GA4 + BigQuery: qué desbloquea, qué cuesta y cuándo dar el salto

Conectar GA4 con BigQuery es gratis y se activa en un par de clics. Así que la pregunta que importa no es cuánto cuesta: es la que nos hacen quienes firman el presupuesto — ¿y esto para qué me sirve? Porque lo que sí cuesta es el trabajo de tu equipo o de tu agencia para explotar ese dato, y ese esfuerzo hay que justificarlo antes de empezar. Esta es nuestra respuesta.

Qué desbloquea que GA4 solo no te da

Atribución propia. GA4 te da el last click y su modelo data-driven, que funciona como una caja negra: no sabes qué hay dentro ni puedes ajustarlo. Con el dato en BigQuery puedes cruzarlo con el de tus plataformas publicitarias y montar un modelo multitouch propio o un marketing mix modeling — un modelo que entiendes, que puedes defender delante de quien decide el presupuesto y que evoluciona con tu negocio. Es el caso de uso que más nos piden.

Análisis que la interfaz no permite. Clusters de usuarios, modelos predictivos, alertas automáticas cuando una métrica se sale de rango. La interfaz de GA4 está pensada para consultar informes; el dato en crudo está pensado para hacerle preguntas que Google no previó.

Control. El dato vive en una base de datos que es tuya. Sobre ella montas la visualización o el sistema que quieras, sin depender de los conectores que GA4 tenga con cada herramienta — que son pocos y limitados.

Histórico. GA4 retiene el dato granular 14 meses como máximo. En BigQuery lo guardas el tiempo que necesites, y comparar contra el año pasado deja de ser una carrera contra la ventana de retención.

Qué cuesta de verdad

El export en sí no genera gasto. El coste empieza cuando explotas el dato: tablas normalizadas, queries, dashboards. Y depende menos del volumen de tráfico de lo que se suele pensar — pesa más el uso que le das: cuánta gente consulta los dashboards, con qué frecuencia se refrescan, cómo de pesadas son las queries.

Un stack bien montado no debería pasar de unos 100 € al mes; 200 € en el peor de los casos. Por encima de eso, una de dos: o le estás dando un uso muy intensivo al dato — que puede estar perfectamente justificado — o tienes queries y dashboards sin optimizar, y conviene revisarlos antes de asumir la factura como normal.

Cuándo dar el salto — y cuándo no

Nuestro umbral es más bajo que el que suele circular: compensa en cuanto los datos de GA4 te aportan valor y los usas para decidir algo. Quedarte en la interfaz limita los análisis que puedes hacer y los casos de uso que puedes explotar, y el coste de dar el salto es pequeño comparado con lo que abre.

¿Cuándo no? Si solo quieres reporting estándar — y estás convencido de que solo quieres eso —, BigQuery no te va a aportar gran cosa: los informes de la interfaz ya te lo dan.

Y hay un “todavía no” importante: si tu medición de origen está rota, BigQuery no hace milagros. De nada sirve que el dato sea tuyo si el dato está mal. Antes de dar el salto, la recogida — etiquetado, gestión del consentimiento — tiene que funcionar bien. Si vendes en Shopify y las cifras no te cuadran, empieza por ahí: GA4 vs Shopify: por qué no cuadran tus ventas.

El error más común: tenerlo y no usarlo

Lo que casi todo el mundo hace mal no es técnico. Muchas empresas tienen el export activado y siguen explotando el dato desde la interfaz o desde Looker Studio con el conector estándar; la tabla de BigQuery se queda acumulando datos que nadie consulta. Crear la tabla normalizada — la capa limpia sobre la que se trabaja — es un proceso bastante estándar y bien documentado; el cuello de botella no está en saber hacerlo, está en no llegar a usarlo nunca. Si el export lleva un año activo y nadie ha lanzado una query, el problema no es la herramienta.

Dos límites que conviene conocer antes de entrar

El Consent Mode no viaja a BigQuery. En la interfaz, GA4 rellena los huecos de los usuarios que rechazan cookies con modelado de comportamiento. Ese modelado no llega al export: en BigQuery tienes el dato en bruto, y los pings de quienes rechazan llegan sin identificador de usuario ni de sesión, así que no sirven para análisis a nivel de usuario. En la práctica: para tendencias de totales, mejor la interfaz de GA4; BigQuery rinde en el análisis fino sobre los usuarios que sí aceptaron. Cuenta también con que las cifras de ambos no cuadren exactamente — es esperable, no es un error.

