September 2026

Inhalt

Liebe Leser,

der September brachte einige relevante Neuerungen mit sich. In GA4 sorgen neue KPI-Dashboards und Hostname-Filter für mehr Flexibilität im Reporting und bei der Datenqualität. Mit Meridian GeoX werden zudem geografische Incrementality-Tests weltweit verfügbar und enger mit Marketing Mix Modelling verbunden.

In BigQuery liegt der Schwerpunkt erneut auf AI und agentischen Workflows. BigQuery Graph ist nun allgemein verfügbar, TabFM macht Predictive Analytics direkt über SQL zugänglicher und MCP-Integrationen übernehmen zunehmend operative Aufgaben in Data- und Development-Workflows.

Viel Spaß beim Lesen!

Marcus StadeHead of Analytics

1. GA4: Neue Dashboard-Funktion für zentrale KPI-Übersichten

Google Analytics führt eine neue Dashboard-Funktion ein, mit der sich wichtige Kennzahlen flexibler auf einer zentralen Seite zusammenstellen lassen. Damit erweitert Google die Reporting-Oberfläche um eine stärker individualisierbare Möglichkeit, relevante KPIs und Visualisierungen auf einen Blick zu verfolgen.

Was ist neu?
Die neuen Dashboards bieten eine überarbeitete Oberfläche zur Erstellung individueller KPI-Übersichten. Visualisierungen können intuitiv erstellt und per Drag-and-drop innerhalb des Dashboards angeordnet werden. Zusätzlich stehen neue Report-Visualisierungen zur Verfügung. Dadurch lassen sich unterschiedliche Kennzahlen und Analysen in einer gemeinsamen Ansicht zusammenführen und auf die jeweiligen Reporting-Anforderungen abstimmen.

Warum ist das relevant?
Für regelmäßiges Monitoring müssen zentrale KPIs durch die neue Dashboard-Funktion weniger über verschiedene Reports verteilt betrachtet werden. Teams können relevante Kennzahlen stärker in einer gemeinsamen Übersicht bündeln und Dashboards an unterschiedliche Anwendungsfälle anpassen. Die Neuerung macht GA4 damit insbesondere für wiederkehrende Performance-Checks und kompakte Management-Übersichten flexibler.

Quelle: support.google.com

2. GA4: Neue Include-Filter für Hostnames

Bei der Kontrolle eingehender Daten bietet Google Analytics jetzt eine deutlich gezieltere Filterung. Mit den neuen Include-Filtern für Hostnames lässt sich festlegen, welche Domains überhaupt Event-Daten an eine GA4-Property senden dürfen.

Statt unerwünschte Hostnames ausschließlich über Exclude-Filter auszuschließen, können Unternehmen nun eine Art “Allowlist“ zugelassener Hostnames definieren. Events von nicht freigegebenen Hostnames werden dadurch herausgefiltert. Das reduziert insbesondere den Pflegeaufwand gegenüber Exclude-Listen, die bei neu auftretenden Spam-Quellen regelmäßig erweitert werden müssen.

Zwei Besonderheiten sind wichtig: Events, die über das Measurement Protocol gesendet werden, sind von den Hostname-Include-Filtern ausgenommen und werden weiterhin verarbeitet. Events mit einem leeren Hostname werden dagegen automatisch blockiert, da Google einen fehlenden Hostname typischerweise als Hinweis auf Spam oder ungewöhnlichen Traffic einordnet.

Warum ist das relevant?
Gerade bei Properties, deren Tracking ausschließlich auf klar definierten Domains stattfinden soll, lässt sich die Datenqualität durch die neuen Filter-Optionen einfacher absichern. Statt immer wieder neue unerwünschte Quellen identifizieren und ausschließen zu müssen, wird festgelegt, welche Hostnames grundsätzlich zulässig sind. Vor der Aktivierung sollte allerdings geprüft werden, welche Domains und Subdomains tatsächlich Daten liefern und ob im eigenen Setup Events ohne Hostname vorkommen.

Quelle: analytics.google.com

3. GTM: AI-Suggested Version Summary

Beim Veröffentlichen von Änderungen unterstützt der Google Tag Manager (GTM) jetzt mit AI bei der Dokumentation von Container-Versionen.

