---
title: "BigQuery con GA4: guía de integración, SQL, costes y análisis"
description: "BigQuery con GA4 permite sacar los eventos de Google Analytics 4 de la interfaz de reporting y trabajar con ellos a nivel granular dentro de Google Cloud. La principal ventaja es disponer de los..."
url: https://lestergrow.es/blog/bigquery-con-ga4/
date: 2026-08-19
modified: 2026-08-19
author: "Equipo de Lester Grow"
image: https://lestergrow.es/wp-content/uploads/2026/08/BigQuery-con-GA4.jpg
categories: ["GA4"]
type: post
lang: en
---

# BigQuery con GA4: guía de integración, SQL, costes y análisis

![Manos conectando un portátil para trabajar con BigQuery con GA4](https://csuxjmfbwmkxiegfpljm.supabase.co/storage/v1/object/public/blog-images/organization-42297/1786727818430_Hands-plugging-USB-C-cable-into-laptop.jpeg)

**BigQuery con GA4** permite sacar los eventos de Google Analytics 4 de la interfaz de reporting y trabajar con ellos a nivel granular dentro de Google Cloud. La principal ventaja es disponer de los eventos sin muestreo de la exportación, consultar campos que no siempre aparecen de la misma forma en los informes estándar y combinar la analítica digital con CRM, ventas, costes, producto u otras fuentes.

**Resumen:** para trabajar bien con *BigQuery con GA4* conviene separar cuatro capas: configuración de la exportación, comprensión del esquema, control de costes y creación de una capa analítica reutilizable. Las propiedades estándar pueden exportar hasta un millón de eventos diarios mediante la exportación Daily; Streaming no tiene ese límite de volumen, aunque es un servicio best effort y puede carecer de algunos campos de adquisición del día en curso. Analytics 360 añade Fresh Daily y límites mucho mayores. Las tablas diarias siguen el patrón `events_YYYYMMDD`, mientras que el streaming utiliza tablas `events_intraday_YYYYMMDD`. El valor real aparece cuando las consultas SQL dejan de ser pruebas aisladas y se convierten en modelos de datos consistentes para negocio.

Antes de activar nada, revisa qué eventos necesitas, quién tendrá acceso al proyecto, qué región usarás y para qué decisiones se utilizarán los datos. Exportar todo sin criterio suele producir un dataset difícil de gobernar y consultas más caras de lo necesario.

 
👉 Si necesitas descargarte infografías sobre [BigQuery con GA4](https://lestergrow.es/registro-de-newsletter/), descuentos en cursos y herramientas y mucho más puedes hacerlo aquí: [descargar infografías y recursos](https://lestergrow.es/registro-de-newsletter/).

 

## Índice de BigQuery con GA4

- [Qué aporta realmente](#que-es-bigquery-ga4)
- [Pros y contras](#pros-contras-bigquery-ga4)
- [Configuración paso a paso](#configuracion-bigquery-ga4)
- [Daily, Streaming y Fresh Daily](#exportaciones-bigquery-ga4)
- [Estructura de tablas y esquema](#estructura-bigquery-ga4)
- [Consultas SQL y UNNEST](#sql-bigquery-ga4)
- [Costes y optimización](#costes-bigquery-ga4)
- [Diferencias entre GA4 y BigQuery](#discrepancias-bigquery-ga4)
- [CRM, BI y fuentes externas](#integraciones-bigquery-ga4)
- [Gobernanza, privacidad y permisos](#gobernanza-bigquery-ga4)
- [Sistema operativo de datos](#sistema-bigquery-ga4)
- [Conclusiones](#conclusiones-bigquery-ga4)
- [Preguntas frecuentes](#faq-bigquery-ga4)

 

 

 

## BigQuery con GA4: qué aporta frente a trabajar solo en la interfaz

GA4 está pensado para análisis y reporting. BigQuery es un almacén de datos y motor analítico. Esa diferencia cambia el nivel de control. En la interfaz trabajas con informes, exploraciones y métricas ya procesadas. En BigQuery puedes consultar eventos individuales, reconstruir sesiones con tu propia lógica, cruzar fuentes y crear modelos específicos para marketing, producto o finanzas.

Esto no significa que BigQuery sea “más correcto” que GA4 en todo. Son capas distintas. La interfaz incorpora procesamiento, atribución y modelización que no se reproduce automáticamente al consultar el raw export. Por eso una cifra de usuarios, sesiones o ingresos puede variar si la lógica SQL no replica exactamente la definición de Analytics.

