NotebookLM × BigQueryエクスポートでGA4データを対話的に分析する

はじめに

GA4のデータをBigQuery（以下BQ）に流し込んで、SQLで集計までは出せるようになった。でも、その集計表を前にして「結局、何が言えるんだっけ？」で手が止まる。そんなEC担当の方は多いのではないでしょうか。

数字を出すことと、数字を読むことは別の作業です。前者はSQLの仕事ですが、後者は「この月だけ直帰率が高いのはなぜ？」「先月と比べて何が変わった？」という問いを立てて、表を行き来しながら考える作業になります。ここで詰まる人がとても多いのです。

そこで使ってみたいのが NotebookLM です。Googleが提供するAIツールで、自分が渡した資料だけを根拠にして、対話形式で質問に答えてくれるのが特徴です。GA4の集計結果をBQから書き出してNotebookLMに読み込ませれば、「自分のECデータについて壁打ちできる相手」を用意できます。

この記事では、SQLである程度の集計までは出せるEC担当・経営者の方を想定して、

NotebookLMの強みがどこにあるのか
GA4集計をBQから書き出してNotebookLMに読み込ませる流れ
どんな質問が向いているか
そして「AIの答えは必ず元の数字で検算する」という大前提

を、順番に解説します。

なお、NotebookLMやBQの画面・仕様は更新が早いため、ボタンの位置や対応ファイル形式などの細かい点は、必ず最新の公式情報を確認しながら進めてください。

NotebookLMの強みは「渡した資料に基づいて答える」こと

NotebookLMの一番の特徴は、ユーザーがアップロードした資料（ソース）の範囲内で回答するという設計です。

一般的なチャット型AIは、世の中の膨大な知識をもとに答えます。便利な一方で、「あなたのECの数字」については当然ながら知りません。聞けばそれらしい一般論は返ってきますが、それはあなたのデータの話ではありません。

NotebookLMはこの点が逆です。手元の集計結果を渡すと、その中身を読んだうえで質問に答えてくれます。さらに、回答の根拠になった箇所を「どのソースのどこを見たか」という形で示してくれるため、答えの出どころをたどりやすいという利点があります。

中小ECのデータ分析にこれが向いている理由は、はっきりしています。

分析対象が「自社の数字」に限定されるので、話が脱線しにくい
集計表を読んで言葉で説明し直してくれるので、SQLの先の「解釈」を手伝ってもらえる
根拠の箇所が示されるので、後から自分で確認しやすい

つまり、SQLが「数字を出す道具」だとすれば、NotebookLMは「出した数字について一緒に考える相手」という位置づけになります。SQLそのものをAIに書かせたい場合は、BQの中で完結する方法もあります。そちらは Gemini in BigQueryで自然言語からSQLを生成する実践ガイドで解説しているので、あわせて読んでみてください。

「答えを出す」のではなく「読み解きを助ける」道具

ここで誤解しないでおきたいのは、NotebookLMは魔法のように経営判断を出してくれる道具ではない、という点です。やってくれるのは、渡した表を読んで、要約したり比較したりして、言葉に直すことです。

たとえば「先月より直帰率が上がった理由」を聞いても、表に直帰率しか入っていなければ、AIは「直帰率が上がった」という事実までしか言えません。理由を知りたいなら、流入元やランディングページの表も一緒に渡しておく必要があります。

この性質を理解しておくと、使い方の方針が決まります。知りたい問いから逆算して、答えに必要な集計表を先に揃えておく。これがNotebookLM活用の出発点です。

GA4集計をBigQueryから書き出してNotebookLMに読み込ませる流れ

ここからが本題です。GA4の生データをそのままNotebookLMに渡すのは現実的ではありません。GA4 BQエクスポートは1日数十万行に膨らむこともあり、AIに読ませる資料としては大きすぎるからです。

ポイントは、BQ側で「人が読める集計表」にまで要約してから書き出すことです。生ログではなく、すでに意味のある粒度に丸めたサマリーを渡します。

ステップ1: BQで集計クエリを書く

まず、知りたいテーマごとに集計表を作ります。たとえば「チャネル別・月別の流入とCV」を見たいなら、次のようなイメージのクエリになります。

-- チャネル別・月別のセッション数とコンバージョン数（イメージ）
SELECT
  FORMAT_DATE('%Y-%m', PARSE_DATE('%Y%m%d', event_date)) AS month,
  traffic_source.source AS source,
  COUNTIF(event_name = 'session_start') AS sessions,
  COUNTIF(event_name = 'purchase') AS purchases
FROM
  `your_project.analytics_XXXXXX.events_*`
GROUP BY
  month, source
ORDER BY
  month, sessions DESC

イベント名やテーブル構造はプロパティの設定によって変わるので、列名は自分の環境に合わせて調整してください。大事なのは、1テーマ＝1集計表くらいの単位で、行数が多くても数百行に収まるサイズに丸めることです。

ステップ2: 集計結果をファイルとして書き出す

集計できたら、それをNotebookLMに渡せる形にします。BQの結果はCSVなどで保存できますし、Googleスプレッドシートへ書き出してから整える方法もあります。スプレッドシートへの自動書き出しは BigQueryからGoogleスプレッドシートへ自動エクスポートでも触れています。

