Cómo Usar BigQuery Con GA4 para Análisis Avanzado

Por Emily Redmond, Analista de Datos en Emilytics · abril 2026

TL;DR: Exporta GA4 a BigQuery para acceso de datos crudos. Escribe consultas SQL para analizar patrones que GA4 no puede mostrar. Retención de datos ilimitada y detalle completo a nivel de evento.

GA4 es bueno para dashboards e informes estándar. Pero para análisis verdadero—análisis de cohortes, modelado estadístico, patrones multimensuales—necesitas BigQuery.

¿Qué es BigQuery?

BigQuery es el almacén de datos de Google. Almacenas grandes cantidades de datos y los consultas con SQL.

GA4 exporta tus datos de evento crudos a BigQuery diariamente. Luego puedes:

Consultar cualquier dimensión, cualquier métrica, cualquier combinación
Escribir SQL complejo para análisis que GA4 no puede hacer
Exportar a herramientas BI (Looker, Tableau, Data Studio)
Alimentar datos a almacenes de datos o data lakes
Combinar GA4 con otras fuentes de datos (CRM, facturación, etc.)

Requisitos Previos

Proyecto Google Cloud (tier gratuito está bien para conjuntos de datos pequeños)
Propiedad GA4
Un poco de conocimiento SQL (o disposición para aprender)

Configurando Exportación de BigQuery

Paso 1: Crear un Proyecto Google Cloud (si es necesario)

Ve a console.cloud.google.com
Crea un nuevo proyecto
Anota el ID del proyecto

Paso 2: Vincular GA4 a BigQuery

Ve a GA4 → Admin
Bajo "Recopilación y modificación de datos," haz clic en Enlaces de BigQuery
Haz clic en Vincular proyecto de BigQuery
Selecciona tu proyecto
Elige qué datos exportar:
- "Eventos de Google Analytics 4" (eventos crudos, recomendado)
- "Intraday" (tiempo real, si lo necesitas)
Vincula

GA4 comienza a exportar. Toma 24-48 horas para backfill, luego exporta diariamente.

Paso 3: Acceder a BigQuery

Ve a console.cloud.google.com
Selecciona tu proyecto
Ve a BigQuery
En la barra lateral izquierda, deberías ver tu proyecto con conjuntos de datos GA4

Entendiendo la Estructura de Datos GA4 BigQuery

GA4 crea dos conjuntos de datos:

analytics_[PROPERTY_ID]: Inserción de streaming (tiempo real)
analytics_[PROPERTY_ID]_intraday: Datos intraday (finalizado diariamente)

Dentro de cada uno, las tablas se nombran por fecha: events_20260101, events_20260102, etc.

Cada fila es un evento, con columnas:

event_timestamp: Cuándo se disparó el evento
event_name: Nombre del evento (pageview, purchase, etc.)
user_id: Si rastreas User-ID
user_pseudo_id: ID de usuario anónimo
user_properties: Propiedades de usuario personalizadas
event_params: Parámetros de evento
Y más...

Tu Primera Consulta de BigQuery

Consulta Simple: Vistas de Página por Día

SELECT
  DATE(TIMESTAMP_MICROS(event_timestamp)) as date,
  COUNT(*) as pageviews
FROM `project.analytics_123456.events_*`
WHERE event_name = 'page_view'
GROUP BY date
ORDER BY date DESC

Reemplaza project y 123456 con tu ID de proyecto y ID de propiedad GA4 reales.

Esto extrae:

Fecha
Recuento de vistas de página por día
Para los últimos 30 días (el comodín events_* coincide con todas las tablas de eventos)

Consulta: Ingresos por País

SELECT
  (SELECT value FROM UNNEST(user_properties) WHERE key = 'country') as country,
  ROUND(SUM(CAST((SELECT value FROM UNNEST(event_params) WHERE key = 'value').string_value AS FLOAT64)), 2) as revenue
FROM `project.analytics_123456.events_*`
WHERE event_name = 'purchase'
GROUP BY country
ORDER BY revenue DESC

Esto es más complejo porque los datos de GA4 están anidados. Las propiedades son matrices, así que tienes que desanidadas.

Análisis GA4 BigQuery Comunes

Cohortes de Usuario

"Usuarios que se registraron en enero—¿cuántos siguen activos 30 días después?"

WITH signup_cohort AS (
  SELECT
    DATE(TIMESTAMP_MICROS(event_timestamp)) as signup_date,
    user_id,
    MIN(DATE(TIMESTAMP_MICROS(event_timestamp))) as first_day
  FROM `project.analytics_123456.events_*`
  WHERE event_name = 'sign_up'
  GROUP BY signup_date, user_id
)
SELECT
  signup_date,
  COUNT(DISTINCT user_id) as signups_that_day,
  COUNT(DISTINCT CASE WHEN TIMESTAMP_ADD(TIMESTAMP_MILLIS(first_day), INTERVAL 30 DAY) <= CURRENT_TIMESTAMP THEN user_id END) as still_active_30_days
FROM signup_cohort
WHERE signup_date = '2026-01-01'
GROUP BY signup_date

Análisis de Embudo

"De usuarios que vieron producto, ¿cuántos agregaron al carrito? De esos, ¿cuántos compraron?"

