Ile razy w ostatnim miesiącu logowałeś się do trzech różnych paneli reklamowych, pobierałeś pliki CSV, a potem otwierałeś Excela i próbowałeś to wszystko jakoś razem skleić w jeden sensowny raport? Raz? Pięć razy? A może ten „arkuszowy fitness” stał się już tak naturalnym elementem Twojej codziennej pracy, że w ogóle przestałeś to liczyć?
Jeżeli ten scenariusz brzmi znajomo, pora z tym skończyć. Przerzucanie danych łopatą z systemu do systemu to marnowanie czasu, który powinieneś spędzić na wyciąganiu wniosków i optymalizacji kampanii.
Google BigQuery i SQL brzmią technicznie, dla niektórych wręcz groźnie. Zaraz jednak zobaczysz, że wcale takie nie są. Dowiesz się, dlaczego warto je znać i wdrożyć w swojej firmie, nawet jeśli nie zamierzasz zostać programistą. A na koniec pokażę Ci, jak nowa era sztucznej inteligencji sprawia, że próg wejścia w ten świat spadł praktycznie do zera.
Czym jest Google BigQuery?
BigQuery to hurtownia danych od Google, która pozwala analizować miliony rekordów bez zabijania komputera i Excela. Co ciekawe, od 2017 roku każda firma (nawet mały e-commerce) może korzystać dokładnie z tej samej infrastruktury, której Google używa wewnętrznie do analizy danych z wyszukiwarki, YouTube’a czy Map.
W praktyce interfejs wygląda znajomo. Mamy tu tabele z kolumnami, nagłówkami i wierszami. Różnica polega na tym, że zamiast kilku tysięcy wierszy, przy których Twój komputer zaczyna głośno szumieć, w BigQuery możesz przetwarzać kilkadziesiąt milionów rekordów. I system dalej działa błyskawicznie.
Jest jednak jedno „ale”. Tabele w BigQuery nie działają jak zwykły arkusz kalkulacyjny. Nie możesz po prostu kliknąć w losową komórkę i wpisać tam formuły z palca. Z tą bazą danych komunikujemy się za pomocą języka SQL.
SQL, czyli Twój prywatny bibliotekarz danych
Wyobraź sobie ogromną bibliotekę pełną książek. To są Twoje surowe dane z GA4, CRM-a i systemów reklamowych. Książek jest mnóstwo, ale nie masz pojęcia, gdzie co leży. W tym układzie SQL pełni rolę genialnego bibliotekarza, czyli kogoś, kto natychmiast znajdzie dokładnie te informacje, których w danym momencie potrzebujesz.
W praktyce SQL to po prostu sposób na zadawanie pytań Twoim danym. Na przykład:
- „Pokaż mi wszystkich klientów, którzy zrobili zakupy w zeszłym miesiącu”.
- „Znajdź produkty, które sprzedają się najlepiej wyłącznie w weekendy”.
- „Sprawdź, które kampanie przyniosły najwięcej konwersji i realnego przychodu”.
Dzięki SQL-owi nie przeglądasz danych ręcznie. Piszesz jedno zapytanie, a baza odpowiada w ułamku sekundy. Konstruowanie takich pytań przypomina układanie klocków z konkretnych poleceń (takich jak SELECT, FROM, WHERE, GROUP BY czy ORDER BY).
Przykładowo, jeśli chcesz wyciągnąć imiona i maile klientów z tabeli bazy, piszesz proste zapytanie:
SELECT name, email FROM customers;
Wynik takiego zapytania zawsze wraca do Ciebie w formie czytelnej tabeli, którą możesz jednym kliknięciem wyeksportować do Google Sheets, Excela albo podpiąć pod narzędzia wizualizacji, takie jak Looker Studio.
Biznesowy konkret: Po co mi to w marketingu i e-commerce?
Wyobraź sobie realną sytuację: prowadzisz sklep internetowy, wydajesz budżety na Google Ads, Meta Ads i działania afiliacyjne. Chcesz wiedzieć, które kampanie przynoszą najbardziej wartościowych klientów. Nie takich, którzy kupują raz pod wpływem impulsu za 50 zł, ale takich, którzy regularnie wracają i zostawiają w sklepie tysiące.
Żeby odpowiedzieć na to pytanie w tradycyjny sposób, musisz połączyć dane z systemów reklamowych, dane o transakcjach z backendu sklepu oraz historyczną kartotekę klientów z CRM.
