bigquery - ROIANALYTICS

Cómo practicar SQL en BigQuery con datos de Google Analytics 4 gratis

Fernando Lens — Fri, 23 Aug 2024 09:22:27 +0000

Uno de los primeros problemas que te puedes encontrar si quieres aprender a usar la conexión de Google Analytics 4 y BigQuery es que no tengas ninguna web conectada a GA4.

La solución te la cuento en este post.

Es tan sencillo como crearte una cuenta de Google Cloud desde cero y conectar el dataset de pruebas de la Google Merchandise Store en BigQuery.

Cómo acceder al conjunto de datos de ejemplo de BigQuery ga4_obfuscated_sample_ecommerce

La Google Merchandise Store es una tienda en línea dedicada a la venta de productos de merchandising de la marca Google. Este sitio utiliza la implementación estándar de comercio electrónico de Google Analytics 4, complementada con la función de medición mejorada.

El conjunto de datos ‘ga4_obfuscated_sample_ecommerce‘, disponible a través del programa de conjuntos de datos públicos de BigQuery, ofrece una muestra de datos de eventos exportados desde BigQuery. Estos datos han sido ofuscados y abarcan un período de tres meses, del 1 de noviembre de 2020 al 31 de enero de 2021.

Los datos pertenecen a una tienda real. De hecho todavía se puede visitar. https://www.googlemerchandisestore.com/

Para empezar a usar estos datos puedes visitar la página de documentación oficial o seguir los pasos que te detallo a continuación en este vídeo.

Una vez que tengas la cuenta de Google Cloud, tan sólo tienes que hacer clic en este enlace para acceder a los datos.

Si quieres practicar alguna query básica puedes probar esta de Usuarios totales y Usuarios activos.


WITH
  UserInfo AS (
    SELECT
      user_pseudo_id,
      MAX(IF(event_name IN ('first_visit', 'first_open'), 1, 0)) AS is_new_user
    FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
    WHERE _TABLE_SUFFIX BETWEEN '20201101' AND '20201130'
    GROUP BY 1
  )
SELECT
  COUNT(*) AS user_count,
  SUM(is_new_user) AS new_user_count
FROM UserInfo;

Si quieres practicar queries más complejas puedes probar las de la documentación oficial. 
Aquí las consultas avanzadas, las consultas básicas de eventos y las consultas de datos de usuario.

La entrada Cómo practicar SQL en BigQuery con datos de Google Analytics 4 gratis se publicó primero en ROIANALYTICS.

Table Suffix en BigQuery GA4. Cómo seleccionar todos los tipos de fechas

Fernando Lens — Tue, 20 Aug 2024 08:25:25 +0000

Cada día de datos de Google Analytics 4 se guarda en una tabla dentro de BigQuery por separado. Cada día equivale a una tabla. Esto es una de las características que más te chocan al empezar a trabajar con GA4 y BigQuery.

En este post te voy a enseñar a usar el comando _table_suffix para seleccionar las fechas de distintas maneras.

Como ves en la imagen superior en esa tabla llamada events_(10) es donde se guardan todos los datos. Cada día es una tabla. En el caso de esa cuenta sólo tiene 10 días guardados.

Si quieres ver todas las funciones de fecha de BigQuery tienes aquí la info oficial.

Cómo seleccionar un día en las tablas de GA4 en BigQuery

Ésta es la más sencilla.

SELECT *

FROM — aquí meterías tu dataset `xxx.events_20210104`

Tan sólo tienes que sustituir la fecha por el día que quieras elegir. Pero siempre con el formato AñoMesDía.

Lo normal es que uses periodos de tiempo más largos y para eso vas a necesitar el Table suffix.

Por cierto, si quiere seleccionar todos los días, puedes usar el wildcard * también en el FROM

SELECT *

FROM — aquí meterías tu dataset `xxx.events_*`

Ojo! Cuidado con meter esta query porque si tienes muchos datos puede ser una query que consuma muchos recursos.

