September 2025

Inhalt

Liebe Leser,

im September hat sich vor allem bei Google Analytics 4 einiges bewegt: Neben Snap-Ads lassen sich nun auch Pinterest-Ads-Kosten importieren, und eine neue Empfehlung in Google Ads erleichtert die Verknüpfung mit GA4-Properties. In Looker Studio gab es kleinere, aber wichtige Anpassungen und auch an BigQuery wurde gearbeitet. Unter anderem mit einer neuen Preisstruktur im Data Transfer Service, Codecompletion und erweiterten JSON-Funktionen.

Viel Spaß beim Lesen!

Marcus StadeHead of Analytics

1. GA4: Snap-Ads-Kostenimport verfügbar

Seit dem 17. September 2025 können Unternehmen Snap-Ads-Kosten automatisch in Google Analytics 4 importieren. Damit erweitert Google die Liste der unterstützten Plattformen für den kanalübergreifenden Kostenimport.

Was ist neu?

Snap Ads ist als neue Quelle im GA4-Kostenimport verfügbar.
Import erfolgt entweder per geplanter Integration oder manuell über CSV/Cloud-Anbindungen.
Die Daten werden in den Reports Akquisition > Non-Google cost sowie unter Planung > All channels sichtbar.

Viele Unternehmen nutzen Snap Ads für Zielgruppen im jungen Segment, mussten aber bisher auf externe BI-Systeme zurückgreifen, um Kosten sauber neben Google-Daten auszuwerten. Mit der nativen Integration lassen sich Snap-Kosten jetzt direkt in GA4 den Performance-Kennzahlen gegenüberstellen.

Quelle: analytics.google.com

2. GA4: Pinterest Ads-Kostenimport verfügbar

Ende des Monats wurde in GA4 ebenfalls die Möglichkeit für den Import von Pinterest Ads-Kosten veröffentlicht. Damit erweitert Google die Liste der integrierbaren Plattformen, die bisher u. a. Snap, LinkedIn oder TikTok umfasste.

Die Integration kann über geplante Datenimporte oder über manuelle CSV-Uploads/Cloud-Schnittstellen erfolgen. Importierte Kosten erscheinen automatisch in den Reports Akquisition > Non-Google cost report sowie unter Planung > All channels report.

Pinterest ist für viele Marken ein wichtiger Kanal im oberen Funnel. Bisher mussten Kosten über externen Tools zusammengeführt werden. Mit der nativen Integration können Werbetreibende nun Pinterest-Kampagnenkosten direkt mit GA4-Daten kombinieren und kanalübergreifend auswerten.

Quelle: analytics.google.com

3. GA4: Link Recommendations zu Google Ads Konten

Google Ads zeigt seit neuestem im Bereich Recommendations gezielt Hinweise an, wenn ein GA4-Property noch nicht mit einem Google Ads-Konto verknüpft ist.

Das Linking kann direkt aus der Empfehlung heraus gestartet werden. Ziel des Features ist es, Conversions und Remarketing-Signale konsistenter zwischen Ads und GA4 auszutauschen.

Viele Werbetreibende nutzen Ads und Analytics parallel, übersehen aber, dass ohne Verknüpfung wichtige Daten nicht geteilt werden. Dazu zählen z.B. Daten für Conversion-Optimierung, Zielgruppen-Sync oder Attribution. Die Empfehlung erleichtert somit die saubere Verknüpfung von Ads und Analytics und sorgt so für bessere Datenqualität bei Gebotsstrategien und Cross-Channel-Analysen.

Quelle: support.google.com

4. GA4: API-Zugriff auf Identity Settings

Im September hat Google die Identity Settings einer GA4-Property erstmals über die Admin API verfügbar gemacht (aktuell Alpha).

Über die Admin API lassen sich die aktiven Reporting-Identitäten einer Property abfragen. Somit können Entwickler die aktuelle Einstellung prüfen, ohne das UI manuell zu öffnen. Unterstützt werden Modi wie:

BLENDED (Kombination von User ID, Google Signals, Geräte-IDs, Cookies)
OBSERVED (ausschließlich beobachtete Daten, ohne Modellierung)
DEVICE_BASED (nur Geräte-/Cookie-Daten)

Die gewählte Reporting-Identity hat direkten Einfluss auf Nutzer- und Conversion-Zahlen. Mit API-Zugriff lassen sich diese Einstellungen automatisiert überwachen, was das Auditing und QA in größeren Setups erleichtert.