## BigQuery con GA4: cuadro resumen de pros y contras

| Aspecto | Ventaja | Riesgo o límite |
| --- | --- | --- |
| Granularidad | Acceso a eventos exportados sin muestreo. | Hay que reconstruir métricas y sesiones con criterio. |
| Integración | Permite unir GA4 con CRM, costes, producto o backend. | La identidad entre sistemas debe estar bien diseñada. |
| Flexibilidad | SQL permite crear métricas y modelos propios. | Una consulta mal planteada puede producir cifras engañosas o costes innecesarios. |
| Gobernanza | IAM y datasets permiten controlar acceso y uso. | Requiere roles, documentación y mantenimiento. |
| Coste | Puede ser muy eficiente con buenas prácticas. | El procesamiento y el almacenamiento tienen coste. |

 

 

## BigQuery con GA4: configuración paso a paso

La vinculación se realiza desde la administración de la propiedad de GA4. Necesitas permisos suficientes en Analytics y en el proyecto de Google Cloud. Durante el proceso eliges proyecto, ubicación, flujos de datos, eventos excluidos y tipos de exportación.

1. **Prepara el proyecto de Google Cloud.** Confirma facturación, ubicación y permisos.
2. **Revisa el catálogo de eventos.** Decide qué flujos y eventos merece la pena exportar.
3. **Crea la vinculación en GA4.** Selecciona el proyecto y configura Daily, Streaming y, si corresponde, Fresh Daily.
4. **Verifica el dataset.** GA4 crea un dataset con nomenclatura `analytics_<property_id>`.
5. **Valida la primera carga.** Comprueba fechas, volumen, eventos principales y campos críticos.
6. **Documenta la configuración.** Guarda responsable, región, exclusiones y fecha de activación.

Una [auditoría de GA4](https://lestergrow.es/auditoria-de-ga4-precision-datos) antes de exportar ayuda a evitar que eventos duplicados, nombres inconsistentes o parámetros inútiles se conviertan en deuda técnica permanente.

## BigQuery con GA4: checklist antes de activar la exportación

| Revisión | Qué comprobar | Por qué importa |
| --- | --- | --- |
| Proyecto | Facturación, región y ownership. | La ubicación condiciona integraciones y no conviene cambiarla después. |
| Permisos | Rol suficiente en GA4 y permisos del proyecto. | Evita fallos de vinculación o de escritura. |
| Eventos | Duplicados, debug y eventos de bajo valor. | Reduce ruido y volumen exportado. |
| Privacidad | Datos personales, identificadores y políticas internas. | BigQuery no convierte un dato sensible en válido por almacenarlo. |
| Coste | Presupuesto y alertas de Cloud Billing. | Evita sorpresas al crecer el volumen. |

## BigQuery con GA4: Daily, Streaming y Fresh Daily

GA4 ofrece varias opciones de exportación. La exportación Daily está disponible en propiedades estándar y 360 y genera el conjunto completo de eventos sin procesar del día anterior. En propiedades estándar, el límite de Daily es de un millón de eventos al día. En Analytics 360 el límite diario es muy superior.

Streaming está disponible tanto en estándar como en 360 y envía eventos del día en curso en cuestión de minutos. No tiene un límite de volumen propio, pero es un servicio best effort: puede haber huecos y ciertos datos de fuente de tráfico de usuarios y sesiones nuevas no están disponibles todavía.

Fresh Daily es una opción de Analytics 360. Utiliza el mismo esquema que Daily, entrega datos más completos a lo largo del día y suele actualizarse en lotes frecuentes. No debe confundirse con Streaming.

## BigQuery con GA4: comparación de tipos de exportación

| Tipo | Disponibilidad | Frescura | Uso recomendado |
| --- | --- | --- | --- |
| Daily | Standard y 360 | Día anterior, sin hora exacta garantizada. | Reporting consolidado y análisis histórico. |
| Streaming | Standard y 360 | Minutos. | Alertas y análisis del día en curso. |
| Fresh Daily | Analytics 360 | Actualizaciones por lotes durante el día. | Equipos 360 que necesitan más frescura y completitud. |

Para análisis de atribución de usuarios, conviene ser prudente con Streaming porque algunos campos requieren más procesamiento. El dato rápido no siempre es el dato más completo.

## BigQuery con GA4: estructura de tablas y campos anidados

El dataset generado por Analytics utiliza tablas diarias `events_YYYYMMDD`. Si activas Streaming, aparecen tablas `events_intraday_YYYYMMDD` para el día en curso. Cada fila representa un evento y puede contener campos escalares y registros anidados.