Seleccionar unas fechas en concreto con table suffix en BigQuery GA4

Para seleccionar simplemente un periodo en concreto , por ejemplo, todos los datos entre el 01 – 01 – 2021 y el 31 – 01 – 2021 , simplemente tienes que usar esta construcción:

SELECT *

FROM — aquí meterías tu dataset `xxx.events_*`

WHERE _table_suffix BETWEEN ‘20210101’ and ‘20210131‘

Así se vería en BigQuery con el ejemplo de los datos públicos de prueba.

Seleccionar fechas dinámicas

Si quieres seleccionar por ejemplo los últimos 30 días para que recoja este periodo de forma dinámica usarás el Table suffix pero de una manera más complicada.

Esta query seleccionaría los últimos 30 días hasta hoy , incluyendo el día de ayer.

Verás que esta query ya implica el uso de format_date para ajustar el formato de fecha y date_sub para hacer la substracción.

SELECT *

FROM — aquí meterías tu dataset `xxx.events_*`

WHERE _table_suffix between format_date(‘%Y%m%d’,date_sub(current_date(), interval 30 day)) AND format_date(‘%Y%m%d’,date_sub(current_date(), interval 1 day))

Se vería así:

Fecha concreta y fechas dinámicas

Puedes unir las dos anteriores para que obtengas algo tipo «desde el día X hasta ayer»

SELECT *

FROM — aquí meterías tu dataset `xxx.events_*`

WHERE _table_suffix between ‘20210102’ AND format_date(‘%Y%m%d’,date_sub(current_date(), interval 1 day))

La entrada Table Suffix en BigQuery GA4. Cómo seleccionar todos los tipos de fechas se publicó primero en ROIANALYTICS.

Cómo crear funnels con BigQuery, Google Analytics 4 y LookerStudio

Fernando Lens — Mon, 19 Aug 2024 09:31:53 +0000

Una de las preguntas que te vas a hacer cuando empiezas a usar BigQuery con Google Analytics 4 es cómo demonios vas a poder construir un funnel con la información en bruto que te aporta la conexión con BigQuery.

En este post vamos a ver un ejemplo con el dataset de pruebas bigquery-public-data.ga4_obfuscated_sample_ecommerce

Funnel de ecommerce con BigQuery y GA4

Este tipo de funnel que solemos encontrar en las exploraciones de GA4 te va a servir para analizar el proceso de compra genérico desde que se aterriza en una página hasta que se finaliza la compra.

También te va a servir para medir la efectividad de las campañas, comparar canales de adquisición , tipos de usuario y mucho más.

Básicamente vamos a añadir 4 pasos:

-Visita de la página home.
-Visita de una página de producto.
-Añadir un producto al carrito.
-Compra.

Este funnel , para que sea realista debe ser de tipo secuencial. Un funnel secuencial implica que los usuarios completan los pasos del funnel en el orden correcto. Lo que estamos haciendo en este caso es un funnel cerrado. Si quieres saber la diferencia entre un funnel abierto y uno cerrado lee este post que te enlazo.

Construiremos algo parecido a esto:

Vamos a extraer los datos de GA4 a través de BigQuery y utilizaremos LookerStudio para visualizar los datos.

Guía paso a paso para extraer los datos de ecommerce de BigQuery GA4

Puedes incluir tantos pasos como quieras, pero principalmente lo que haremos será utilizar la métrica de usuarios y con distintas queries sacar los pasos que completan en el funnel de compra que hemos establecido.

El identificador que usaremos es user_pseudo_id. Esto nos asegura que sea el mismo usuario el que «atraviesa» los 4 pasos del funnel.

Atención, la métrica que usaremos, como he dicho será usuarios , pero las sesiones nos «darán igual» contabilizaremos usuarios independientemente de cuantas sesiones hayan necesitado para completar los pasos del funnel. Además con este funnel aislaremos a los usuarios que completaron la compra en el mismo dia.

Define los pasos del funnel

Antes de escribir nada de SQL tendremos que encontrar los nombres de los eventos.