Auf der Submit-Seite steht eine neue AI-suggested version summary zur Verfügung. Google analysiert dafür die Änderungen, die seit der vorherigen Version im Workspace vorgenommen wurden, und schlägt automatisch einen Version Name und eine Version Description vor. Bisher mussten diese Angaben beim Erstellen oder Veröffentlichen einer Version manuell eingetragen werden.

Warum ist das relevant?
Aussagekräftige Versionsbeschreibungen sind insbesondere bei gemeinsam verwalteten oder häufig aktualisierten GTM-Containern wichtig, um Änderungen später nachvollziehen und bei Problemen gezielt auf frühere Versionen zurückgreifen zu können. Die AI-Unterstützung kann diesen Dokumentationsaufwand reduzieren und dabei helfen, die Versionshistorie konsistent zu pflegen. Die automatisch erzeugten Vorschläge sollten allerdings vor dem Veröffentlichen unbedingt geprüft werden.

Quelle: tagmanager.google.com

4. BigQuery Graph jetzt generell verfügbar

Am 1. September hat Google die General Availability von BigQuery Graph prominent im Google Cloud Blog angekündigt. Google positioniert Graph dabei zunehmend als Grundlage für AI Agents, die nicht nur einzelne Datenpunkte betrachten, sondern auch Beziehungen und Zusammenhänge zwischen ihnen verstehen sollen.

Was ist neu?
Mit dem GA-Status können Graph-Analysen produktiv direkt auf bestehenden BigQuery-Daten durchgeführt werden, ohne diese in eine separate Graph-Datenbank übertragen zu müssen. Abfragen erfolgen über die Graph Query Language (GQL) und lassen sich mit SQL sowie bestehenden BigQuery-Funktionen kombinieren. Zum GA-Release erweitert Google außerdem die Möglichkeiten zur Analyse komplexerer Pfade und Beziehungen innerhalb eines Graphen.

Warum ist das relevant?
Besonders interessant ist Googles Positionierung von Graph als „Knowledge Foundation“ für AI Agents. Beziehungen zwischen Kunden, Produkten, Transaktionen oder anderen Entitäten können Agents zusätzlichen Kontext liefern, der in klassischen Tabellenstrukturen nur schwer abzubilden ist. Da diese Graph-Strukturen direkt auf bestehende BigQuery-Daten aufsetzen, lassen sich solche Anwendungsfälle ohne zusätzliche Datenhaltung umsetzen. BigQuery Graph entwickelt sich damit nicht nur zu einem Werkzeug für Relationship-Analysen, sondern zu einem weiteren Baustein in Googles Strategie für agentische Analytics-Anwendungen.

Quelle: cloud.google.com/blog
(A diagram illustrating a virtual knowledge graph spanning across Google Cloud (blue nodes), AWS (yellow nodes), and other clouds (green nodes) without data movement)

5. BigQuery: Predictive Analytics ohne eigenes Modelltraining mit TabFM

Google hat am 2. September mit TabFM (Preview) ein neues Foundation Model für tabellarische Daten in BigQuery angekündigt. Das von Google Research entwickelte Modell soll Klassifikations- und Regressionsaufgaben direkt auf bestehenden Tabellendaten ermöglichen, ohne dafür zunächst ein eigenes Machine-Learning-Modell trainieren und deployen zu müssen.

Was ist neu?
TabFM ist ein vortrainiertes Modell, das mittels In-Context Learning aus bereitgestellten historischen Beispieldaten lernt. Über die neue SQL-Funktion AI.PREDICT werden historische Daten und die zu analysierenden Daten direkt übergeben. TabFM erkennt anhand der Zielvariable automatisch, ob es sich um eine Klassifikations- oder Regressionsaufgabe handelt. Mit AI.EVALUATE lässt sich anschließend die Qualität der Vorhersagen anhand gängiger Metriken überprüfen. Feature Engineering, Hyperparameter-Tuning und das separate Erstellen eines Modells entfallen dabei. Google nennt beispielsweise Churn Prediction, Purchase Intent und Fraud Scoring als mögliche Anwendungsfälle.