![Cubo tridimensional que representa los campos anidados de BigQuery con GA4](https://csuxjmfbwmkxiegfpljm.supabase.co/storage/v1/object/public/blog-images/organization-42297/1786727798179_Hand-holding-3D-cube-model-symbolizing-nested-data.jpeg)

Los arrays `event_params`, `user_properties` e `items` son especialmente importantes. GA4 evita crear una columna nueva por cada parámetro; en su lugar almacena pares clave-valor dentro de estructuras repetidas. Por eso `UNNEST` es una de las primeras herramientas que debe aprender cualquier analista.

## BigQuery con GA4: campos principales del esquema

| Campo | Qué contiene | Uso habitual |
| --- | --- | --- |
| `event_name` | Nombre del evento. | Filtrar page_view, purchase, generate_lead, etc. |
| `event_timestamp` | Marca temporal del evento en microsegundos. | Ordenar secuencias y calcular tiempos. |
| `user_pseudo_id` | Identificador pseudónimo del dispositivo/navegador. | Análisis de recorridos cuando no hay User-ID. |
| `event_params` | Array de parámetros del evento. | Extraer page_location, ga_session_id y parámetros personalizados. |
| `items` | Array de productos de ecommerce. | Analizar producto, cantidad, precio y categoría. |
| `traffic_source` | Atribución de adquisición de usuario. | Estudiar origen inicial del usuario. |

## BigQuery con GA4: consultas SQL prácticas y uso de UNNEST

La consulta más útil al empezar es la que extrae un parámetro de `event_params`. Esta estructura se repite en casi cualquier análisis personalizado.

```
SELECT
  event_date,
  event_name,
  user_pseudo_id,
  (SELECT value.string_value
   FROM UNNEST(event_params)
   WHERE key = 'page_location') AS page_location
FROM `mi_proyecto.analytics_123456789.events_*`
WHERE _TABLE_SUFFIX BETWEEN '20260801' AND '20260807'
  AND event_name = 'page_view';
```

En ecommerce, el patrón cambia porque `items` es otro array:

```
SELECT
  event_date,
  item.item_id,
  item.item_name,
  SUM(item.quantity) AS unidades
FROM `mi_proyecto.analytics_123456789.events_*`,
UNNEST(items) AS item
WHERE _TABLE_SUFFIX BETWEEN '20260801' AND '20260831'
  AND event_name = 'purchase'
GROUP BY 1,2,3;
```

Durante el desarrollo, no confíes en `LIMIT` para reducir el coste de procesamiento: BigQuery factura según los bytes procesados de las columnas consultadas. Filtrar tablas y seleccionar solo los campos necesarios es mucho más eficaz.

## BigQuery con GA4: patrones SQL que conviene reutilizar

| Patrón | Objetivo | Riesgo frecuente |
| --- | --- | --- |
| `UNNEST(event_params)` | Extraer parámetros. | Multiplicar filas si se unnestea sin control. |
| `_TABLE_SUFFIX` | Limitar fechas en tablas shardeadas. | Escanear todo el histórico por olvidar el filtro. |
| `COALESCE` | Tratar valores nulos o alternativas. | Usarlo para ocultar problemas de calidad de datos. |
| `COUNT(DISTINCT)` | Deduplicar entidades en ciertos análisis. | Asumir que reproduce exactamente las métricas de la UI. |
| CTE / vistas | Separar lógica en capas reutilizables. | Repetir cálculos costosos si no se materializa cuando conviene. |

## BigQuery con GA4: cómo controlar costes sin perder capacidad analítica

BigQuery cobra principalmente por almacenamiento y por computación. En el modelo on-demand, el coste de consulta depende de los bytes procesados. Google Cloud mantiene una capa gratuita mensual para cierto volumen de consultas, pero no conviene diseñar un sistema asumiendo que siempre quedará dentro de ella.

La optimización práctica pasa por leer menos datos: seleccionar columnas concretas, acotar fechas, crear tablas derivadas para informes repetitivos y utilizar particionado o clustering cuando el modelo lo justifique. También es recomendable configurar límites de bytes facturables y alertas de presupuesto.

## BigQuery con GA4: palancas para reducir coste

| Medida | Impacto | Aplicación |
| --- | --- | --- |
| Excluir eventos antes de exportar | Reduce almacenamiento y ruido. | Eventos debug o sin valor analítico. |
| Filtrar fechas | Reduce bytes procesados. | Usar `_TABLE_SUFFIX` en tablas exportadas. |
| Evitar `SELECT *` | Reduce columnas leídas. | Seleccionar únicamente campos necesarios. |
| Tablas derivadas | Evita recalcular lógica compleja. | Dashboards y modelos recurrentes. |
| Presupuestos y límites | Reduce riesgo financiero. | Cloud Billing y maximum bytes billed. |

## BigQuery con GA4: por qué los totales no siempre coinciden con la interfaz

Las discrepancias no deben explicarse con una frase genérica como “la interfaz deduplica y BigQuery no”. Hay varias causas posibles: modelización, diferencias de identidad, filtros, eventos excluidos de la exportación, definición de sesiones, atribución, hora de procesamiento y campos que llegan con retraso.

