April 2026

Inhalt

Liebe Leser,

im April standen vor allem inkrementelle Verbesserungen in BigQuery im Fokus. Mit inkrementellen Datenübertragungen im Data Transfer Service adressiert Google ein zentrales Effizienzthema und reduziert den Bedarf an vollständigen Replikationen in bestehenden Datenpipelines.

Gleichzeitig entwickelt sich die Plattform weiter in Richtung AI-gestützter Data-Workflows. Mit dem Data Engineering Agent und visuellen Komponenten wie dem Graph Modeler wird die Interaktion mit Daten zunehmend abstrahiert. Ergänzend stärken Updates in Dataform und der GA4 Data API Governance und erweitern den Zugriff auf Conversion-Daten.

Viel Spaß beim Lesen!

Marcus StadeHead of Analytics

1. BigQuery: Incremental Data Transfers im Data Transfer Service (Preview)

Der BigQuery Data Transfer Service unterstützt nun inkrementelle Datenübertragungen in einem ersten Preview-Modus. Statt vollständiger Replikationen können nur noch Änderungen ab dem letzten Lauf geladen werden, was insbesondere bei regelmäßig synchronisierten Systemen relevant ist.

Was ist neu?

Unterstützung inkrementeller Datenübertragungen im Data Transfer Service
Reduktion vollständiger Datenladungen zugunsten delta-basierter Updates
Effizientere Synchronisation zwischen Quellsystemen und BigQuery

In vielen Data-Setups sind regelmäßige Full Loads weiterhin Standard und verursachen unnötige Kosten sowie längere Laufzeiten. Inkrementelle Transfers reduzieren diesen Aufwand deutlich.

Quelle: cloud.google.com

2. BigQuery Data Transfer Service: Erweiterte Connector-Unterstützung für inkrementelle Transfers

Zusätzlich zur generellen Einführung inkrementeller Transfers erweitert Google die Unterstützung auf konkrete Datenquellen. Unterstützt werden inkrementelle Transfers für folgende Konnektoren:

MySQL
Oracle
PostgreSQL
ServiceNow

Die tatsächliche Nutzbarkeit inkrementeller Transfers hängt stark von unterstützten Datenquellen ab. Mit der Erweiterung auf gängige Datenbanksysteme und ServiceNow wird das Feature für viele bestehende Architekturen direkt relevant. Gleichzeitig bleibt die Einschränkung auf bestimmte Konnektoren bestehen, wodurch für hybride Setups ggf. weiterhin unterschiedliche Lade-Strategien benötigt werden.

Quelle: cloud.google.com

3. BigQuery: Visual Graph Modeler in BigQuery Studio (Preview)

BigQuery erweitert die Graph-Funktionalitäten um eine visuelle Komponente zur Modellierung. Mit dem neuen Graph Modeler (Preview) lassen sich Graphstrukturen direkt über eine UI definieren und bearbeiten, ohne ausschließlich auf Code angewiesen zu sein. Folgendes ermöglicht der Graph Modelers in BigQuery Studio:

Definition von Nodes und Edges auf Basis bestehender Tabellen
Möglichkeit zur Bearbeitung von Graph-Schemata über die UI

Warum ist das relevant?
Die visuelle Modellierung senkt die Einstiegshürde für Graph-basierte Analysen und ergänzt die zuvor eingeführten GQL-Funktionen sinnvoll. Statt Graphstrukturen ausschließlich über Code zu definieren, können sie nun schneller explorativ aufgebaut werden. Für komplexe Setups bleibt jedoch die Frage offen, wie gut sich UI-basierte Modellierung in bestehende Data-Engineering-Prozesse integrieren lässt. Zudem ist im Preview-Status noch mit Einschränkungen zu rechnen.

Quelle: cloud.google.com

4. BigQuery: Data Engineering Agent jetzt allgemein verfügbar (GA)

Der Data Engineering Agent in BigQuery ist neuerdings allgemein verfügbar. Damit stellt Google eine AI-gestützte Unterstützung für den Aufbau, die Anpassung und das Debugging von Pipelines direkt innerhalb von BigQuery bereit. Der Agent bietet folgende Features:

Unterstützung bei Aufbau und Modifikation von Datenpipelines
Hilfe bei Fehleranalyse und Troubleshooting
Integration direkt in BigQuery-Workflows

Die Entwicklung und Wartung von Pipelines können dadurch schneller und weniger fehleranfällig werden, insbesondere bei repetitiven oder standardisierbaren Aufgaben. Gleichzeitig verschiebt sich ein Teil der Logik von manuell geschriebenem Code hin zu AI-generierten Vorschlägen. Das erfordert auf der anderen Seite jedoch zusätzliche Validierungsmechanismen, da generierte Lösungen nicht automatisch den Anforderungen an Performance, Kosten oder Governance entsprechen.

Quelle: cloud.google.com

5. Looker Studio: Rebranding zurück zu „Data Studio“

Google benennt Looker Studio wieder in „Data Studio“ um und führt gleichzeitig eine überarbeitete Startseite ein.