WITH product_viewers AS (
  SELECT DISTINCT user_id
  FROM `project.analytics_123456.events_*`
  WHERE event_name = 'view_item'
),
cart_adders AS (
  SELECT DISTINCT user_id
  FROM `project.analytics_123456.events_*`
  WHERE event_name = 'add_to_cart'
),
purchasers AS (
  SELECT DISTINCT user_id
  FROM `project.analytics_123456.events_*`
  WHERE event_name = 'purchase'
)
SELECT
  COUNT(DISTINCT pv.user_id) as viewed_product,
  COUNT(DISTINCT ca.user_id) as added_to_cart,
  COUNT(DISTINCT p.user_id) as purchased,
  ROUND(100 * COUNT(DISTINCT ca.user_id) / COUNT(DISTINCT pv.user_id), 2) as product_to_cart_rate,
  ROUND(100 * COUNT(DISTINCT p.user_id) / COUNT(DISTINCT ca.user_id), 2) as cart_to_purchase_rate
FROM product_viewers pv
LEFT JOIN cart_adders ca ON pv.user_id = ca.user_id
LEFT JOIN purchasers p ON ca.user_id = p.user_id

Valor de Vida Útil del Cliente (CLV)

"¿Cuál es el ingresos total por usuario?"

SELECT
  user_id,
  COUNT(DISTINCT CASE WHEN event_name = 'purchase' THEN event_timestamp END) as purchase_count,
  ROUND(SUM(CAST((SELECT value FROM UNNEST(event_params) WHERE key = 'value').string_value AS FLOAT64)), 2) as total_revenue,
  ROUND(AVG(CAST((SELECT value FROM UNNEST(event_params) WHERE key = 'value').string_value AS FLOAT64)), 2) as avg_order_value
FROM `project.analytics_123456.events_*`
WHERE event_name = 'purchase'
GROUP BY user_id
ORDER BY total_revenue DESC

Consejos para Escribir Consultas GA4 BigQuery

Usa comodín events_*: Esto coincide con todas las tablas de eventos. Sin él, solo consultas un día.
TIMESTAMP_MICROS: GA4 almacena marcas de tiempo en microsegundos. Convierte con TIMESTAMP_MICROS(event_timestamp).
Desanidación: Las propiedades y parámetros son matrices anidadas. Usa UNNEST() y WHERE key = 'property_name' para extraer.
Limita antes de consultar: Comienza con LIMIT 100 para probar consultas antes de ejecutar en millones de filas.
Revisa costos: Las consultas grandes escanean mucho datos (aproximadamente $6.25/TB). Usa comentarios -- para estimar costos.

Conectar BigQuery a Herramientas BI

Una vez que tienes consultas en BigQuery, visualiza:

Google Data Studio

Crea un reporte en datastudio.google.com
Selecciona "BigQuery" como fuente de datos
Elige tu proyecto y consulta
Diseña visualizaciones
Comparte con equipo

Looker Studio (Premium)

Lo mismo que Data Studio pero más avanzado.

Tableau

Conecta a BigQuery (Tableau tiene conector nativo)
Escribe tus consultas o selecciona tablas
Crea dashboards

Costos

Tier gratuito: 1TB de datos consultados al mes es gratuito
Pago por uso: $6.25 por TB escaneado después de eso

La mayoría de pequeños negocios se mantienen bajo 1TB/mes y no pagan nada.

Preguntas Frecuentes

P: ¿Cuánto tarda hasta que los datos aparezcan en BigQuery después de configurar exportación? R: 24-48 horas para backfill. Después, los datos se exportan diariamente (normalmente a primera hora de la mañana hora del Pacífico).

P: ¿Puedo consultar datos en tiempo real? R: Sí, usa el conjunto de datos intraday. Pero está limitado a las últimas horas.

P: ¿Necesito saber SQL para usar BigQuery con GA4? R: Para consultas básicas, no—usa plantillas prefabricadas o Data Studio. Para análisis personalizado, sí.

P: ¿Puedo combinar datos GA4 con otras fuentes de datos en BigQuery? R: Sí. Puedes tener eventos GA4 y una tabla separada de datos CRM de cliente, luego unirlas.

P: ¿Cuánto tiempo se retienen los datos en BigQuery? R: Ilimitado (estableces políticas de retención). Por eso BigQuery es mejor que GA4 para análisis a largo plazo.

La Conclusión

BigQuery es donde los datos GA4 cobran vida. Si necesitas:

Retención de datos ilimitada
Análisis complejo multimensional
Control sobre lo que mides
Integración con otros datos

Configura exportación de BigQuery. Es gratuito de configurar y casi gratuito de ejecutar.

Comienza simple (una consulta), aprende SQL gradualmente, y construye desde ahí.

Emily Redmond es una analista de datos en Emilytics — el agente de analítica de IA que vigila tu GA4, Search Console y datos de Bing las 24 horas para que nunca pierdas lo que importa. 8 años de experiencia ayudando a fundadores y equipos de crecimiento convertir ruido de datos en decisiones claras. Dinos hola →