La forma correcta de investigar es reproducir la misma población. Comprueba zona horaria, rango de fechas, flujos exportados, eventos excluidos y definición de la métrica. Después compara usuarios, eventos o ingresos con una lógica SQL documentada.

## BigQuery con GA4: causas habituales de discrepancias

| Causa | Qué comprobar | Acción |
| --- | --- | --- |
| Eventos excluidos | Configuración del enlace. | Aplicar el mismo filtro en GA4 al comparar. |
| Modelización | Datos observados frente a modelados. | No esperar igualdad exacta en métricas afectadas. |
| Sesiones | Lógica SQL usada para reconstruirlas. | Documentar definición y casos límite. |
| Zona horaria | Propiedad y fecha de tabla. | Alinear periodos antes de comparar. |
| Procesamiento tardío | Fecha reciente y datos que siguen actualizándose. | Esperar consolidación antes de cerrar reporting. |

## BigQuery con GA4: cómo unir CRM, ventas y otras fuentes

La potencia real aparece cuando GA4 deja de ser una isla. Puedes combinar eventos digitales con CRM, inversión publicitaria, catálogo de productos, costes, atención al cliente o datos operativos. El reto no es técnico únicamente: hace falta una clave de unión, una definición compartida de cliente y reglas de privacidad.

No conviene usar emails en claro como “atajo” para unir sistemas. Diseña identificadores internos y flujos de datos adecuados al tratamiento permitido. El `user_id` de GA4 puede ayudar cuando el usuario inicia sesión, pero no sustituye la estrategia de identidad del negocio.

![Equipo planificando una arquitectura de BigQuery con GA4 y fuentes externas](https://csuxjmfbwmkxiegfpljm.supabase.co/storage/v1/object/public/blog-images/organization-42297/1786727802060_Hand-pointing-at-tablet-in-tech-planning-session.jpeg)

## BigQuery con GA4: fuentes que aportan contexto al análisis

| Fuente | Qué añade | Ejemplo de análisis |
| --- | --- | --- |
| CRM | Calidad del lead, oportunidad e ingreso. | Canales que generan más pipeline, no solo formularios. |
| Google Ads / costes | Inversión publicitaria. | CAC y rentabilidad por campaña. |
| Backend ecommerce | Pedidos netos, devoluciones y margen. | ROAS basado en ingreso real. |
| Producto SaaS | Activación y uso. | Fuentes que captan usuarios con mayor retención. |
| Datos externos | Contexto de mercado o entorno. | Demanda según clima, ubicación o estacionalidad. |

Para democratizar el acceso, una capa de vistas o tablas curadas puede alimentar herramientas de BI. Las [herramientas de analítica web](https://lestergrow.es/herramientas/herramientas-analitica-web) de Lester Grow ayudan a escoger la capa de visualización adecuada según el equipo.

## BigQuery con GA4: gobernanza, privacidad y permisos

Exportar datos no elimina las obligaciones de privacidad. BigQuery te da más control, pero también más responsabilidad. Define quién accede al proyecto, qué datasets puede consultar, cuánto tiempo se conservan los datos y qué campos requieren protección adicional.

Los permisos deben seguir el principio de mínimo privilegio. Un analista puede necesitar ejecutar consultas sin tener capacidad para cambiar IAM o borrar datasets. Un dashboard puede requerir una cuenta de servicio con acceso de lectura a una vista, no al raw completo.

## BigQuery con GA4: matriz mínima de gobernanza

| Área | Decisión | Control |
| --- | --- | --- |
| Acceso | Quién puede ver, consultar o administrar. | IAM por proyecto/dataset. |
| Retención | Cuánto histórico conservar. | Políticas de tablas y procesos de borrado. |
| PII | Qué datos no deben entrar o deben protegerse. | Validación de tracking y pipelines. |
| Coste | Quién puede lanzar consultas pesadas. | Budgets, quotas y maximum bytes billed. |
| Calidad | Qué métricas se consideran oficiales. | Tests, reconciliación y documentación. |

## BigQuery con GA4: cómo convertir la exportación en un sistema de datos útil

La mayoría de proyectos de **BigQuery con GA4** empiezan igual: se activa la vinculación, aparece el dataset y alguien ejecuta varias consultas copiadas de internet. Eso sirve para aprender, pero no crea una infraestructura analítica. El salto de calidad llega cuando el equipo define capas, métricas y procesos reutilizables.