Ver un producto: – event_name = ‘view_item’
Añadir un producto al carrito – event_name = ‘add_to_cart’
Empezar el chekout – event_name = ‘begin_checkout’
Completar la compra – event_name = ‘purchase’

Extraer el identificador y las tablas indispensables

Vamos a necesitar si o si las siguientes tablas, user_pseudo_id, event_name, event_date y event_timestamp

1. Para esto utilizaremos un WITH. Esta parte del SQL será transversal a todos los eventos.

WITH dataset AS ( SELECT user_pseudo_id, event_name, PARSE_DATE(‘%Y%m%d’, event_date) AS event_date, TIMESTAMP_MICROS(event_timestamp) AS event_timestamp FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_202101*` WHERE event_name IN (‘view_item’, ‘add_to_cart’, ‘begin_checkout’, ‘purchase’) ),

2. Añadiremos la lista de usuarios que han hecho un view_item

view_item AS (
SELECT
user_pseudo_id,
event_date,
event_timestamp
FROM dataset
WHERE event_name = ‘view_item’
),

y repetiremos lo mismo con el resto de eventos.

Veréis que la estructura del SQL es la misma pero cambiando el nombre del evento.

Después aplicaremos un LEFT JOIN para hacer la unión de todos los usuarios. La haremos con varias condiciones.

funnel AS ( SELECT vi.event_date, COUNT(DISTINCT vi.user_pseudo_id) AS view_item, COUNT(DISTINCT atc.user_pseudo_id) AS add_to_cart, COUNT(DISTINCT bc.user_pseudo_id) AS begin_checkout, COUNT(DISTINCT p.user_pseudo_id) AS purchase FROM view_item vi LEFT JOIN add_to_cart atc ON vi.user_pseudo_id = atc.user_pseudo_id AND vi.event_date = atc.event_date AND vi.event_timestamp < atc.event_timestamp LEFT JOIN begin_checkout bc ON atc.user_pseudo_id = bc.user_pseudo_id AND atc.event_date = bc.event_date AND atc.event_timestamp < bc.event_timestamp LEFT JOIN purchase p ON bc.user_pseudo_id = p.user_pseudo_id AND bc.event_date = p.event_date AND bc.event_timestamp < p.event_timestamp GROUP BY 1 )

Calcular la progresión

Es muy importante que se añada esta parte al final para que se calcule el porcentaje de usuarios que pasan de un punto al otro.

SELECT event_date, view_item, add_to_cart, begin_checkout, purchase, 1 AS view_item_rate, ROUND(COALESCE(add_to_cart / NULLIF(view_item,0), 0), 2) AS add_to_cart_rate, ROUND(COALESCE(begin_checkout / NULLIF(view_item,0), 0), 2) AS begin_checkout_rate, ROUND(COALESCE(purchase / NULLIF(view_item,0), 0), 2) AS purchase_rate FROM funnel ORDER BY 1 ASC

El SQL final

view_item AS ( SELECT user_pseudo_id, event_date, event_timestamp FROM dataset WHERE event_name = ‘view_item’ ),

add_to_cart AS ( SELECT user_pseudo_id, event_date, event_timestamp FROM dataset WHERE event_name = ‘add_to_cart’ ),

begin_checkout AS ( SELECT user_pseudo_id, event_date, event_timestamp FROM dataset WHERE event_name = ‘begin_checkout’ ),

purchase AS ( SELECT user_pseudo_id, event_date, event_timestamp FROM dataset WHERE event_name = ‘purchase’ ),

FROM funnel

ORDER BY 1 ASC

El resultado será algo así.

Ojo! Antes de pasar a LookerStudio deberás guardar esta tabla resultado como una tabla BigQuery

Conectar BigQuery con LookerStudio

A partir de aquí todo es cuestión de conexiones y ajustes. En LookerStudio añadirás la tabla que te has guardado desde las fuentes de datos. Como sueles hacer normalmente con GA4 pero con BigQuery en este caso.

Para la visualización en forma de funnel deberás hacer lo siguiente.

1. Añadir un gráfico de columnas.

2.Añadir esta configuración de dimensiones y métricas.

3. Asegúrate de cambiar el formato de las métricas a porcentaje para poder ver el porcentaje de usuarios que completan cada paso.

