Gemini w BigQuery: zapytania SQL do danych marketingowych pisane językiem naturalnym

Co potrafi Gemini w BigQuery

Funkcje Gemini w BigQuery dzielą się na trzy grupy: pomoc w pisaniu kodu, eksplorację danych bez kodu oraz automatyzację pracy inżynierskiej. Poniższa tabela porządkuje te, które mają największe znaczenie w analityce marketingowej.

Agentów danych tworzonych w BigQuery można od kwietnia 2026 publikować w Data Studio (tak od kwietnia 2026 ponownie nazywa się Looker Studio), a funkcja analityki konwersacyjnej jest tam ogólnie dostępna od 30 lipca 2026. W praktyce oznacza to, że osoba z zarządu może zadać pytanie agentowi, którego zasady przygotował analityk, bez dostępu do edytora SQL. Porównanie z innymi sposobami raportowania znajdziesz w artykule o dashboardach w GA4 i Looker Studio.

Jak włączyć Gemini w BigQuery

Konfiguracja zależy od tego, jak Twoja organizacja zarządza Google Cloud, ale ogólna kolejność jest podobna. Nazwy przycisków i ról mogą się zmieniać, więc traktuj listę jako mapę, a szczegóły sprawdź w dokumentacji projektu.

1. Ustal, kto decyduje o AI w projekcie. Włączenie Gemini to decyzja administratora projektu lub organizacji, często wymagająca zgody działu IT lub inspektora ochrony danych.
2. Włącz funkcje Gemini dla projektu. Administrator aktywuje odpowiednie usługi i nadaje użytkownikom uprawnienia do korzystania z Gemini w BigQuery.
3. Sprawdź warunki i koszty. Część funkcji jest dostępna bez dodatkowej opłaty, część może wymagać konkretnej edycji lub licencji – zweryfikuj to przed udostępnieniem zespołowi.
4. Wybierz funkcje w BigQuery Studio. W edytorze SQL, w menu Gemini, możesz włączać i wyłączać poszczególne funkcje, np. automatyczne uzupełnianie.
5. Ustaw limity kosztów. Zanim zespół zacznie generować zapytania, ustaw maksymalną liczbę rozliczanych bajtów i dzienne przydziały, opisane w poradniku o kontroli kosztów BigQuery.
6. Spisz zasady korzystania. Krótka instrukcja, jakich danych nie wolno analizować z pomocą AI i kto weryfikuje wyniki, oszczędzi problemów; wzór znajdziesz w tekście o polityce korzystania z AI w dziale marketingu.

Jak pisać polecenia, żeby Gemini generował poprawny SQL do GA4

Asystent zna schemat tabeli, ale nie zna Twoich definicji biznesowych. Im więcej z nich podasz w poleceniu, tym mniej poprawek. Dobre polecenie zawiera nazwę tabeli, zakres dat w formie sufiksu, definicję metryk i oczekiwane kolumny wyniku.

Tabela: twoj-projekt.analytics_123456789.events_*
Zakres: _TABLE_SUFFIX od 20261001 do 20261026.
Sesja = połączenie user_pseudo_id i parametru ga_session_id z event_params.
Źródło i medium sesji: session_traffic_source_last_click.cross_channel_campaign.
Przychód: suma ecommerce.purchase_revenue dla zdarzeń purchase.
Wynik: źródło, medium, liczba sesji, liczba transakcji (unikalne transaction_id),
przychód, przychód na sesję. Posortuj malejąco po przychodzie.

Polecenia możesz pisać po polsku, ale nazwy pól, tabel i zdarzeń podawaj zawsze w oryginalnym brzmieniu. Jeśli wynik jest nieprecyzyjny, rozbij zadanie na mniejsze kroki: najpierw tabela sesji, potem agregacja. Wzorcowe zapytania, z którymi możesz porównać wygenerowany kod, znajdziesz w zestawie 10 zapytań do eksportu GA4, a gotowe polecenia do pracy z danymi kampanii – w zbiorze promptów dla specjalisty performance.

Funkcja wyjaśniania przydaje się w drugą stronę. Zaznacz zapytanie, które dostałeś od kogoś innego, i poproś o opis. To szybki sposób, żeby zrozumieć, czy dashboard liczy przychód z uwzględnieniem zwrotów i czy sesje są przypisywane do daty rozpoczęcia.

Typowe błędy generowanego SQL i jak je wyłapać

Model językowy (LLM) generuje kod, który wygląda wiarygodnie, a schemat eksportu GA4 ma kilka nieoczywistych cech. Poniższe błędy pojawiają się najczęściej.

Prosty test poprawności: każde wygenerowane zapytanie porównaj z jednym znanym wynikiem, np. liczbą transakcji z systemu sklepu albo liczbą sesji z GA4 za jeden dzień. Różnica kilku procent jest normalna, kilkadziesiąt procent oznacza błąd logiki. Dlaczego wyniki nie są identyczne nawet przy poprawnym kodzie, wyjaśniamy w artykule o sesjach i źródłach ruchu w SQL.

