Inhalt
-
- GTM: Änderungen beim Google Tag und der Verarbeitung von gtag-Events
- Google Analytics: Neue API zur Verwaltung von Nutzergruppen
- BigQuery: TimesFM 3.0 ermöglicht multivariate Zeitreihenprognosen
- BigQuery DTS: Inkrementelle Transfers für PostgreSQL und ServiceNow (GA)
- BigQuery: AI.AGG für semantische Aggregationen (GA)
- Google Data Agent Kit: Jetzt allgemein verfügbar
- Looker: Data Apps ermöglichen interaktive Anwendungen mit AI
- GTM: Änderungen beim Google Tag und der Verarbeitung von gtag-Events

Liebe Leser,
der Oktober hat wichtige Änderungen beim Google Tag Manager mit sich gebracht: Neue Destination Tags vereinfachen die Datenübertragung an Google-Produkte, während die veränderte Verarbeitung von gtag-Events eine Überprüfung bestehender GTM-Setups erforderlich machen kann.
Auch in BigQuery gibt es Neuerungen: TimesFM 3.0 ermöglicht multivariate Zeitreihenprognosen und AI.AGG hat die Analyse unstrukturierter Daten erweitert. Mit der allgemeinen Verfügbarkeit des Google Data Agent Kits schreitet die Integration von AI Agents in Data-Engineering-Workflows voran. Außerdem ermöglichen neue Looker Data Apps interaktive Anwendungen auf Basis bestehender Datenmodelle.
Viel Spaß beim Lesen!
1. GTM: Änderungen beim Google Tag und der Verarbeitung von gtag-Events
Google setzt die Vereinheitlichung seiner Tagging-Infrastruktur fort. Im Oktober gab es zwei wichtige Änderungen im Google Tag Manager (GTM), die sowohl die Datenübertragung an Google-Produkte als auch die Verarbeitung von Events betreffen.
Was ist neu?
Mit den neuen Destination Tags können GTM-Container Daten direkt an Google-Produkte wie Google Analytics und Google Ads senden, ohne die gtag.js-Bibliothek zusätzlich laden zu müssen. Das soll die Tagging-Architektur vereinfachen und die Ladeperformance verbessern.
Gleichzeitig standardisiert Google die Verarbeitung von gtag(‚config‘)-Befehlen. Diese werden nun als gtag.config-Events im Data Layer sichtbar und können damit auch von Custom-Event-Triggern im GTM erfasst werden.
Warum ist das relevant?
Die Änderungen sollen das Google Tagging effizienter und einheitlicher machen. Bestehende GTM-Setups können betroffen sein, insbesondere wenn Custom-Event-Trigger auf gtag.config reagieren oder entsprechende Event-Namen verwenden.
Unternehmen sollten prüfen, ob ihre Trigger-Konfigurationen durch die neue Event-Verarbeitung unbeabsichtigt Tags auslösen. Auch die Auswirkungen auf bestehende Google-Tag-Konfigurationen sollten im Preview-Modus getestet werden.
Quelle: tagmanager.google.com
2. Google Analytics: Neue API zur Verwaltung von Nutzergruppen
Mit der neuen User Groups Admin API lassen sich Nutzergruppen und deren Zugriffsrechte in GA4 programmatisch verwalten. Das soll insbesondere die Administration größerer Analytics-Setups vereinfachen.
Über die API können Nutzergruppen erstellt, bearbeitet und gelöscht sowie Gruppenmitgliedschaften und Rollen verwaltet werden. Damit lassen sich Aufgaben, die bisher manuell über die Benutzerverwaltung erledigt werden mussten, in automatisierte Prozesse integrieren.
Gerade Unternehmen und Agenturen, die zahlreiche GA4-Properties mit unterschiedlichen Teams und Berechtigungen verwalten, können von der neuen API profitieren. Wiederkehrende administrative Aufgaben lassen sich so leichter automatisieren und Zugriffsrechte konsistenter über mehrere Properties hinweg organisieren.