- W Excelu: to godziny pracy, ryzyko błędu przy
VLOOKUP/XLOOKUPi raport, który w momencie ukończenia opisuje już historyczną przeszłość sprzed tygodnia. - W BigQuery z SQL: to jedno zapytanie, kilka sekund odczekania i masz gotową odpowiedź na stole.
Praktyczny przewodnik: Jak zacząć i wyciągać dane bez znajomości SQL
Koniec z ogólnikami. Przejdziemy teraz przez cały proces: od założenia darmowego środowiska, przez ręczne zasilenie bazy testowym plikiem, aż po rozmawianie z danymi za pomocą AI.
Krok 1: Przygotowanie bezpiecznego środowiska
Wszystko dzieje się w chmurze Google. Wejdź na stronę cloud.google.com i zaloguj się swoim kontem Google.
- W prawym górnym rogu kliknij przycisk Try for free (lub Przejdź do konsoli, jeśli masz już aktywne GCP).
- Proces rejestracji składa się z dwóch kroków: najpierw podajesz podstawowe dane firmy/osobowe, a w drugim kroku system poprosi Cię o podanie karty płatniczej.
Ważne – bez paniki: Google wymaga karty wyłącznie w celu weryfikacji, czy nie jesteś botem. Samo założenie konta i testy są w 100% bezpieczne. Na start otrzymujesz od Google 300 wirtualnych dolarów (kredytów) na zabawę systemem. Ponadto BigQuery posiada darmowy pakiet, w ramach którego możesz przetworzyć do 1 TB danych miesięcznie za darmo. Przy testowych bazach nie wydasz ani grosza.
Po przejściu rejestracji trafisz do panelu głównego. W górnej wyszukiwarce wpisz BigQuery i przejdź do konsoli narzędzia.
Krok 2: Aktywacja płatności dla projektu
Po wejściu do BigQuery zobaczysz po lewej stronie losowo nazwany projekt (np. My First Project). Aby odblokować pełną moc bazy i móc wgrywać własne pliki, musisz wykonać jedną techniczną rzecz – spiąć projekt z profilem płatności (tym zweryfikowanym przez kartę/darmowe kredyty).
- Rozwiń menu hamburgerowe w lewym górnym rogu i przejdź do zakładki Płatności (Billing).
- Kliknij Zarządzaj kontami rozliczeniowymi, a następnie przejdź do zakładki Twoje projekty.
- Znajdź swój projekt na liście. Jeśli pole „Identyfikator konta rozliczeniowego” jest puste, kliknij trzy kropeczki po prawej stronie i wybierz Zmień konto rozliczeniowe, wskazując swój profil płatności.
Krok 3: Wgrywanie własnych danych
W rzeczywistych warunkach biznesowych dane do BigQuery płyną automatycznie przez gotowe konektory (np. z GA4, Shopify czy Meta Ads). My teraz zrobimy to jednak ręcznie, aby zrozumieć, jak baza buduje tabele.
- W panelu BigQuery po lewej stronie znajdź swój projekt, kliknij trzy pionowe kropki obok niego i wybierz Utwórz zbiór danych (Dataset). Nazwij go krótko, np.
skutecznosc reklam. - Kliknij trzy kropki obok nowo utworzonego zbioru
skutecznosc reklami wybierz Utwórz tabelę (Create table). - Wypełnij panel przesyłania dokładnie tak, jak na poniższym schemacie:
- Źródło (Source): Wybierz „Prześlij” (Upload) i wskaż plik CSV ze swojego komputera.
- Nazwa tabeli: Wpisz unikalną nazwę, np.
skutecznoscreklam(używaj tylko małych liter, cyfr i podkreśleń – bez spacji i polskich znaków). - Schemat (Schema): Zaznacz checkbox Wykryj automatycznie (Auto-detect). System sam rozpozna nagłówki kolumn.
- Opcje zaawansowane (Advanced options): Rozwiń tę sekcję. Jeśli Twój plik CSV używa średników jako separatorów, zmień „Ogranicznik pola” na Własny i wpisz średnik (
;). W polu Wiersze nagłówka do pominięcia wpisz1(dzięki temu system zrozumie, że pierwszy wiersz to nazwy kolumn, a nie czyste dane).
Kliknij Utwórz tabelę. Po kilku sekundach na dole panelu pojawi się gotowy obiekt.