Der API-Zugriff erhöht somit die Transparenz und eröffnet die Möglichkeit, Identity-Einstellungen regelmäßig zu prüfen oder in Monitoring-Systeme einzubinden. Besonders für Unternehmen mit mehreren Properties ist das ein wertvoller Governance-Hebel.

Quelle: cloud.google.com

5. Looker Studio: Explorer (Beta) wird eingestellt

Die Funktion Explorer (Beta) in Looker Studio wurde eingestellt. Bestehende Explorations werden automatisch in reguläre Standardberichte konvertiert. Funktionen wie Drag-and-Drop-Analysen stehen somit nur noch im klassischen Reporting-Kontext zur Verfügung.

Der Explorer wurde von vielen als schnelle Spielwiese für Ad-hoc-Analysen genutzt. Mit der Abschaltung verschiebt sich dieser Workflow vollständig in den Bereich der Reports. Für Nutzer bedeutet das: mehr Konsistenz, aber weniger Leichtgewichtigkeit bei spontanen Analysen.

Die Einstellung des Explorers unterstreicht Googles Fokus auf konsolidierte Reporting-Workflows. Wer Ad-hoc-Analysen benötigt, sollte auf vorbereitete Berichte ausweichen.

Quelle: cloud.google.com

6. Looker Studio: Hyperlink- und Bilddarstellung eingeschränkt

Hyperlinks und Bilder in Dimensionsfeldern werden nicht mehr angezeigt, sofern die zugrunde liegende Datenquelle mit “Viewer’s Credentials” freigegeben ist.

Links und Bilder in Tabellen oder Karten werden somit standardmäßig blockiert. Ausnahme: Wenn sowohl Ersteller als auch Betrachter Teil desselben Team Workspaces sind, bleibt die Darstellung erhalten.

Die Änderung dient laut Google dem Schutz vor Datenleaks über eingebettete Links oder externe Bildpfade. Für öffentlich oder extern geteilte Reports bedeutet das weniger Risiko, aber auch potenziell eingeschränkte Funktionalität. Für interne Dashboards innerhalb eines Workspace ändert sich wenig. Für geteilte Reports müssen Unternehmen ggf. Alternativen einplanen.

Quelle: cloud.google.com

7. Looker Studio: Verbesserungen für Treemap-Diagramme

Treemap-Diagramme in Looker Studio haben vor Kurzem deutliche Design-Verbesserungen erhalten.

Im Style/Setup-Tab kann nun ein eigenes Feld als Farb-Basis definiert werden. Zudem stehen neue Farbpaletten und Optionen zur Farbsteuerung zur Verfügung und der Border Radius für Zweige ist einstellbar.

Treemaps werden häufig zur Visualisierung von Produkt-, Kategorie- oder Marktanteilen genutzt. Die erweiterten Style-Optionen erhöhen sowohl die Lesbarkeit als auch die optische Qualität von Dashboards. Ein kleines, aber nützliches Update für mehr Customization.

Quelle: lookerstudio.google.com

8. BigQuery: Neue Preisstruktur für Data Transfer Service

Ende des Monats hat Google den BigQuery Data Transfer Service (DTS) für Drittanbieter-SaaS- und Datenbank-Konnektoren auf ein nutzungsbasiertes Preismodell umgestellt.

Statt pauschaler Gebühren erfolgt die Abrechnung fortan auf Basis der tatsächlich genutzten Compute-Ressourcen (Slot-Hours). Betroffen sind u. a. Transfers aus SaaS-Plattformen (z. B. Google Ads, YouTube, Salesforce) sowie Datenbanken (z. B. MySQL, PostgreSQL).

Bestehende Projekte werden automatisch auf das neue Modell migriert. Für Unternehmen mit vielen, aber kleinen Transfers könnte es günstiger werden. Umgekehrt steigen die Kosten für Projekte mit sehr intensiver Nutzung.

