Inhalt
-
- GA4: Neue Audience-Templates für Lifecycle-Ziele
- GA4: Analytics Advisor startet als KI-gestützter Analyseassistent
- BigQuery: Verbesserte Suche im Explorer (GA)
- BigQuery: Mehrere Updates für den Data Transfer Service
- BigQuery: Remote MCP Server (Preview)
- Looker Studio: Neue Partner-Connectors
- GTM: Neue Analytics-Variablen für Client- und Session-Daten
- mohrstade Whitepaper | MCP-Server in der Analyse von Analytics-Daten
- GA4: Neue Audience-Templates für Lifecycle-Ziele
Liebe Leser,
auch zum Jahresende gab es einige Neuerungen. In GA4 startete mit dem Analytics Advisor ein KI-gestützter Analyseassistent, der Insights direkt im Interface erklärt. BigQuery baute den Data Transfer Service deutlich aus und ermöglicht die native Anbindung weiterer Datenbanken, Storage-Quellen und Marketing-Systeme. Zudem erhielt der Google Tag Manager neue Analytics-Variablen für Client- und Session-Daten, die den Zugriff auf zentrale Identifikatoren vereinfachen.
Viel Spaß beim Lesen & einen guten Rutsch ins neue Jahr!
1. GA4: Neue Audience-Templates für Lifecycle-Ziele
Zum 01. Dezember 2025 hat Google Analytics zwei neue vorgeschlagene Audience-Templates eingeführt, die gezielt auf Customer-Lifecycle-Ziele ausgerichtet sind. Ziel ist es, häufig genutzte (aber bislang manuell aufgebaute) Audiences schneller und konsistenter erstellen zu können. Folgende Templates sind neu:
High-Value Purchasers
Diese Audience identifiziert besonders wertvolle Käufer, definiert entweder über die Anzahl der Käufe oder den Customer Lifetime Value (LTV). Neu ist dabei das zusätzliche Feld LTV_percentile, mit dem gezielt ein oberes Perzentil (z. B. Top 5 % oder 10 %) der wertvollsten Nutzer ausgewählt werden kann.
Disengaged Purchasers
Diese Audience umfasst ehemalige Käufer, deren letzter Kauf eine definierte Zeit zurückliegt. Damit lassen sich gezielt Nutzer identifizieren, die für Re-Engagement- oder Retention-Maßnahmen infrage kommen.
Die neuen Templates adressieren einen zentralen Pain Point: Lifecycle-Audiences gehören zu den am häufigsten genutzten Segmenten, waren bisher aber fehleranfällig und inkonsistent umgesetzt. Beide Audiences stehen nicht nur in GA4-Reports zur Verfügung, sondern können auch direkt nach Google Ads exportiert werden.
Quelle: support.google.com
2. GA4: Analytics Advisor startet als KI-gestützter Analyseassistent
Mit dem Analytics Advisor führt Google einen neuen KI-Assistenten direkt in der Google-Analytics-Oberfläche ein. Der Advisor basiert auf den Gemini-Modellen und steht Nutzern kontextuell zur Seite, sobald Fragen zur Datenlage, zu Auffälligkeiten oder zur Konfiguration auftreten.
Der Analytics Advisor ist dauerhaft über ein Icon oben rechts sowie über die Analytics-Suche erreichbar. Er ermöglicht:
- das Abrufen von High-Level-Performance-Insights per natürlicher Sprache,
- die on-demand-Erstellung von Visualisierungen für konkrete Metriken oder Events,
- die Analyse von Ursachen bei Performance-Veränderungen wie plötzlichen Einbrüchen oder Peaks,
- sowie kontextbezogene Hilfestellung zur Property- und Feature-Konfiguration („How-to“-Fragen).
Der Fokus liegt dabei nicht nur auf Reporting, sondern explizit auf dem Erklären des „Warums“ hinter den Daten. Er beantwortet Fragen in natürlicher Sprache, liefert schnelle Performance-Insights und erstellt bei Bedarf passende Visualisierungen zu Metriken und Events. Damit senkt Google die Einstiegshürde in GA4 deutlich: Auch weniger technisch versierte Nutzer können einfache Analysen durchführen und Erkenntnisse gewinnen.
Quelle: support.google.com
3. BigQuery: Verbesserte Suche im Explorer (GA)
Google hat die Suche im Explorer-Panel der BigQuery Studio Console verbessert und allgemein verfügbar gemacht. Die Anpassung zielt vor allem auf eine bessere Orientierung in großen Organisations- und Projektstrukturen ab.
Was ist neu?
Die Explorer-Suche zeigt Ergebnisse nun standardmäßig innerhalb der aktuellen Organisation an. Zusätzlich können Nutzer über ein Dropdown gezielt zwischen Organisationen wechseln, ohne die Konsole oder den Kontext verlassen zu müssen. Die Suche berücksichtigt dabei weiterhin Projekte, Datasets und Tabellen.
Gerade in großen Setups mit mehreren Organisationen, Projekten und Teams war die Navigation in BigQuery bislang aufwendig. Die neue organisationsbezogene Suche reduziert Reibung deutlich und verhindert Fehlgriffe in falsche Projekte oder Umgebungen.