Mit dem Rebranding geht eine inhaltliche Neuausrichtung der Oberfläche einher. Die Startseite wird zum zentralen Einstiegspunkt für den Zugriff auf Reports und Datenquellen und bündelt gleichzeitig weitere Komponenten wie BigQuery Conversational Agents und in Colab entwickelte Data Apps. Damit werden unterschiedliche Analyse- und Datenzugänge in einer Oberfläche zusammengeführt, ohne dass sich die zugrunde liegenden Funktionen des Tools selbst wesentlich verändern.

Das Update ist primär strategischer Natur und verändert nicht die Kernfunktionalität des Tools. Der Fokus liegt auf der stärkeren Verzahnung mit BigQuery und AI-basierten Analyseansätzen. Dadurch entwickelt sich das Produkt zunehmend von einem reinen Reporting-Tool hin zu einer zentralen Zugriffsschicht für verschiedene Daten- und Analysekomponenten.

Quelle: cloud.google.com/blog

6. Dataform / BigQuery: Strict Act-as Mode jetzt global verpflichtend

Google setzt den sogenannten „Strict Act-as Mode“ nun global für alle Dataform-Repositories durch. Damit wird festgelegt, unter welchen Identitäten Dataform-Workflows und zugehörige BigQuery-Prozesse ausgeführt werden dürfen.

Workflows, BigQuery-Pipelines, Notebooks und Datenvorbereitungen müssen über dedizierte Service Accounts oder explizite User-Credentials ausgeführt werden. Eine implizite Ausführung ohne klar definierte Identität ist nicht mehr möglich.

Die Änderung stärkt Governance und Sicherheit, da Ausführungen nun eindeutig einer Identität zugeordnet werden müssen. Gleichzeitig kann sie bestehende Setups direkt betreffen, insbesondere wenn bisher mit impliziten Berechtigungen gearbeitet wurde. Teams müssen ihre Dataform- und BigQuery-Workflows entsprechend prüfen und gegebenenfalls anpassen, um Unterbrechungen zu vermeiden.

Quelle: cloud.google.com/dataform

7. GA4 Data API: Zugriff auf Conversion Performance Reporting (v1alpha)

In der offiziellen Google Analytics Developer Google Group hat das Analytics-Team ein Update zur GA4 Data API angekündigt. Die Erweiterung ermöglicht erstmals den direkten Zugriff auf Conversion-Performance-Daten aus dem Advertising-Bereich über die runReport-Methode der API.

Dabei können Conversions gezielt über Conversion Action IDs gefiltert und unterschiedliche Attributionsmodelle wie Data-Driven oder Last Click ausgewählt werden. Ergänzend wird im Response kenntlich gemacht, ob Daten aus Standard-Reporting oder dem Conversion-Reporting stammen. Auch die getMetadata-Methode wurde erweitert und liefert zusätzliche Informationen zu Conversion-Dimensionen und -Metriken sowie deren Kompatibilität mit unterschiedlichen Reporting-Bereichen.

Warum ist das relevant?
Das Update schließt eine Lücke zwischen UI und API, da Conversion-Daten aus dem Advertising-Bereich bisher nur eingeschränkt programmatisch verfügbar waren. Für Data Teams erleichtert das den Aufbau konsistenter Reporting- und Attribution-Setups außerhalb der GA4-Oberfläche. Gleichzeitig ist die Funktion aktuell nur eingeschränkt verfügbar, was die Nutzung in bestehenden Setups begrenzen kann.

Quelle: Offizielle Google Analytics Developer Google Group (April 2026)

8. Piwik PRO: Verbesserungen bei Google Ads Integration, Berechtigungen und Stabilität

Mit den April-Releases fokussiert sich Piwik PRO auf Verbesserungen in der Google-Ads-Integration, Anpassungen bei Berechtigungen sowie Stabilitätsoptimierungen.

Die Verwaltung der Google-Ads-Integration wurde grundlegend überarbeitet. Accounts können nun gewechselt werden, ohne die Integration zu unterbrechen, und verbundene Konten werden transparenter dargestellt. In der Data Activation wurde die Berechtigungslogik angepasst, sodass Aktivierungen mit entsprechenden Rechten direkt erstellt, bearbeitet und gelöscht werden können. Zusätzlich wurden zahlreiche Fehler in Reports, Dashboards und Exporten behoben, etwa bei Darstellungen in PDF-Reports oder inkonsistenten Tooltips. Im Consent Manager wurde zudem der veraltete visitor_id Identifier aus dem ppms_privacy_cookie entfernt.

Die Änderungen sind inkrementell, adressieren aber typische operative Schwachstellen. Die verbesserte Ads-Integration reduziert Reibung im Kampagnen-Setup und erhöht Transparenz. Anpassungen bei Berechtigungen vereinfachen Workflows, können aber die bestehende Governance beeinflussen.

Quelle: developers.piwik.pro/changelog