當你將 GA4 資料匯出到 BigQuery，除了常見的「事件資料」外，
現在 Google 還多了兩種「使用者層級」資料表，
可以幫助你更深入了解網站或應用程式背後的使用者輪廓與價值。
這篇文章將一次搞懂 GA4 在 BigQuery 中的四大資料表：
events_：事件紀錄表events_intraday_：即時預覽表pseudonymous_users_：匿名使用者資料users_：已識別使用者資料（例如登入會員）
✅ 1. events_ 表：使用者所有行為的詳細紀錄
這是 GA4 匯出的主力資料表，每一筆使用者互動都是一列資料，像是點擊、瀏覽、購買等事件都會記錄在這裡。
📌 舉例用途：
- 看每個使用者點過哪些按鈕
- 哪些流量來源帶來最多轉換
- A/B 測試成效追蹤
🧩 重要欄位說明：
event_name：事件名稱（如page_view、purchase）event_params：事件的額外參數（例如商品名稱、金額）user_pseudo_id：每位訪客的唯一匿名 ID
🔄 2. events_intraday_ 表：當天資料的即時快照
這張表的資料只涵蓋「今天的事件」，大約每 15 分鐘更新一次，讓你可以快速檢查：
📌 舉例用途：
- 廣告或活動剛上線，是否有立即效果？
- GTM 設定是否正確送出事件？
- 是否有異常事件暴增（如錯誤追蹤）
⚠️ 注意：這是臨時表，隔天就會被 events_ 正式表覆蓋。
🧑💻 3. pseudonymous_users_ 表：所有「匿名使用者」的每日快照
所有沒登入你網站的訪客，其實都還是 GA4 的「使用者」，這張表每天產出一次，記錄每位匿名使用者的輪廓與行為摘要。
📌 舉例用途：
- 哪些裝置或地區的用戶參與度最高？
- 匿名訪客屬於哪些受眾群體？
- 有哪些使用者可能會流失（需預測功能啟用）
🧩 常見欄位分類：
pseudo_user_id：使用者唯一 ID（非你自訂，是 Google 產生的）device.category：使用裝置（如 mobile / desktop）geo.country：地理位置user_ltv：使用者生命週期價值（如總購買次數、總參與時間）predictions.churn_score_7d：未來 7 天可能流失的機率（若已啟用預測模型）
✅ 這張表幫助你快速看出：
「有哪些不是會員的訪客，其實很活躍、很有價值，值得追蹤或導向轉換。」
👤 4. users_ 表：登入會員或已識別使用者的快照
這張表只會出現「你有設定 user_id」或 Google 能自動識別（例如登入 Google 帳戶）的使用者。它的欄位結構幾乎跟 pseudonymous_users_ 一樣，只是多了 user_id 這個欄位。
📌 舉例用途：
- 分析會員行為：誰是高價值會員？誰最近沒來？
- 建立 CRM + GA4 的客群對照表
- 做會員留存、LTV 追蹤、推播/EDM 精準再行銷
📊 表格總覽比較
| 表格名稱 | 單位 | 對象 | 是否含 user_id | 代表用途 |
|---|---|---|---|---|
events_* | 每次互動 | 所有使用者 | ✅（可能為 NULL） | 行為事件明細 |
events_intraday_* | 今日互動 | 所有使用者 | ✅ | 即時監控/測試 |
pseudonymous_users_* | 每位匿名使用者 | 未登入的訪客 | ❌ | 使用者輪廓分析 |
users_* | 每位已識別使用者 | 登入會員 or Google 可識別對象 | ✅ | 高價值會員輪廓分析 |
💡 讓 GA4 不只看得懂事件，也看得懂人
以前 GA4 匯出的資料只有「事件」，你只能看「誰做了什麼」。
現在多了這兩張使用者層級的資料表，讓你可以回答更深的問題：
- 哪些匿名用戶很活躍，卻還沒轉換？
- 哪些登入會員已經很久沒回來了？
- 哪些人有高轉換潛力、該推哪種行銷內容？
| 類型 | 表格名稱 | 看的是什麼？ |
|---|---|---|
| ✅ 事件角度（Event-based） | events_、events_intraday_ | 每一次「互動」的詳細紀錄，例如頁面瀏覽、按鈕點擊、購買等行為。適合分析「使用者做了什麼」。 |
| ✅ 使用者角度（User-based） | pseudonymous_users_、users_ | 每一位「人」的每日快照，例如他來自哪裡、用什麼裝置、屬於哪個受眾群、總共做了幾次互動。適合分析「這個人是誰、有多活躍」。 |
這代表你不只能用 GA4 看出「事件的發生」，更能理解「什麼樣的使用者在發生這些事件」。
只要你整合 GA4 + BigQuery，就可以從「行為資料」進化到「使用者資料」，
自建CDP(Customer Data Platform)或是推薦系統的技術門檻大幅降低
也讓行銷決策更有依據，甚至導入 AI 預測都變得輕而易舉。