Data canvas, insighty i agenci danych: analiza bez pisania kodu

Data canvas to przestrzeń, w której analiza składa się z kolejnych kroków zapisanych jako węzły: wyszukanie tabeli, zapytanie, połączenie, wykres. Każdy krok możesz opisać zwykłym językiem, a canvas da się udostępnić zespołowi. Sprawdza się przy analizach, które ktoś inny ma później powtórzyć, np. comiesięcznym przeglądzie skuteczności kampanii.

Insighty danych proponują zapytania eksploracyjne na podstawie metadanych tabeli. To dobry start, gdy dostajesz nowy zbiór, np. eksport z Google Ads, i chcesz szybko zobaczyć rozkłady wartości i potencjalne anomalie.

Najwięcej zmienia jednak analityka konwersacyjna z agentami danych. Agent to konfiguracja, w której analityk wskazuje tabele, dopisuje instrukcje („przychód liczymy netto, bez VAT”), słownik pojęć i zweryfikowane zapytania dla najczęstszych pytań. Użytkownik rozmawia potem z agentem, a odpowiedzi opierają się na zatwierdzonych definicjach. Szerszy kontekst automatyzacji pracy marketingu opisujemy w tekście o agentach AI w marketingu.

Podobny efekt możesz uzyskać, łącząc zewnętrzny model z BigQuery przez MCP. Różnica polega na tym, że Gemini działa wewnątrz Google Cloud i korzysta z jego uprawnień, a zewnętrzny asystent wymaga osobnej konfiguracji dostępu; obie drogi porównujemy w artykule o MCP w marketingu.

Funkcje AI wewnątrz zapytań: klasyfikacja haseł i opisów

Oprócz asystenta BigQuery pozwala wywołać modele Gemini bezpośrednio w SQL, przez BigQuery ML i połączenie z Vertex AI. To osobny mechanizm, rozliczany dodatkowo według cennika Vertex AI. Przydaje się do masowej klasyfikacji: wyszukiwanych haseł, opisów produktów czy treści recenzji.

CREATE OR REPLACE MODEL `twoj-projekt.ai.gemini`
  REMOTE WITH CONNECTION `twoj-projekt.eu.polaczenie-vertex`
  OPTIONS (ENDPOINT = 'nazwa-aktualnego-modelu-gemini');

SELECT
  search_term,
  ml_generate_text_llm_result AS kategoria
FROM ML.GENERATE_TEXT(
  MODEL `twoj-projekt.ai.gemini`,
  (
    SELECT
      search_term,
      CONCAT('Przypisz zapytanie do jednej kategorii: marka, produkt, porównanie, problem, inne. ',
             'Zwróć tylko nazwę kategorii. Zapytanie: ', search_term) AS prompt
    FROM `twoj-projekt.google_ads.wyszukiwane_hasla`
    LIMIT 500
  ),
  STRUCT(0.0 AS temperature, TRUE AS flatten_json_output)
);

Nazwę modelu wpisz zgodnie z aktualną listą w dokumentacji Vertex AI, a pierwsze uruchomienie zrób na kilkuset wierszach, żeby sprawdzić jakość i koszt przed przetworzeniem całej tabeli.

Koszty, prywatność i zasady pracy z Gemini w zespole

Gemini nie zmienia sposobu rozliczania zapytań: wygenerowany kod skanuje dane tak samo jak napisany ręcznie, a asystent nie zawsze dodaje filtry ograniczające koszt. Dlatego limity bajtów i przydziały na użytkownika są przy pracy z AI jeszcze ważniejsze niż zwykle.

Po stronie prywatności Google deklaruje, że Gemini w BigQuery nie trenuje modeli na Twoich danych, a prompty i odpowiedzi nie są używane do trenowania bez wyraźnej zgody. Jednocześnie dokumentacja zaznacza, że Gemini nie obejmuje wszystkich certyfikacji zgodności dostępnych dla samego BigQuery, a miejsce przetwarzania danych przez Gemini jest opisane osobno. Jeśli w tabelach masz dane osobowe klientów, np. adresy e-mail z CRM, ustal z inspektorem ochrony danych, czy i w jakim zakresie możesz analizować je z pomocą AI; praktyczne zasady opisujemy w artykule o danych klientów w narzędziach AI i RODO. W sprawach wymagających interpretacji przepisów skonsultuj się z prawnikiem.

Dobrą praktyką jest wydzielenie zbioru danych bez danych osobowych, np. zagregowanych tabel sesji i kampanii, i udostępnienie Gemini tylko jego. Wszystkie poradniki o pracy z hurtownią znajdziesz w podtemacie BigQuery i SQL, a sposób podłączenia danych opisuje przewodnik, jak połączyć GA4 z BigQuery.