GA4のBigQueryデータでBigQuery MLを試す方法｜購入確度予測モデルの作り方｜未経験から100日後にGTMのプロになる話【Day 62】

BigQueryとLooker Studioの組み合わせはDay15・43・60ですでに扱いました（SQLでevent_paramsを参照する際は、UNNESTでキー指定して展開するのが正解で、単純な参照を2回書いても別のパラメータ値にはなりません）。今日はその先、GA4のBigQueryエクスポートデータに機械学習を適用する「BigQuery ML」を紹介します。

BigQuery MLとは

BigQuery MLは、通常のSQL文だけで機械学習モデルを作成・学習・予測できる仕組みです。データをBigQueryの外に持ち出したり、専用の機械学習基盤を別途用意したりする必要がありません。GA4のBigQueryエクスポートデータは、ブラウザ・デバイス種別・地域・アクセス数などをそのまま特徴量として使えるため、GTMで集めたデータの延長線上で試せます。

購入確度を予測する簡易モデルの例

「このセッションは購入に至りそうか」を予測するロジスティック回帰モデルは、次のような構文で作成します。

CREATE OR REPLACE MODEL `your_project_id.your_dataset.purchase_prediction_model`
OPTIONS(model_type='logistic_reg') AS
SELECT
  device.category AS device_category,
  device.operating_system AS operating_system,
  geo.region AS region,
  (SELECT COUNT(*) FROM UNNEST(event_params)) AS event_param_count,
  IF(EXISTS(SELECT 1 FROM UNNEST(event_params) WHERE key = 'transaction_id'), 1, 0) AS made_purchase
FROM `your_project_id.analytics_XXXXXXXX.events_*`
WHERE _TABLE_SUFFIX BETWEEN '20260601' AND '20260630'

ここでのポイントは、目的変数（made_purchase）も、event_paramsの中にtransaction_idキーが存在するかどうかで判定している点です。ここでも単純な参照ではなくUNNESTを使った存在確認になっています。モデル作成後はML.EVALUATEで精度を確認し、ML.PREDICTで新しいセッションに対する予測確率を得られます。

過信は禁物

ここで紹介したのはあくまで最小構成の例です。実際の分析では特徴量の選定やデータの前処理にもっと時間がかかりますし、モデルの精度評価をせずに施策判断に使うのは危険です。「BigQuery MLで機械学習ができる」という事実と、「それが実務で使えるレベルの精度が出ている」ことは別問題だと理解したうえで、まずは評価指標（適合率・再現率など）を確認する習慣をつけてください。

今日のまとめ

GA4のBigQueryエクスポートデータは、SQLの知識だけでBigQuery MLによる予測モデル作成まで発展させられます。ただしモデルの精度評価を飛ばして施策に反映するのは避けてください。次回は、GTMを活用したデジタルマーケティング戦略の構築を扱います。