4. Añade un control de fechas para ver los días que quieres seleccionar y ya lo tendrás listo.

A partir de aquí ya puedes añadir todos los formatos que quieres y «jugar» con las visualizaciones de LookerStudio.

La entrada Cómo crear funnels con BigQuery, Google Analytics 4 y LookerStudio se publicó primero en ROIANALYTICS.

Cómo saber cuándo Google Analytics 4 actualiza la información en BigQuery

Fernando Lens — Wed, 14 Aug 2024 10:04:58 +0000

Esta información que te voy a comentar a continuación es fundamental para tener un proceso de volcado de datos automatizado desde GA4 a BigQuery.

Es la mejor manera de calcular con precisión cuándo se produce el volcado de datos en BigQuery por parte de Google Analytics.

De esta manera podrás programar las consultas para que se ejecuten una vez la información está actualizada.

Google aplica modificaciones una vez que vuelca la información en BigQuery

Cuidado porque esto es importante. Google después de actualizar la información de las tablas puede volver a volcar datos o modificar horas después del primer volcado.

Esto es importante a la hora de elegir la hora de la consulta programada.

Lo mejor es que elijas horas con suficiente holgura. Te explico a continuación.

Cómo ver la hora de creación de una tabla

En DETALLES vas a poder ver la hora de última modificación y hora de creación de las tablas.

En este caso de la base de datos de prueba de GA4 , como veis en la imagen, no están editadas . Las dos fechas coinciden.

Mi consejo para elegir fecha de programación

Una vez que hayas visto a qué hora se actualiza la tabla te recomiendo que establezcas mínimo dos horas más tarde tus consultas programadas.

Por ejemplo, en esta tabla del proyecto de la web Marketing4all veo que las tablas events se crean a las 11:05:10 de la mañana (formato 24 hs) y que no hay modificaciones

En este caso programaría mis consultas mínimo a las 13:00 . De esta manera me aseguro que la información que carga GA4 está actualizada al máximo.

La entrada Cómo saber cuándo Google Analytics 4 actualiza la información en BigQuery se publicó primero en ROIANALYTICS.

Cómo calcular métricas básicas de Google Analytics 4 con BigQuery

Fernando Lens — Wed, 14 Aug 2024 08:39:09 +0000

Hay tres métricas básicas de Google Analytics 4 que es muy sencillo extraer con BigQuery. En este post vas a ver el SQL que necesitas para extraerlas.

Como ya sabrás , es posible y normal, que no encajen 100% con los datos de la interfaz de GA4 o con tus lookerstudios.

Cómo calcular las sesiones de GA4 con BigQuery

Para calcular las sesiones de GA4 con BigQuery en realidad lo que se hace es concatenar el user_pseudo_id con el ga_session_id y contar cuántos valores distintos hay. No tiene más ciencia.

El código SQL es el siguiente:

COUNT(DISTINCT CONCAT(user_pseudo_id, (SELECT value.int_value FROM UNNEST(event_params) WHERE key = «ga_session_id» )))

Cómo calcular las sesiones con interacción de GA4 con BigQuery

Para las sesiones con interacción el proceso es similar al anterior pero sólo tendremos en cuenta aquellos valores donde el parámetro engaged_session es igual a 1.

Este cálculo requiera usar una subquery.

Sería así el código SQL:

COUNT(DISTINCT CASE WHEN(SELECT value.string_value FROM UNNEST(event_params) WHERE key = «session_engaged») = «1» THEN CONCAT(user_pseudo_id, (SELECT value.int_value FROM UNNEST(event_params) WHERE key = «ga_session_id»)) END)

Este sería el resultado:

Fíjate cómo se reduce casi a la mitad el número de sesiones.

Cómo calcular la tasa de interacción de GA4 con BigQuery

Para esta métrica haremos una simple división de sesiones con interacción entre sesiones totales.

El código SQL sería así :

ROUND(COUNT(DISTINCT CASE WHEN (SELECT value.string_value FROM UNNEST(event_params) WHERE key = «session_engaged») = «1» THEN CONCAT(user_pseudo_id, (SELECT value.int_value FROM UNNEST(event_params) WHERE key = «ga_session_id»)) END) / COUNT(DISTINCT CONCAT(user_pseudo_id, (SELECT value.int_value FROM UNNEST(event_params) WHERE key = «ga_session_id»))) , 2) * 100

La entrada Cómo calcular métricas básicas de Google Analytics 4 con BigQuery se publicó primero en ROIANALYTICS.