Warum ist das relevant?
Predictive Analytics wird durch die Verfügbarkeit des TabFM-Modells für Analysten deutlich zugänglicher. Vorhersagen können ähnlich wie eine reguläre BigQuery-Abfrage über SQL angestoßen werden. Interessant ist TabFM außerdem für agentische Workflows, da sich die Funktionen mit dem BigQuery MCP Server verbinden lassen. Klassische ML-Modelle ersetzt TabFM jedoch nicht grundsätzlich. Google empfiehlt beispielsweise weiterhin traditionelle Modelle wie XGBoost, wenn umfangreiches Hyperparameter-Tuning, sehr große historische Datensätze oder eine genaue Nachvollziehbarkeit der wichtigsten Einflussfaktoren benötigt werden.

Quelle: cloud.google.com/blog
(ELO ratings (↑) for the top 10 models across TabArena classification (upper) and regression (lower). (D) = default; (T+E) = tuned + ensemble. Higher scores denote superior performance.)

6. BigQuery Data Transfer Service: MCP-Server jetzt allgemein verfügbar

Der MCP-Server für den BigQuery Data Transfer Service verlässt die Preview und ist jetzt allgemein verfügbar (GA). Damit können AI-Anwendungen und Agents Datenübertragungen in BigQuery über eine von Google bereitgestellte Remote-MCP-Schnittstelle verwalten.

Über den MCP-Server können AI-Anwendungen wie Gemini CLI, ChatGPT oder Claude per natürlicher Sprache auf Funktionen des BigQuery Data Transfer Service zugreifen. Dazu gehören das Anzeigen verfügbarer Datenquellen, das Erstellen und Verwalten von Transfer-Konfigurationen, die Überprüfung von Transfer-Runs sowie die Prüfung gültiger Credentials für eine Datenquelle. Der MCP-Server läuft dabei auf der Google-Infrastruktur und wird über die BigQuery Data Transfer Service API bereitgestellt.

Mit dem GA-Status wird MCP zunehmend zu einer regulären Schnittstelle für operative BigQuery-Workflows. Agents können dadurch nicht nur Daten analysieren, sondern auch wiederkehrende Aufgaben rund um Datenimporte und deren Überwachung übernehmen.

Gerade bei einer wachsenden Zahl von Datenquellen eröffnet das neue Automatisierungsmöglichkeiten. Gleichzeitig empfehlen wir, die Berechtigungen der Agents genau zu steuern, da über MCP aktive Änderungen an Transfer-Konfigurationen vorgenommen werden können.

Quelle: docs.cloud.google.com

7. BigQuery: Neue Augmented-Analytics-Funktionen

Mit den sogenannten Augmented Analytics Functions lassen sich unter anderem Ursachen für Veränderungen identifizieren, Zusammenhänge zwischen Kennzahlen untersuchen und die Auswirkungen konkreter Maßnahmen quantifizieren.

Was ist neu?
Google bündelt sechs Table-Valued Functions (TVFs) für unterschiedliche analytische Aufgaben. AI.KEY_DRIVERS identifiziert Faktoren, die Veränderungen einer Kennzahl erklären, während AI.CAUSAL_EFFECT den Effekt einer Maßnahme gegenüber einer erwarteten Entwicklung quantifiziert. ML.CORRELATION untersucht statistische Zusammenhänge zwischen Kennzahlen. Hinzu kommen die bereits im August vorgestellten Funktionen ML.TREND, ML.SEASONALITY und ML.DETECT_CHANGE_POINTS für Zeitreihenanalysen. Die Funktionen können miteinander kombiniert werden und stehen auch innerhalb von Conversational Analytics zur Verfügung.

Warum ist das relevant?
Analysen wie Ursachen-, Korrelations- oder Kausalanalysen lassen sich mit den Augmented Analytics Functions stärker direkt in BigQuery durchführen, ohne Daten zunächst in separate Umgebungen zu übertragen. Besonders interessant ist die Kombination mit Conversational Analytics: Die Funktionen können von Agents für mehrstufige Untersuchungen genutzt werden, beispielsweise um zunächst eine ungewöhnliche Veränderung zu erkennen, anschließend mögliche Treiber zu bestimmen und schließlich den Effekt einer konkreten Maßnahme zu untersuchen.

Quelle: cloud.google.com/blog

8. Dataform: Unit Tests für SQL-Transformationen allgemein verfügbar

Für produktive Datenpipelines wird die Qualitätssicherung in Dataform einfacher. Unit Tests für Dataform Actions sind neuerdings allgemein verfügbar (GA) und ermöglichen es, SQL-Transformationslogik anhand definierter Testdaten und erwarteter Ergebnisse zu überprüfen.