NotebookLMが受け付けられるファイル形式やサイズの上限は変わることがあるため、ここは必ず最新の公式情報を確認してください。読み込ませる前に、列見出しがわかりやすい日本語になっているか、数字の単位（円・件・%）が表に書いてあるかを確認しておくと、後の回答精度が上がります。

ステップ3: NotebookLMにソースとして読み込ませる

NotebookLMで新しいノートブックを作り、書き出したファイルをソースとして追加します。複数の集計表をまとめて追加できるので、「チャネル別」「商品別」「曜日別」などをひとつのノートブックに並べておくと、横断した質問がしやすくなります。

ソースを追加し終えたら準備完了です。あとは下のチャット欄から日本語で質問していくだけです。

集計表を渡すときの3つの下準備

読み込ませる前のひと手間で、回答の質はかなり変わります。次の3つだけは押さえておきましょう。

列見出しを日本語で具体的にする: s や cv1 ではなく「セッション数」「購入数」と書く。AIが列の意味を取り違えにくくなります。
単位を表の中に明記する: 金額なら「売上（円）」、割合なら「直帰率（%）」のように、列名か注記で単位を示します。
期間を表のどこかに書いておく: 「集計期間: 2026年4月〜6月」のように一行入れておくと、「いつのデータか」をAIが取り違えません。

地味な作業ですが、ここを丁寧にやるほど、後で検算する手間も減ります。

どんな質問が向いているか

NotebookLMが得意なのは、渡した表の中を読み解く質問です。具体例を挙げます。

「チャネル別の表で、セッションは多いのにpurchaseが少ないチャネルはどれですか」
「月別の表で、前月から流入が大きく落ちた月はありますか。その月の特徴も教えてください」
「商品別の表で、購入数の上位5商品を、それぞれの数字つきで挙げてください」
「曜日別の表をもとに、売上が弱い曜日とその傾向をまとめてください」
「このノートブックの集計から読み取れることを、社内共有用に5行で要約してください」

コツは、どの表のどの列を見てほしいかを言葉で添えることです。「セッション」「purchase」のように、実際の列名を質問文に入れると、AIがどこを参照すればよいか迷いにくくなります。

逆に向かないのは、「来月の売上を予測して」「広告予算をいくらにすべき」といった、渡した表の外側を必要とする質問です。NotebookLMはソースの範囲で答える設計なので、こうした問いには一般論しか返せません。将来予測のような分析は、BQ側の専用機能を使うほうが適しています。

複数の表を横断させると価値が出る

NotebookLMの真価は、ソースをひとつだけ渡したときより、関連する表を複数並べたときに出てきます。

たとえば「チャネル別の表」と「商品別の表」、それに「曜日別の表」を同じノートブックに入れておくと、「広告経由で売れている商品はどれですか」「特定の曜日に強い商品はありますか」といった、表をまたいだ質問に答えてもらえます。1枚の表だけでは見えなかった関係が言葉になって出てくるのが、この使い方の面白いところです。

ただし、表を増やすほどAIが参照先を取り違える余地も増えます。質問のたびに「チャネル別の表で」「商品別の表を見て」と対象を指定して、答えが正しい表を読んでいるかを確かめながら進めるのが安全です。

数値の出典と検算の注意

ここが一番大切なところです。NotebookLMは根拠の箇所を示してくれますが、それでもAIの回答をそのまま鵜呑みにしてはいけません。

理由は3つあります。

第一に、AIは数字の足し算や順位づけを間違えることがあります。「上位5商品」と頼んでも、並び順が正しいとは限りません。回答に出てきた数字は、必ず元の集計表で照合してください。

第二に、渡した集計表そのものが間違っていると、答えも間違います。NotebookLMはソースを信じて答えるので、SQLの段階でCVの定義がずれていたり、期間の指定を誤っていたりすると、もっともらしい誤りがそのまま出力されます。AIに渡す前に、集計表の合計値がGA4の管理画面の数字とおおむね合っているかを確認しておきましょう。AIが書いたSQLを使う場合の検算の考え方は ChatGPT・Claude・Geminiをデータ分析で比較でも整理しています。

第三に、示された根拠箇所を自分の目で確認する習慣をつけることです。NotebookLMは「どのソースを見たか」を示してくれるので、重要な結論ほど、その箇所を開いて数字を確かめてください。これをやるだけで、誤った数字を社内に共有してしまう事故をほぼ防げます。

要するに、NotebookLMは「考えるきっかけ」と「読み解きの下書き」を出す相手であって、最終的な数字の責任は人が持つという前提を崩さないことです。便利だからこそ、ここを徹底してください。

まとめ

NotebookLMをGA4分析に組み込む流れを整理します。

NotebookLMの強みは、渡した資料だけを根拠に対話で答えること
GA4の生データではなく、BQで集計表に丸めてから読み込ませる
質問は「どの表のどの列を見てほしいか」を言葉で添えると精度が上がる
AIの回答は根拠箇所が示されても、必ず元の数字で検算する

SQLで数字を出すところまではできても、その先の「で、何が言えるのか」で止まっていた方にとって、NotebookLMは手軽に試せる壁打ち相手になります。まずは1テーマぶんの集計表をひとつ書き出して、読み込ませてみるところから始めてみてください。

慣れてきたら、関連する表を少しずつ足していき、月次の振り返りのたびに同じノートブックを使い回すようにすると、毎回ゼロから考え直す手間がなくなります。数字を出す作業と、数字を読む作業を分けて考えられるようになると、分析の景色が変わります。