Quelle: console.cloud.google.com
4. BigQuery: Mehrere Updates für den Data Transfer Service
Google hat den BigQuery Data Transfer Service im Dezember spürbar ausgebaut und um mehrere neue Datenquellen erweitert. Der Fokus liegt klar auf der einfacheren Integration operativer Datenbanken, Cloud-Storage-Quellen und Marketing-Systeme direkt zu BigQuery. Der Data Transfer Service unterstützt nun zusätzliche Datenquellen:
- PostgreSQL
- MySQL
- Microsoft SQL Server (Preview)
- Blob Storage/S3 → BigQuery / BigLake Iceberg (Preview)
- Azure Blob Storage
- Google Cloud Storage
- Klaviyo (Preview)
- HubSpot (Preview)
Alle Transfers sind direkt über den BigQuery Data Transfer Service konfigurierbar und benötigen keine zusätzliche ETL-Infrastruktur. Besonders relevant ist die native Anbindung klassischer Datenbanken wie PostgreSQL, MySQL und SQL Server, da sie den Aufwand für Datenpipelines deutlich reduziert.
Quelle: console.cloud.google.com/marketplace
5. BigQuery: Remote MCP Server (Preview)
Mit dem neuen BigQuery Remote MCP Server öffnet Google BigQuery für KI-gestützte Agenten auf Basis des Model Context Protocol (MCP). Damit können Large Language Models wie Gemini strukturierte Aufgaben, gesteuert über natürliche Sprache, direkt auf BigQuery-Daten ausführen.
Der Remote MCP Server fungiert dabei als standardisierte Schnittstelle zwischen BigQuery und KI-Agenten. Darüber können Agents unter anderem:
- Daten abfragen und analysieren
- Tabellen, Schemas und Metadaten verstehen
- SQL-Abfragen generieren, erklären oder optimieren
- Analyse-Workflows kontextuell ausführen
Die Anbindung erfolgt kontrolliert und read-only, sodass keine ungewollten Änderungen an Daten oder Projekten vorgenommen werden. Mit dem MCP-Server verschiebt Google den Zugang zu BigQuery deutlich in Richtung Agent-basierter Datenarbeit. Analysen lassen sich künftig dialogbasiert durchführen, ohne dass jede Abfrage manuell formuliert werden muss. Das senkt die Einstiegshürde für weniger technisch versierte Nutzer.
Quelle: docs.cloud.google.com
6. Looker Studio: Neue Partner-Connectors
Auch die Looker Studio Connector Gallery wurde zum Jahresende deutlich erweitert und um eine Vielzahl neuer Partner-Connectors ergänzt. Neu hinzugekommen sind unter anderem Connectors für:
- Werbeplattformen wie TikTok Ads, Facebook Insights, Google Ads (Zen AI) und Walmart Search
- E-Commerce-Systeme wie Shopify-Alternativen (Wix, Squarespace, Ecwid, Shopee)
- Marketing-, Social- und Review-Plattformen wie SISTRIX, G2, Mentionlytics, Sprinklr und Bluesky
- Business- und CRM-Systeme wie Bitrix24 und Odoo Attendance
Die meisten Integrationen stammen von etablierten Partnern wie Supermetrics, Dataslayer oder spezialisierten Tool-Anbietern.
Quelle: lookerstudio.google.com
7. GTM: Neue Analytics-Variablen für Client- und Session-Daten
Google erweitert den Google Tag Manager um neue, offiziell unterstützte Variablen für Google Analytics. Im Bereich der integrierten Variablen stehen nun mit der Analytics Client ID, der Analytics Session ID und der Analytics Session Number drei neue Built-in-Variablen zur Verfügung.
Damit lassen sich zentrale Identifikatoren wie Client- und Session-Informationen erstmals ohne Workarounds oder Cookie-Parsing im GTM nutzen. Bisher war der Zugriff auf Client- und Session-Informationen im GTM häufig nämlich nur über inoffizielle Methoden möglich, die anfällig für Änderungen an Cookie-Strukturen waren. Mit den neuen Variablen schafft Google eine robuste und zukunftssichere Lösung.
Ergänzend dazu wurde ein neuer Analytics-Storage-Variablentyp eingeführt. Dieser erlaubt es, gezielt eine Measurement-ID sowie optional ein individuelles Cookie-Präfix zu definieren. Damit lassen sich auch komplexere GA-Setups sauber abbilden.
Quelle: cloud.google.com/blog
8. mohrstade Whitepaper | MCP-Server in der Analyse von Analytics-Daten
Self-Service-Analytics scheiterte lange an technischen Hürden, fragmentierten Tools und fehlendem Know-how in den Fachbereichen. Mit dem Einsatz von Large Language Models und dem Model Context Protocol (MCP) rückt dieser Ansatz wieder in greifbare Nähe.
Unser aktuelles Whitepaper zeigt, wie MCP als standardisierte Schnittstelle zwischen KI-Modellen und Analytics-Systemen dient und es ermöglicht, Analytics-Daten sicher und kontextbasiert per natürliche Sprache zu analysieren. Anhand eines praxisnahen Setups mit Google Cloud Run wird erläutert, wie Unternehmen Self-Service-Analytics neu denken und nachhaltig in ihre bestehende Dateninfrastruktur integrieren können.
MCP-Server in der Analyse von Analytics-Daten