Mit Unit Tests können Dataform Actions gegen Mock-Daten und ein vorab definiertes erwartetes Result Set getestet werden. Damit lässt sich überprüfen, ob eine SQL-Transformation für einen bekannten Input tatsächlich das gewünschte Ergebnis erzeugt. Die Funktion war zuvor bereits verfügbar und erreicht nun den GA-Status. Auch BigQuery Pipelines unterstützen entsprechende Unit Tests zur Validierung der SQL-Transformationslogik.

Warum ist das relevant?
Fehler in SQL-Transformationen fallen häufig erst auf, wenn sie sich bereits auf nachgelagerte Tabellen, Reports oder Analysen auswirken. Unit Tests ermöglichen es, eine zentrale Transformationslogik reproduzierbar zu prüfen und Änderungen vor dem produktiven Einsatz abzusichern.

Quelle: docs.cloud.google.com

9. Dataform MCP Server: Management von Pipelines und Git-Workflows

AI Agents erhalten nun auch in Dataform deutlich mehr Möglichkeiten, aktiv am Entwicklungsprozess von Datenpipelines mitzuwirken. Der Dataform Remote MCP Server unterstützt jetzt das Authoring in Development Workspaces sowie Git-Operationen und ist für diese Funktionen allgemein verfügbar (GA).

Über den MCP-Server können Agents unter anderem Development Workspaces erstellen und auflisten, Dateien suchen und bearbeiten sowie Änderungen committen und zu Remote-Git-Providern wie GitHub oder GitLab pushen. Darüber hinaus können sie Repository-Einstellungen aktualisieren und Repositories organisieren. Neben der eigentlichen Entwicklung unterstützt der MCP-Server auch das Verwalten von Pipelines und Releases sowie die Analyse und Validierung fehlgeschlagener Workflows.

Damit geht der Einsatz von MCP in Dataform deutlich über das reine Abfragen oder Überwachen von Pipelines hinaus. AI Agents können nun direkt in den Entwicklungs- und Git-Workflow eingreifen und Änderungen bis zum Commit und Push begleiten. Das eröffnet neue Möglichkeiten für agentisches Data Engineering, macht aber zugleich eine klare Steuerung von Berechtigungen und Review-Prozessen wichtiger, insbesondere wenn Agents Änderungen an produktionsnahen Repositories vornehmen können.

Quelle: cloud.google.com (MCP client-server architecture)

10. Meridian GeoX

Google verbindet Incrementality Testing und Marketing Mix Modelling

Mit Meridian GeoX macht Google seine Open-Source-Lösung für geografische Experimente seit dem 10. September weltweit allgemein verfügbar. Unternehmen können somit den inkrementellen Effekt ihrer Marketingmaßnahmen anhand geografischer Test- und Kontrollgruppen messen und die Ergebnisse anschließend zur Kalibrierung von Meridian Marketing Mix Models (MMM) verwenden.

GeoX unterstützt verschiedene experimentelle Designs wie Holdback, Go-dark, Heavy-up und Multi-Cell-Tests. Dabei werden geografische Regionen miteinander verglichen, um zu bestimmen, welche zusätzlichen Conversions oder Umsätze tatsächlich durch eine Marketingmaßnahme verursacht wurden. Die Lösung ist publisherunabhängig und kann damit auch für Experimente über Google- und Non-Google-Kanäle hinweg eingesetzt werden. Mit der Veröffentlichung von Meridian 2.0 ist GeoX zudem enger in Googles MMM-Lösung integriert.

Geo-Experimente bieten eine Möglichkeit, Marketingwirkung kausal zu untersuchen, ohne einzelne Nutzer über verschiedene Touchpoints hinweg verfolgen zu müssen. Besonders interessant ist die Verbindung mit Meridian. Ergebnisse aus GeoX-Experimenten können als zusätzliche Evidenz zur Kalibrierung eines Marketing-Mix-Modells einfließen. Dadurch kommen zwei Ansätze zusammen, die bisher häufig getrennt eingesetzt wurden: experimentell gemessene Incrementality und modellbasierte Marketing-Messung.

Quelle: blog.google.com

Marcus Stade

Co-Founder & Head of Digital Analytics @ mohrstade