Diferencias entre tablas, consultas y vistas en BigQuery

Fernando Lens — Tue, 13 Aug 2024 15:03:36 +0000

En BigQuery, las tablas, vistas y consultas son elementos fundamentales pero distintos: las tablas almacenan datos reales, las vistas son representaciones virtuales de consultas SQL predefinidas, y las consultas son instrucciones para recuperar o manipular datos de forma dinámica.

Las vistas en BigQuery

Las vistas en BigQuery son una herramienta poderosa que permite a los usuarios crear una capa lógica sobre sus datos sin necesidad de almacenar físicamente los resultados.

Sirven para:

Simplificar consultas: Las vistas permiten encapsular consultas complejas en una sola entidad que se puede reutilizar fácilmente. Esto es útil para simplificar el acceso a los datos y reducir la complejidad de las consultas repetitivas.
Control. Las vistas pueden actuar como un mecanismo de seguridad al permitir que los usuarios accedan a un subconjunto de datos sin darles acceso directo a las tablas subyacentes.
Consistencia de datos. Al usar vistas, puedes asegurar que todos los usuarios vean los datos de manera consistente, ya que la vista siempre ejecuta la misma consulta subyacente cada vez que se accede a ella.
Optimización de consultas. Aunque las vistas en BigQuery no almacenan datos físicamente, pueden ayudar a estructurar las consultas de manera más eficiente, lo que puede mejorar el rendimiento al reducir la cantidad de datos que se procesan

Este es su icono en BigQuery

Las vistas son fundamentales para las automatizaciones a través de lookerstudio. Pero cuidado porque cada vez que las usas consumes recursos. Puede que como veremos después lo que necesites en realidad es una tabla.

Las consultas en BigQuery

Las consultas en BigQuery son fundamentales para extraer, analizar y manipular grandes volúmenes de datos almacenados en esta plataforma de Google Cloud. Estas son sus funciones básicas:

Analizar. Las consultas permiten a los usuarios realizar análisis detallados de grandes conjuntos de datos utilizando SQL estándar. Esto incluye la capacidad de realizar cálculos complejos, agregaciones y transformaciones de datos para obtener insights valiosos.
Consultas programas. Los usuarios pueden programar consultas para que se ejecuten de forma recurrente. Esto es útil para tareas de análisis rutinarias, como la generación de informes periódicos o la actualización de dashboards.
Informes. BigQuery se integra con herramientas de visualización como Looker y Google Data Studio, lo que facilita la creación de informes y dashboards interactivos basados en los resultados de las consultas.

Este un ejemplo de una consulta. Siempre se ejecutan en una pantalla dedicada. Aquí es dónde se utiliza el código SQL. Por si no lo sabes este SQL también se suele llamar GoogleSQL.

Las tablas en BigQuery

Las tablas en BigQuery son una parte esencial de su infraestructura de almacenamiento y consulta de datos. Éstas son sus principales funciones.

Almacenamiento de datos estructurados. Las tablas estándar de BigQuery almacenan datos estructurados en un formato de columnas, lo que permite un acceso rápido y eficiente a grandes volúmenes de datos. existe cuatros tipos principales de tablas. Tablas estándar, Tablas Externas, Clonaciones de Tablas e Instantáneas de Tablas.
Gestión de datos. Las tablas permiten cargar, anexar, reemplazar, y exportar datos, facilitando la gestión de grandes conjuntos de datos. También se pueden modificar mediante declaraciones DML (Data Manipulation Language) para actualizar, insertar o eliminar registros
Consultas y Análisis. Las tablas son la base para ejecutar consultas SQL en BigQuery, permitiendo a los usuarios extraer y analizar datos para obtener insights valiosos.

El icono de las tablas suele ser este.