Die neue Preisstruktur bringt mehr Transparenz, kann aber je nach Datenvolumen Mehrkosten verursachen. Ein Kostenmonitoring ist empfehlenswert, um unliebsame Überraschungen zu vermeiden. Teams sollten daher unbedingt ihre bisherigen DTS-Workloads prüfen und die Kostenkalkulation anpassen.

Quelle: cloud.google.com

9. BigQuery: Multi-Statement-Transaktionen für BigLake-Iceberg-Tabellen (Preview)

BigQuery unterstützt seit September im Preview-Modus erstmals Multi-Statement-Transaktionen für Iceberg-Tabellen in BigLake. Transaktionen lassen sich so über mehrere SQL-Statements hinweg ausführen (BEGIN TRANSACTION … COMMIT).

Unterstützt werden DML-Operationen (INSERT, UPDATE, DELETE) auf Iceberg-Tabellen in BigLake. Dies ermöglicht atomare Änderungen über komplexere Abläufe über mehrere Statements. Gerade bei Data-Lakehouse-Architekturen auf Iceberg-Basis wird es so einfacher, konsistente Updates durchzuführen – ohne Risiko von Teiländerungen bei Fehlern.

Die Unterstützung von Multi-Statement-Transaktionen macht BigLake-Iceberg deutlich robuster für Enterprise-Workloads. Ein wichtiger Schritt, um Data Lake und Data Warehouse noch enger zusammenzubringen.

Quelle: cloud.google.com

10. BigQuery: SQL-Codecompletion jetzt allgemein verfügbar

Seit Mitte September ist die SQL-Codecompletion in BigQuery allgemein verfügbar (GA). BigQuery schlägt somit während der Abfrageerstellung automatisch Tabellen, Spalten, Funktionen und Schlüsselwörter vor. Die Autovervollständigung basiert dabei auf Projekten und Datasets, auf die der Nutzer Zugriff hat.

Unterstützt wird das Feature sowohl in der Web-UI im BigQuery Studio als auch in gängigen SQL-Editoren mit BigQuery-Anbindung.

Warum ist das relevant?
Die Autovervollständigung spart Zeit, reduziert Tippfehler und erleichtert auch weniger SQL-affinen Nutzern die Arbeit. Gerade in komplexen Projekten mit vielen Tabellen verbessert sich die Effizienz beim Query-Building erheblich. Ein klares Produktivitäts-Update, das BigQuery näher an den Komfort moderner IDEs bringt und den Einstieg in die Arbeit mit SQL erleichtert.

Quelle: cloud.google.com

11. BigQuery: Erweiterte JSON-Funktionen (Preview)

Ebenfalls seit Mitte September stehen neue und verbesserte JSON-Funktionen in BigQuery im Preview-Modus bereit. Darunter:

Neue Funktion JSON_KEYS, die mit einem flexiblen Pfadmodus genutzt werden kann.
Verbesserte Unterstützung für Nested JSON Queries.
Bessere Performance bei häufigen Abfragen von semi-strukturierten Daten.

Warum ist das relevant?
Immer mehr Unternehmen speichern Ereignis- oder Log-Daten im JSON-Format. Mit den neuen Funktionen können Entwickler Daten ohne aufwändige Workarounds extrahieren, strukturieren und analysieren. BigQuery stärkt somit seine Fähigkeiten im Umgang mit semi-strukturierten Daten und positioniert sich damit noch deutlicher als Lakehouse-Plattform für moderne Analytics-Workflows.

Quelle: cloud.google.com

12. BigQuery: Advanced Runtime für Abfragen allgemein verfügbar

Der Advanced Runtime-Modus für Abfragen ist ab sofort allgemein verfügbar (GA). Google hat zudem angekündigt, diesen Modus zwischen Ende 2025 und Anfang 2026 als Standard einzustellen.

Die Advanced Runtime sorgt für kürzere Laufzeiten und stabilere Ergebnisse. Besonders bei ressourcenintensiven Queries in großen Projekten. Ein wichtiger Schritt, um BigQuery für Enterprise-Workloads leistungsfähiger und zuverlässiger zu machen. Teams sollten bereits jetzt evaluieren, ob ihre Abfragen von der Advanced Runtime profitieren und wo Anpassungen nötig sind.

Quelle: cloud.google.com