Auch beim Onboarding und Offboarding von Mitarbeitenden kann die zentrale Verwaltung von Nutzergruppen den Aufwand reduzieren. Voraussetzung sind allerdings entsprechende administrative Berechtigungen.
Quelle: developers.google.com
3. BigQuery: TimesFM 3.0 ermöglicht multivariate Zeitreihenprognosen
Mit TimesFM 3.0 steht in BigQuery ein neues Modell für AI-gestützte Zeitreihenprognosen als Preview zur Verfügung. Eine wichtige Neuerung ist die Unterstützung multivariater Prognosen, die neben historischen Zeitreihen auch zusätzliche Einflussfaktoren berücksichtigen.
Über die SQL-Funktion AI.FORECAST lassen sich Prognosen direkt in BigQuery erstellen, ohne ein eigenes Forecasting-Modell trainieren zu müssen. TimesFM 3.0 kann dabei zusätzliche Variablen einbeziehen, die für die Entwicklung einer Kennzahl relevant sind. Ergänzende Funktionen ermöglichen es, die Prognosequalität zu bewerten und Anomalien in Zeitreihen zu erkennen.
Warum ist das relevant?
Für Marketing- und Business-Analytics eröffnet das neue Möglichkeiten bei der Prognose von Umsätzen, Nachfrage oder Website-Traffic. Statt ausschließlich historische Entwicklungen fortzuschreiben, können beispielsweise saisonale Faktoren oder geplante Marketingmaßnahmen in die Vorhersage einfließen. Da die Funktionen direkt über SQL zugänglich sind, lassen sich entsprechende Analysen einfacher in bestehende BigQuery-Workflows integrieren. TimesFM 3.0 befindet sich noch in der Preview.
Quelle: research.google.com/blog (TimeFM-3 architecture)
4. BigQuery DTS: Inkrementelle Transfers für PostgreSQL und ServiceNow (GA)
Der BigQuery Data Transfer Service unterstützt inkrementelle Datenübertragungen aus PostgreSQL und ServiceNow und ist jetzt allgemein verfügbar (GA). Daten lassen sich so aus beiden Systemen effizienter und mit geringerem Übertragungsaufwand in BigQuery integrieren. Die Funktion war zuvor bereits als Preview verfügbar und kann nun produktiv eingesetzt werden.
Bei inkrementellen Transfers werden nach der initialen Datenübertragung lediglich neue oder geänderte Datensätze aus den Quellsystemen übernommen. Ein vollständiger Import des gesamten Datenbestands bei jeder Aktualisierung ist damit nicht mehr erforderlich. Gerade bei großen Datenbeständen oder häufigen Aktualisierungen können inkrementelle Transfers den Zeit- und Ressourcenaufwand deutlich reduzieren.
Unternehmen können beispielsweise CRM-, Service- oder operative Daten regelmäßig in BigQuery aktualisieren, ohne sämtliche Datensätze erneut übertragen zu müssen. Das erleichtert die Integration von PostgreSQL- und ServiceNow-Daten in bestehende Analytics- und Reporting-Prozesse und kann gleichzeitig die Kosten für die Datenübertragung und -verarbeitung senken.
Quelle: docs.cloud.google.com (Release Notes)
5. BigQuery: AI.AGG für semantische Aggregationen (GA)
Mit AI.AGG können unstrukturierte Daten in BigQuery jetzt produktiv mithilfe von AI ausgewertet und zusammengefasst werden. Die Funktion ist seit Oktober allgemein verfügbar (GA) und ermöglicht semantische Aggregationen direkt über SQL.
Anders als klassische SQL-Aggregationen, die beispielsweise Werte zählen oder summieren, kann AI.AGG die inhaltliche Bedeutung von Textdaten berücksichtigen. Über natürlichsprachliche Anweisungen lassen sich Informationen aus mehreren Datensätzen zusammenfassen, Muster erkennen oder übergreifende Erkenntnisse ableiten.