Ojo, una diferencia muy grande entre la tabla y la vista es que cuando trabajas con LookerStudio, por ejemplo, las tablas se guardan en caché durante 24 horas , sólo consumen recursos la primera vez, mientras que las vistas «gastan» cada vez que se ejecutan. Tenlo en cuenta.

La entrada Diferencias entre tablas, consultas y vistas en BigQuery se publicó primero en ROIANALYTICS.

Consultas básicas de BigQuery para extraer datos de Google Analytics 4

Fernando Lens — Mon, 12 Aug 2024 07:05:03 +0000

Cuando empiezas a usar la conexión de Google Analytics 4 con BigQuery es fundamental dominar las queries o consultas más básicas que te permitan sacar datos valiosos sin cargar todas las tablas para controlar el gasto de recursos.

Aquí te dejo varias consultas básicas que te pueden servir de ayuda.

Usuarios totales y usuarios nuevos en BigQuery GA4

WITH
UserInfo AS (
SELECT
user_pseudo_id,
MAX(IF(event_name IN (‘first_visit’, ‘first_open’), 1, 0)) AS is_new_user

USA AQUÍ EL NOMBRE DE TU TABLA

FROM `bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`

AQUÍ AÑADE LA FECHA QUE QUIERES UTILIZAR

WHERE _TABLE_SUFFIX BETWEEN ‘20231101’ AND ‘20231130’
GROUP BY 1
)
SELECT
COUNT(*) AS user_count,
SUM(is_new_user) AS new_user_count
FROM UserInfo;

Número medio de transacciones por usuario comprador en BigQuery GA4

SELECT
COUNT(*) / COUNT(DISTINCT user_pseudo_id) AS avg_transaction_per_purchaser
FROM

USA AQUÍ EL NOMBRE DE TU TABLA

`bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
WHERE

event_name IN (‘in_app_purchase’, ‘purchase’)

AQUÍ AÑADE LA FECHA QUE QUIERES UTILIZAR

AND _TABLE_SUFFIX BETWEEN ‘20231201’ AND ‘20231231’;

Valor de cualquier evento que se recoja en BigQuery GA4

SELECT
event_timestamp,
(
SELECT COALESCE(value.int_value, value.float_value, value.double_value)
FROM UNNEST(event_params)
WHERE key = ‘value’
) AS event_value
FROM

USA AQUÍ EL NOMBRE DE TU TABLA

`bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
WHERE
event_name = ‘purchase’

AQUÍ AÑADE LA FECHA QUE QUIERES UTILIZAR

AND _TABLE_SUFFIX BETWEEN ‘20231201’ AND ‘20231202’;

Los 10 artículos más añadidos al carrito

SELECT
item_id,
item_name,
COUNT(DISTINCT user_pseudo_id) AS user_count
FROM

USA AQUÍ EL NOMBRE DE TU TABLA

`bigquery-public-data.ga4_obfuscated_web_ecommerce.events_*`, UNNEST(items)
WHERE

AQUÍ AÑADE LA FECHA QUE QUIERES UTILIZAR

_TABLE_SUFFIX BETWEEN ‘20231101’ AND ‘20230131’
AND event_name IN (‘add_to_cart’)
GROUP BY
1, 2
ORDER BY
user_count DESC
LIMIT 10;

Secuencia de páginas vistas por un usuario en BigQuery GA4

SELECT
user_pseudo_id,
event_timestamp,
(SELECT value.int_value FROM UNNEST(event_params) WHERE key = ‘ga_session_id’) AS ga_session_id,
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = ‘page_location’)
AS page_location,
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = ‘page_title’) AS page_title
FROM

USA AQUÍ EL NOMBRE DE TU TABLA

`bigquery-public-data.ga4_obfuscated_sample_ecommerce.events_*`
WHERE

event_name = ‘page_view’

AQUÍ AÑADE LA FECHA QUE QUIERES UTILIZAR

AND _TABLE_SUFFIX BETWEEN ‘20231201’ AND ‘20203202’
ORDER BY
user_pseudo_id,
ga_session_id,
event_timestamp ASC;

Utiliza esta herramienta si tienes dudas en tus queries de BigQuery en Google Analytics 4

Si tienes dudas sobre cómo construir la query te recomiendo que uses la herramienta gratuita GA4SQL.