Métricas “fáciles” que no lo son. El rebote o la página de destino parecen triviales y en BigQuery no lo son: GA4 envía el parámetro que marca una sesión como interactuada (session_engaged) en momentos y formas poco consistentes, y reconstruir esas métricas en crudo exige entender bien ese comportamiento. Nos lo hemos encontrado en varios proyectos: nadie presupuesta tiempo para “calcular el rebote” y acaba haciendo falta.

Nuestra opinión contracorriente

Se pelea mucho — nosotros los primeros — por implementar bien el Consent Mode avanzado y recoger los pings de quienes rechazan cookies. Ese esfuerzo mejora los informes de la interfaz, porque alimenta el modelado. Pero cuando bajas a BigQuery a por los casos de uso avanzados, ese dato rinde poco: sin identificadores no entra en ningún análisis de usuario, de sesión ni de atribución. Si tu destino es explotar el dato en crudo, tu activo real son los usuarios que aceptan — y el dato cookieless es menos valioso de lo que el esfuerzo por recogerlo sugiere.

Cómo conectar GA4 a BigQuery, paso a paso

Es la parte fácil, y aun así conviene decidir tres cosas antes de hacer clic: en qué proyecto de Google Cloud, en qué región y con qué frecuencia. Con eso claro, son cinco minutos.

1. Prepara el proyecto de Google Cloud. Necesitas un proyecto con la API de BigQuery habilitada y permisos de propietario o editor sobre él. Funciona sin cuenta de facturación (el sandbox de BigQuery), pero con dos recortes que en la práctica lo descartan: las tablas caducan a los 60 días y no hay export en streaming. Activa la facturación: el export es gratis igualmente y el almacenamiento de un ecommerce medio cuesta céntimos al mes.
2. Enlaza desde GA4. En la propiedad, Administrar → Enlaces de productos → Enlaces de BigQuery → Enlazar. Hace falta rol de editor en la propiedad. Elige el proyecto del paso anterior y la ubicación del dato: para una empresa europea, la Unión Europea (multirregión EU o una región concreta). Es la única decisión que no se puede cambiar después sin volver a empezar.
3. Elige flujos y eventos. Marca los flujos de datos a exportar (lo normal: el de la web). Puedes excluir eventos ruidosos; nosotros no excluimos ninguno al principio — es más fácil filtrarlos luego en SQL que recuperar lo que no se exportó. Deja desmarcado el envío de identificadores publicitarios salvo que sepas para qué lo quieres.
4. Frecuencia: diario y streaming. El export diario crea una tabla events_AAAAMMDD por día, cerrada y completa, que aparece a lo largo de la mañana siguiente. El streaming alimenta una tabla events_intraday_ con los eventos del día en curso, con un pequeño coste por volumen. Si tienes facturación, activa los dos: el diario es la fuente de verdad y el intraday sirve para alertas y para no esperar a mañana.
5. Envía y comprueba al día siguiente. GA4 añade automáticamente su cuenta de servicio al proyecto y crea un conjunto de datos analytics_<id de la propiedad>. La primera tabla diaria llega al día siguiente de activar el enlace. Si a las 48 horas no hay nada, casi siempre es un permiso que falta en el proyecto de Google Cloud.

Dos límites del export estándar que conviene saber antes: el diario acepta hasta un millón de eventos al día por propiedad — por encima, Google lo pausa hasta que bajes el volumen o excluyas eventos; el streaming no tiene ese tope — y no envía histórico: solo exporta desde el día en que lo activas.

Qué hacer mañana

1. Activa el export hoy. Es lo más importante de esta página: el export no envía histórico a BigQuery, solo datos desde el día en que lo activas. Cada semana sin activarlo es una semana de dato perdida para siempre. Son los cinco pasos de arriba, y no genera gasto.
2. Asegura la recogida. Antes de construir nada encima, confirma que el etiquetado y el consentimiento funcionan bien.
3. Monta la tabla normalizada. La capa limpia sobre el dato en bruto desde la que saldrán queries y dashboards. Te la damos hecha: el kit de arranque de GA4 en BigQuery trae el SQL completo en dos variantes — ecommerce y leads — listo para programar.
4. Contrasta antes de fiarte. Coge un periodo de un par de semanas y saca de tu tabla normalizada los números gordos — eventos totales, algún evento clave de tu web, sesiones, canales — y compáralos a grandes rasgos con la interfaz de GA4. No busques que cuadren al decimal (el modelado del consentimiento ya garantiza que no lo harán): busca descartar que haya algo roto.

A partir de ahí empieza lo interesante: atribución propia, análisis que la interfaz no permite y un dato que es tuyo. Si quieres que veamos juntos si tu caso justifica el salto, escríbenos.