Neu ist außerdem die Unterstützung von output_schema, mit dessen Hilfe die Struktur der generierten Ergebnisse explizit vorgegeben werden, um diese leichter automatisiert weiterzuverarbeiten.
Warum ist das relevant?
Besonders interessant ist die Funktion für die Analyse großer Mengen unstrukturierter Daten, etwa Kundenfeedback, Support-Tickets oder Freitextantworten aus Umfragen. Statt solche Inhalte zunächst manuell zu kategorisieren, können wiederkehrende Themen und Zusammenhänge direkt in BigQuery identifiziert werden.
Quelle: docs.cloud.google.com
6. Google Data Agent Kit: Jetzt allgemein verfügbar
Das bereits vor einigen Monaten vorgestellte Google Data Agent Kit ist seit Oktober allgemein verfügbar (GA). Die Sammlung aus MCP-Tools und Agent Skills soll AI Agents den Zugriff auf Google-Cloud-Dienste erleichtern und die Entwicklung agentischer Data-Engineering-Workflows unterstützen.
Das Data Agent Kit bietet standardisierte Schnittstellen und Funktionen für mehr als 15 Google-Data-Cloud-Services. Entwickler können damit AI-gestützte Coding-Tools wie Gemini CLI, Claude Code oder Cursor nutzen, um direkt mit Google-Cloud-Diensten zu arbeiten.
Agents können beispielsweise Datenstrukturen untersuchen, SQL-Abfragen erstellen und Datenpipelines entwickeln. Die bereitgestellten Agent Skills liefern zusätzlich produktspezifische Anleitungen und Best Practices für die jeweiligen Aufgaben.
Warum ist das relevant?
Mit der allgemeinen Verfügbarkeit entwickelt sich das Data Agent Kit von einem experimentellen Werkzeug zu einer regulär einsetzbaren Grundlage für agentische Data-Engineering-Workflows.
Entwickler können wiederkehrende Aufgaben zunehmend direkt aus ihrer gewohnten Entwicklungsumgebung heraus erledigen. Gleichzeitig wird es wichtiger, Berechtigungen und Kontrollmechanismen klar zu definieren, insbesondere wenn Agents aktiv Änderungen an Daten oder Pipelines vornehmen können. Weitere Informationen zum Data Agent Kit finden Sie hier.
Quelle: cloud.google.com/blog
7. Looker: Data Apps ermöglichen interaktive Anwendungen mit AI
Mit den neuen Looker Data Apps (Preview) erweitert Google seine BI-Plattform um die Möglichkeit, interaktive Anwendungen mithilfe von AI zu erstellen. Statt Daten ausschließlich in Dashboards und Reports darzustellen, sollen Nutzer künftig direkt auf Basis ihrer Daten arbeiten und Aktionen ausführen können.
Was ist neu?
Looker Data Apps ermöglichen die Entwicklung individueller Anwendungen, die auf bestehenden LookML-Modellen aufsetzen. Mithilfe von AI können Anwendungsoberflächen und Funktionen erstellt werden, ohne sämtliche Komponenten manuell programmieren zu müssen.
Die Anwendungen nutzen die vorhandene semantische Schicht und das Berechtigungsmodell von Looker. Denkbare Einsatzbereiche sind beispielsweise interaktive Szenarioanalysen, Planungsanwendungen oder Workflows, wobei aus Analyseergebnissen direkt weitere Aktionen angestoßen werden.
Warum ist das relevant?
Mit Data Apps entwickelt sich Looker über das klassische BI-Reporting hinaus. Fachbereiche können Daten nicht nur betrachten, sondern stärker in operative Entscheidungen und Prozesse einbinden. Besonders interessant ist die Kombination aus AI-gestützter Anwendungsentwicklung und einer zentral verwalteten Datengrundlage. Dadurch können individuelle Analyseanwendungen entstehen, ohne für jeden Anwendungsfall eine separate Datenlogik aufbauen zu müssen.
Quelle: cloud.google.com/blog