La entrada Consultas básicas de BigQuery para extraer datos de Google Analytics 4 se publicó primero en ROIANALYTICS.

Cómo conectar Google Analytics 4 con BigQuery y LooketStudio

Fernando Lens — Fri, 09 Aug 2024 15:11:21 +0000

LookerStudio es una de las herramientas de Business Intelligence por parte de los profesionales del marketing digital. Uno de sus conectores te permite cargar los datos de GA4 a través de BigQuery.

Esto te permite usar las tablas de BigQuery con todo el dato bruto de GA4 pudiendo visualizar los datos de una manera más clara en los gráficos y tablas de LookerStudio. A continuación te presento los pasos para hacerlo.

Configurar la cuenta de BigQuery. Necesitas un proyecto.
Conectar BigQuery con Google Analytics (es facilísimo)
Ajustar la cuenta de servicio de BigQuery
Check de la base de datos de BigQuery.
Conectar LookerStudio con BigQuery y probar a crear tus primeras tablas.

Cómo configurar la cuenta y el proyecto de BigQuery

Primero de todo tienes que ir a Google Cloud Platform. Yo por ejemplo aquí te voy a enseñar lo básico para conectar la cuenta de nuestra web marketing4all. Este proyecto pertenece a la agencia SEOCOM.

Lo empezaré de cero para que veas cómo se hace.

Tienes que buscar el botón de «new project». En esta pantalla de la consola de Google Cloud lo verás a la derecha.

Rellenas el nombre con un nombre descriptivo y ya lo tienes.

Una vez lo has nombrado tienes que activar BigQuery en el proyecto. Encontrarás la opción de BigQuery en el menú de la izquierda

En mi caso, el nombre que le he puesto es bigquery-m4all-ga4 . Este es el nombre que vas a seleccionar en el siguiente paso.

Cómo conectar GA4 con BigQuery

Recuerda los datos del proyecto de Google Cloud porque los vas a necesitar.

En GA4 te irás a Administrar > Vinculaciones con otros productos y buscarás Vinculaciones con BigQuery. Aquí debes buscar el nombre de proyecto que creamos en el paso anterior.

Aquí tendrás que seleccionar la localización de los datos. Este paso es importante, asegúrate que utilizas la localización correcta. Yo he usado European Union.

En export type, si quieres una exportación de datos sencilla, sin datos en tiempo real, te recomiendo la opción «Diariamente» o «Daily».
Si eliges Streaming, aunque vas a tener dato más reciente podrías superar el límite gratuito de BigQuery fácilmente.

En user data puedes marcar «Daily» sin problema.

En 24 horas , aprox, tendrás los datos ya disponibles en BigQuery.

Ahora tiene que configurar las credenciales de BigQuery.

Cómo configurar los credenciales de la cuenta de servicio de BigQuery

Dentro de la cuenta de BigQuery tendrás que hacer un último setup.

Una vez dentro de tu proyecto de Google cloud /BigQuery.

Tienes que buscar ese menú que se llama API… Una vez dentro irás a credenciales y harás clic en Crear Credenciales. Lo que necesitas es una cuenta de servicio.

Lo importante aquí es que te quedes con la dirección que se genera. Esta que te enseño aquí. Y además también debes asegurarte que el rol que le añades es Básico y editor.

Ahora ya puedes desde la consola de BigQuery crear tu conjunto de datos.

Lo importante en esta parte es que en el Data set ID introduzcas el nombre «analytics_[meter aquí el id de la propiedad]» como te indico en la imagen superior.

Este es el dataset al que accederás desde LookerStudio pasadas 24 horas.

Conectar el dataset de BigQuery con LookerStudio

Para acceder a ese dataset, una vez hayan pasado 24 horas, en LookerStudio tendrás que ir a add data , buscar el conector de BigQuery y buscar ese data set. Como te muestro en la imagen:

Ahora ya podrás construir las tablas una vez se hayan cargado de datos.

La entrada Cómo conectar Google Analytics 4 con BigQuery y LooketStudio se publicó primero en ROIANALYTICS.