzen aktiviert

Mehr Aktualität erzeugt zusätzliche Kosten und Komplexität, aber noch keine bessere Entscheidung.

Das Eventmodell bleibt unaufgeräumt

BigQuery konserviert doppelte, uneinheitliche und bedeutungslose Events. Bereinige die Quelle.

Dashboard zuerst, Definitionen später

Dann sehen Zahlen professionell aus, ohne dass zwei Teams dasselbe unter „Lead“ verstehen.

Offizielle Grundlage

Google beschreibt Umfang, Exporttypen und Limits in BigQuery Export. Die konkrete Verknüpfung steht in Set up BigQuery Export. Tabellen, Felder und Nachlieferungen dokumentiert Google im BigQuery Export schema.

Mein Fazit

Der GA4 BigQuery Export lohnt sich, wenn du eine Frage hast, die mit Rohdaten besser beantwortet werden kann. Richte erst Eigentum, Eventmodell, Kostenkontrolle und Definitionen sauber ein. Dann wird aus einem technischen Export eine Datenbasis, auf der Marketing und Vertrieb dieselbe Sprache sprechen.

30-Minuten-Gespräch buchen

Passend dazu

Daten verstehen.
Entscheidungen verbessern.

Alle Blogartikel ansehen