Krok 4: Anatomia tabeli – Schemat vs Podgląd
Kliknij w swoją nową tabelę. Na środku ekranu pojawią się jej szczegóły. Dla marketera najważniejsze są dwie zakładki:
Zakładka: Schemat (Schema)
Pokazuje „bebechy” tabeli. Widzisz tu nazwy wszystkich kolumn. To kluczowa wiedza, bo dokładnie o te nazwy będziemy pytać system.
Zakładka: Podgląd (Preview)
Pozwala rzucić okiem na żywe dane bez pisania ani jednej linijki kodu. Widzisz tu pierwsze kilkadziesiąt wierszy tabeli. Zwróć uwagę na prawy dolny róg – tam BigQuery pokazuje pełną skalę pliku. Excel potrafi się zawiesić przy 100 tysiącach wierszy. BigQuery przetwarza pliki liczące 440 000 czy 40 000 000 wierszy w ułamku sekundy.
Krok 5: Wyciąganie raportów przy użyciu AI (Dwie metody)
Nie musisz uczyć się składni SQL na pamięć. Masz do dyspozycji dwa potężne sposoby na ominięcie ręcznego pisania kodu.
Metoda A: Wbudowany asystent Gemini w BigQuery
To najszybsza ścieżka. Nad otwartą tabelą kliknij przycisk Zapytanie (Query), a następnie w polu tekstowym kliknij ikonę rysika z gwiazdką po lewej stronie. Otworzy to panel boczny AI (lub w nowszych wersjach bezpośrednie okno czatu z danymi).
Napisz proste pytanie ludzkim językiem:
„Która kampania ma najwyższy CTR” albo „Ile było kliknięć w kampanie?”
Jak to działa? Gemini analizuje schemat Twojej tabeli, samo generuje poprawny kod SQL, sprawdza jego poprawność (zielony ptaszek na dole oznacza sukces) i pokazuje, ile bajtów danych zużyje zapytanie.
Klikasz Wstaw (Insert), potem Uruchom (Run) i na dole ekranu otrzymujesz czysty wynik podobny do tego:
| Row | source | customer_count |
|---|---|---|
| 1 | google_ads | 6 |
| 2 | ceneo | 4 |
| 3 | 4 | |
| 4 | organic | 4 |
Wynik ten możesz jednym kliknięciem wyeksportować do Google Sheets lub Looker Studio, by zmienić go w interaktywny wykres. Co więcej, nowoczesny interfejs czatu w BigQuery obok samej tabeli od razu wypluje dla Ciebie gotowy, tekstowy insight (wniosek) podsumowujący te dane.
Metoda B: Zewnętrzny model AI
Co zrobić, jeśli pracujesz w zewnętrznym oknie i wbudowany asystent nie jest pod ręką? Możesz użyć klasycznego czatu AI, ale musisz zrobić to sprytnie. Modele językowe nie widzą Twojego ekranu. Jeśli rzucisz suche hasło: „Napisz mi SQL wyciągający klientów z Google Ads”, AI wygeneruje uniwersalny szablon, w którym ręcznie będziesz musiał podmieniać nazwy projektów. Co gorsza, jeśli w Twojej bazie źródło jest zapisane jako google_ads (małymi literami z podkreśleniem), a AI wpisze w kodzie "Google Ads" (z wielkich liter i ze spacją), baza zwróci wynik: 0.
Prawidłowy prompt do zewnętrznego AI (Zasada Kontekstu):
- Skopiuj tekstowo lub zrób screena Schematu tabeli (nazw kolumn).
- Skopiuj kilka linijek z zakładki Podgląd, aby AI zobaczyło dokładny format zapisu danych.
- Wklej to do czatu wraz z precyzyjną nazwą tabeli skopiowaną z BigQuery i napisz:
„Oto schemat i próbka mojej tabeli o nazwie
[TUTAJ_WKLEJ_PEŁNĄ_NAZWĘ_TABELI]. Napisz mi zapytanie SQL do Google BigQuery, które pokaże sumę przychodów dla każdego źródła marketingowego w podziale na miasta.”
AI wypluje idealnie dopasowany kod uwzględniający specyfikę Twoich danych, który po prostu wklejasz do okna BigQuery i klikasz Uruchom. Samo użycie BigQuery wymaga nieco zachodu, ale staje się coraz prostsze. Ja polecam pobawić się bazami i po prostu go przeklinać. Dzięki temu łatwiej wdrożysz się w narzędzie.