BigQuery로 들어오는 GA4 데이터

① 샘플링이 없습니다

GA4 탐색 보고서는 데이터가 일정 분량을 넘으면 ‘일부 표본만 뽑아 추정값을 보여주는’ 샘플링이 일어납니다. 보고서마다 한도가 있고, 캠페인 분석처럼 큰 트래픽 구간에서는 보고서 우측 상단에 “이 데이터는 표본 기반”이라는 표시가 뜹니다. 표본 기반 숫자는 신규 추세 감지에는 쓸 수 있지만, 의사결정·재무 보고에 쓰기엔 부담스럽습니다.

BigQuery는 모든 원본 행을 직접 다룹니다 — 우리가 작성한 SQL이 본 데이터 그대로의 결과를 돌려줍니다. 그래서 “GA4 화면 숫자와 BigQuery 숫자가 다른데요?”라는 상황에서, BigQuery 쪽이 항상 ‘정확한 원본’의 입장입니다.

② 카디널리티(고유값) 한계가 없습니다

GA4는 한 차원의 고유값이 너무 많아지면 일정 한도를 넘는 값을 ‘(other)’로 묶어 버립니다. 상품 ID·콘텐츠 슬러그·검색어처럼 종류가 수천·수만 종에 달하는 차원이 대표 사례입니다. GA4 화면에서는 ‘상위 N개’만 깔끔히 보이고 나머지는 모두 (other)로 합산되어 분석이 끊깁니다.

BigQuery에는 이 제한이 없습니다. SELECT item_id, COUNT(*) ... 한 줄이면 모든 상품 ID를 그대로 볼 수 있고, 롱테일 영역(거의 안 팔리지만 점점 늘어나는 상품군)까지 추적할 수 있습니다.

③ 보존 기간이 우리의 결정에 따릅니다

GA4의 이벤트 데이터 보존은 최대 14개월입니다. 그 이후 데이터는 ‘집계된 표준 보고서’로만 남고, 원본 이벤트 단위로는 더는 조회할 수 없습니다 — 즉 ‘작년 이맘때 어떤 사용자 그룹의 행동 패턴은 어땠는가’ 같은 질문은 시간이 지나면 답할 수 없게 됩니다.

BigQuery에 적재된 원본은 우리가 지우지 않는 한 영구 보존됩니다. 시즌 비교·연간 코호트 분석·LTV 추적처럼 시간을 길게 두는 분석을 안정적으로 돌릴 수 있습니다.

④ SQL로 어떤 조합·결합도 가능합니다

GA4 화면은 미리 정의된 ‘측정기준 × 측정항목’ 조합 안에서만 움직입니다. 우리가 원하는 사용자 정의 차원이 두 개를 함께 보는 것조차 안 되는 경우가 있고, ‘이 사용자가 가입 후 3일 안에 구매한 비율’ 같은 단계별 분석은 탐색 보고서의 ‘유입경로’ 모듈로만 — 그것도 제한된 형식으로 — 가능합니다.

BigQuery에선 SQL로 임의의 조인·서브쿼리·윈도우 함수까지 자유롭게 작성합니다. 가입 이벤트와 결제 이벤트를 사용자 단위로 묶고, 그 사이 일수를 계산하고, 코호트별 평균을 내는 일이 SQL 한두 단락이면 됩니다. CRM·결제·광고 비용 데이터를 같은 곳에서 조인해서 ‘이 캠페인의 진짜 ROI’를 구하는 것도 자연스럽습니다.

⑤ 외부 도구·BI에 그대로 연결됩니다

BigQuery는 ‘분석의 허브’ 자리에 있습니다. Looker Studio·Tableau·Power BI 같은 BI 도구가 BigQuery를 1급 데이터 소스로 지원하고, Python·R·Dataform·dbt·머신러닝 파이프라인도 모두 SQL이나 표준 클라이언트로 BigQuery에 접속합니다.

즉 ‘BigQuery에 모든 GA4 이벤트를 모아 두는 것’ 자체가 우리 회사의 분석 인프라 표준 입구가 됩니다 — 분석 도구를 바꾸더라도, 데이터 소스는 그대로 두고 화면만 바꾸면 됩니다.

⑥ 분석을 재현·감사할 수 있습니다

의사결정을 위한 숫자는 ‘어떻게 계산했는가’가 검증 가능해야 합니다. GA4 화면에서 손으로 클릭해 뽑은 숫자는 6개월 뒤에 같은 숫자를 다시 만들기 어렵습니다 — 그 사이 GA4 보고서 정의가 바뀌었거나, 우리가 어떤 필터를 걸었는지 잊어버렸을 수 있어서요.

BigQuery에선 모든 분석이 SQL 코드로 남습니다. 코드를 깃 저장소에 두면 ‘이 숫자는 어떤 쿼리로, 어떤 날짜 범위로, 어떤 조건으로 계산했는가’를 영구 기록할 수 있고, 같은 SQL을 다시 돌리면 같은 결과가 나옵니다.

⑦ Vertex AI · BigQuery 내 AI 에이전트로 분석을 자동화·자연어화

최근 BigQuery는 단순한 데이터 창고를 넘어 AI 분석 플랫폼으로 확장되고 있습니다. 우리 데이터를 그대로 둔 채 여러 층의 도구가 그 위에서 동작합니다.

• Gemini in BigQuery — BigQuery Studio 자체에 자연어 인터페이스가 들어 있습니다. “지난 30일간 가장 많이 본 상품 카테고리는?” 같이 한국어로 묻기만 하면 SQL을 대신 작성해 주고 결과를 표·차트로 보여 줍니다. 데이터 캔버스에서는 ‘질문 → 데이터 탐색 → 차트화’를 노트북처럼 이어 갈 수 있습니다.
• BigQuery ML / 내장 LLM 함수 — SQL 안에서 바로 머신러닝 모델을 학습·예측하거나, ML.GENERATE_TEXT 같은 함수로 LLM(예: Gemini)에게 자연어 작업을 시킵니다. “이 리뷰 문장을 긍정·부정으로 분류해 줘”를 SQL 한 줄로 처리할 수 있습니다.
• Vertex AI 연동 — Google Cloud의 ML/AI 플랫폼인 Vertex AI는 BigQuery와 같은 권한·데이터셋을 공유합니다. AutoML로 이탈 예측 모델을 학습시키고, 그 예측 결과를 다시 BigQuery 테이블에 적재해 운영 보고서에 끼워 넣는 흐름이 자연스럽게 구성됩니다.

요점은 — 일단 BigQuery에 데이터를 모아 두면, 이후 자연어 분석·자동 예측·AI 에이전트화 같은 한 단계 위의 활용은 ‘데이터를 옮기는 일 없이’ 위에 얹기만 하면 된다는 점입니다.