Shopify × BigQuery連携完全ガイド — データ分析基盤の構築手順

なぜShopifyデータをBigQueryに連携すべきか

Shopifyの管理画面にも分析機能はありますが、以下の限界があります。

データの横断分析ができない — Shopify単体ではGA4やMeta Adsのデータと結合できない
カスタム分析が困難 — 定型レポート以外の柔軟な分析にはSQLが必要
データの保持期間 — 詳細なイベントデータは一定期間で失われる
AI活用の基盤がない — AIエージェントがShopifyのAPIを直接叩くのは非効率かつ不安全

BigQueryにデータを集約することで、これらの制約を解消し、EC/D2Cの全データを一元管理する分析基盤を構築できます。

連携方法の比較：3つのアプローチ

方法	コスト	難易度	リアルタイム性	おすすめ度
Data Transfer Service	無料〜低コスト	低	日次バッチ	◎
ETLツール	月額$50〜$500	低〜中	設定次第	○
カスタムパイプライン	開発工数	高	リアルタイム可	△

ほとんどのEC/D2C企業には、BigQuery Data Transfer Serviceが最適です。無料（または低コスト）で利用でき、設定も比較的簡単です。

方法1：BigQuery Data Transfer Service（推奨）

Google Cloud が公式に提供する連携機能で、ShopifyのGraphQL APIを通じて注文・商品・コレクションなどのリソースを定期的にBigQueryへ転送します。

前提条件

Shopify側：カスタムアプリの作成と必要なアクセススコープ（read_orders, read_products 等）の設定
GCP側：BigQuery Admin ロールの付与、転送先データセットの作成

設定手順

Shopify管理画面でカスタムアプリを作成し、API認証情報（アクセストークン）を取得
GCPコンソールでBigQueryデータセットを作成
BigQuery Data Transfersの設定画面で「Shopify」を選択
Shopifyストア名、アクセストークン、転送スケジュールを入力
転送を実行し、データが正しくロードされることを確認

転送されるデータ

Orders — 注文情報（金額、ステータス、顧客情報）
Products — 商品情報（名前、カテゴリ、価格、在庫）
Customers — 顧客情報（メール、注文回数、LTV）
Collections — コレクション情報
Inventory — 在庫情報

方法2：サードパーティETLツール

Data Transfer Serviceでカバーされないデータや、より柔軟な変換処理が必要な場合はETLツールが有効です。

ツール	月額目安	特徴
Fivetran	$300〜	高品質なコネクタ、自動スキーマ管理
Airbyte	$0〜（OSS版無料）	オープンソース、カスタマイズ自由
CData Sync	要問い合わせ	日本語サポート充実
Stitch	$100〜	Talend傘下、設定が簡単

方法3：カスタムパイプライン

Shopify APIを直接叩いてデータを取得し、BigQueryにロードする自作パイプラインです。 Cloud Functions + Cloud Scheduler、またはCloud Runで構築するのが一般的です。

カスタムパイプラインが必要なケース：

Shopify Plus固有のデータ（B2B注文、スクリプトエディタのデータ等）が必要
リアルタイム連携が必要（Webhookベース）
ETLツールのライセンスコストを避けたい
独自の変換ロジックを組み込みたい

ただし、開発・運用コストが高いため、まずはData Transfer Serviceで始めて、不足があればカスタムパイプラインで補完するアプローチを推奨します。

GA4データとの統合

Shopifyデータだけでは「サイト内でのユーザー行動」が見えません。 GA4のデータをBigQueryに統合することで、以下の分析が可能になります。

流入チャネル × 購入データ — どのチャネルからの流入が最もLTVが高いか
ユーザー行動 × コンバージョン — 購入に至るユーザーの行動パターン
商品閲覧 × 購入 — 商品ページのビュー数と購入率の関係

GA4 → BigQueryの連携方法

GA4にはBigQueryへの無料エクスポート機能が標準搭載されています。 GA4の管理画面からBigQueryリンクを設定するだけで、イベントデータが自動的にBigQueryにエクスポートされます。

GA4 管理画面 → BigQueryリンクを作成
エクスポート先のGCPプロジェクトとデータセットを指定
日次エクスポートとストリーミングエクスポートの選択
エクスポートが開始されるとBigQueryに events_YYYYMMDD テーブルが作成される

BigQuery上のデータモデリング

データをBigQueryにロードしたら、そのまま分析に使うのではなく、分析しやすい形にモデリングすることが重要です。

推奨する3層構造

staging層 — 生データのクレンジング（型変換、NULL処理、重複排除）
intermediate層 — テーブル結合、ビジネスロジックの適用
mart層 — 分析用の最終テーブル（mart_daily_sales, mart_customer_ltv 等）

EC/D2C向けの主要martテーブル

mart名	用途	主要カラム
`mart_daily_sales`	日次売上KPI	date, revenue, orders, aov, sessions, cvr
`mart_product_performance`	商品別実績	product_id, views, cart_adds, purchases, revenue
`mart_customer_ltv`	顧客LTV分析	customer_id, first_order, orders_count, total_revenue, ltv
`mart_channel_attribution`	チャネル別効果	channel, sessions, conversions, revenue, cac, roas

AI分析自動化への発展

Shopify × BigQuery × GA4のデータ基盤がAI Readyな状態に整備されれば、その上にAI分析自動化レイヤーを構築できます。

例えば以下のようなワークフローが自動化可能です。

毎朝のKPIレポート自動配信（売上・CVR・AOVの前日比）
KPI変動時の自動アラートと原因分析（「昨日のCVRが20%低下。モバイルの決済ページ離脱が増加」）
自然言語での分析クエリ（「先週のカテゴリ別売上トップ5を教えて」）
分析結果に基づく意思決定の記録と蓄積

DecisionFlowのデモでこのワークフローを体験できます。

まとめ

Shopifyの管理画面だけではデータ活用に限界がある。BigQueryへの連携が不可欠
連携方法は3つ：Data Transfer Service（推奨）、ETLツール、カスタムパイプライン
GA4データとの統合で流入チャネル × 購入データの横断分析が可能になる
BigQuery上ではstaging → intermediate → martの3層構造でデータモデリング
AI Ready基盤として整備すれば、KPI監視・分析の自動化に発展可能