I rapporter, utforskninger, Google Analytics Data API og BigQuery Export vises ikke data helt likt. I tabellen kan du sjekke hvilke data som er tilgjengelige på de ulike plattformene, og hvilke begrensninger de ulike alternativene fører til.
| Datatilgjengelighet og -begrensninger | Rapporter, statistikk og utforskninger | Google Analytics Data API | BigQuery |
|---|---|---|---|
| Tilgangsmetode | Google Analytics-grensesnitt | Ethvert tredjepartsprogram som kan lese Google Analytics-data på vegne av brukeren | Google Cloud Platform-konsollen eller rapporteringsprogrammer som kan søke i BigQuery-data |
| Dataomfang |
Samlede data eller data på hendelses- og brukernivå For hver forespørsel velger Google den tabellen som gir de mest nøyaktige resultatene, basert på standardinnstillingene for analyse av datautvalg. |
Samlede data eller data på hendelses- og brukernivå For hver forespørsel velger Google den tabellen som gir de mest nøyaktige resultatene, basert på standardinnstillingene for analyse av datautvalg. |
Data på hendelses- og brukernivå (unntatt ev. tilleggsverdier Google Analytics legger til i standardrapportene og -utforskningene) |
| Høy kardinalitet1 |
Mulig. Når Google bruker samlede data og en rapport eller utforskning har flere rader enn tabellens radgrense, kan det vises en (other)-rad (annet). |
Mulig. Når Google bruker samlede data og en rapport eller utforskning har flere rader enn tabellens radgrense, kan det vises en (other)-rad (annet). |
Nei |
| Analyse av datautvalg2 | Mulig. Hvis Google bruker mer granulære data på hendelses- og brukernivå og en rapport eller utforskning må behandle flere hendelser enn tillatt i tråd med kvoten, bruker Analytics et representativt utvalg av de tilgjengelige dataene. | Mulig. Hvis Google bruker mer granulære data på hendelses- og brukernivå og en rapport eller utforskning må behandle flere hendelser enn tillatt i tråd med kvoten, bruker Analytics et representativt utvalg av de tilgjengelige dataene. | Nei |
| Databasert attribusjon3 | Ja | Ja | Nei |
| Modellering av viktige hendelser4 | Inkludert | Inkludert | Ikke inkludert |
| Atferdsmodellering5 |
Inkludert i rapporteringsmodulen, også i sanntidsrapporten Delvis inkludert i utforskningsmodulen (bare i baner, trakter, segmentoverlapping og tabeller i fri form) |
Inkludert | Ikke inkludert. BigQuery-data inneholder ping uten informasjonskapsler som er samlet inn av Google Analytics, men bare i tilfeller der samtykkemodus er slått på og hver økt har en unik user_pseudo_id. Modellering kan føre til forskjeller mellom standardrapporter og granulære data i BigQuery, for eksempel færre aktive brukere i rapportene enn i utdataene fra BigQuery, ettersom modelleringen forsøker å anslå hvor mange økter som registreres med en bruker som avslår informasjonskapsler. |
| Begrensninger |
150 egendefinerte rapporter per område Du kan opprette 200 separate utforskninger per bruker per område og opptil 500 delte utforskninger per område. Du kan importere opptil 10 segmenter per utforskning. |
Analytics-API-er er underlagt API-kvoter. Analytics 360-områder har høyere datakvoter og grenser for innsamling, rapportering og oppbevaring av data. | Standardområder har en eksporteringsgrense på 1 million hendelser per dag. Analytics 360-områder har en nærmest ubegrenset eksporteringsgrense. |
1 Høy kardinalitet: Dimensjoner med høy kardinalitet er dimensjoner som har over 500 unike verdier per dag. Dimensjoner med høy kardinalitet fører til at antallet rader i en rapport eller utforskning øker. Dette gjør det mer sannsynlig at rapporten/utforskningen når radgrensen, noe som fører til at eventuelle data som overskrider grensen, samles under (other)-raden (annet). Finn ut mer om høy kardinalitet og (other)-raden.
2 Utvalgte data: Analyse av datautvalg brukes når antallet hendelser som returneres av en utforskning, overskrider grensen for den aktuelle områdetypen. Ved å bruke et representativt utvalg av dataene kan du fortsatt utforske tallene på et høyere detaljnivå. Finn ut mer om utvalgte data.
3 Databasert attribusjon: Den databaserte attribusjonen fordeler konverteringsattribusjonen for viktige hendelser basert på data om de enkelte viktige hendelsene. Finn ut mer om databasert attribusjon.
4 Modellering av viktige hendelser: Med modellering av viktige hendelser kan du få nøyaktig attribusjon uten å identifisere brukere (f.eks. på grunn av personvern, tekniske begrensninger eller når brukere veksler mellom enheter). Finn ut mer om modellering av viktige hendelser.
5 Atferdsmodellering: Atferdsmodellering for samtykkemodus bruker maskinlæring til å modellere atferden til brukerne som ikke godtar at informasjonskapsler kan benyttes til analyseformål. Dette skjer basert på atferden til lignende brukere som godtar bruk av slike informasjonskapsler. Finn ut mer om atferdsmodellering.