### 1. Mantener una capa raw que no se “arregla” manualmente

Las tablas exportadas por GA4 deben tratarse como una fuente de origen. Si existe un error de tracking, corrígelo en la implementación y documenta desde qué fecha cambia. Alterar manualmente el raw dificulta auditorías y hace imposible saber qué recibió realmente Analytics.

Para análisis históricos puedes crear una capa corregida o normalizada, pero debe quedar separada. De este modo *BigQuery con GA4* conserva trazabilidad: raw para auditoría, staging para limpieza y marts para negocio.

### 2. Crear una capa de staging con nombres y tipos coherentes

La estructura anidada de GA4 es potente pero incómoda para usuarios no técnicos. Una tabla de staging puede extraer parámetros habituales —URL, sesión, campaign, device, transaction_id— y convertirlos en columnas consistentes.

Esta capa también permite normalizar valores. Si durante tres meses una campaña llega como `paid-social` y después como `paid_social`, el raw debe conservar ambas variantes, mientras que la capa analítica puede agruparlas siguiendo una regla documentada.

### 3. Diseñar marts por pregunta de negocio

No todo dashboard necesita leer millones de eventos. Un mart de adquisición puede tener una fila por día, canal y campaña. Otro de ecommerce puede resumir transacciones y margen. Uno de lead generation puede conectar formularios con oportunidades del CRM.

El objetivo es que el usuario final no tenga que conocer `UNNEST`. Marketing debería consultar una tabla de campañas; dirección, un modelo de ingresos; producto, un modelo de activación. La complejidad técnica se concentra en una capa mantenida por analítica.

### 4. Definir métricas oficiales y su propietario

Una misma palabra puede significar cosas distintas. “Sesión” puede ser la métrica de GA4 o una reconstrucción SQL. “Conversión” puede ser un evento clave, una compra o una oportunidad de CRM. Sin definición compartida, el proyecto genera más discusiones que respuestas.

Para cada KPI define nombre, lógica, fuente, propietario, frecuencia y casos límite. Si una métrica SQL intenta reproducir GA4, documenta qué diferencias se aceptan. Si es una métrica propia, no la presentes como si fuera la definición de Google.

### 5. Automatizar controles de calidad

Una exportación puede seguir creando tablas aunque el tracking se haya roto. Por eso conviene automatizar tests: volumen diario, presencia de eventos críticos, porcentaje de `user_pseudo_id` nulo, compras sin `transaction_id`, caída de parámetros o variaciones extremas.

Los controles no deben sustituir la investigación humana, pero sí acelerar la detección. Una caída del 80 % en `purchase` merece una alerta antes de que llegue el informe mensual.

### 6. Tratar el coste como una métrica del sistema

En un proyecto pequeño, el coste puede ser modesto. En uno grande, las mismas malas prácticas se multiplican. Incluye bytes procesados, coste por dashboard y consultas más pesadas dentro de la revisión operativa. Una consulta que funciona no está terminada si escanea veinte veces más de lo necesario.

Antes de materializar una tabla o construir un pipeline complejo, compara coste, frescura y frecuencia de uso. A veces una vista simple es suficiente; otras veces compensa precalcular un modelo diario.

### 7. Reconciliar GA4 con las fuentes de verdad

En ecommerce, la fuente financiera suele ser el backend de pedidos. En B2B, el CRM determina qué lead llegó a oportunidad y cuál terminó en venta. **BigQuery con GA4** permite acercar ambos mundos, pero no debería convertir Analytics en la fuente oficial de todo.

Una buena reconciliación identifica diferencias y les da nombre: devoluciones, consentimientos, eventos tardíos, pedidos offline, duplicados o identidades que no pueden enlazarse. El objetivo no es forzar un 100 % de coincidencia, sino entender por qué difieren las fuentes y qué dato se usa para cada decisión.

### 8. Documentar cambios como parte del pipeline

Guarda un changelog: eventos añadidos, exclusiones, cambios de User-ID, nuevas fuentes, modificaciones del CMP, transformaciones SQL y cambios de permisos. Seis meses después, esa documentación vale más que una consulta brillante sin contexto.

También ayuda a reforzar EEAT cuando Lester Grow publica contenido técnico: una metodología basada en auditorías, decisiones y errores reales aporta más credibilidad que una lista genérica de comandos.

### 9. Convertir aprendizajes en contenido citable

Los sistemas de IA pueden resumir una documentación básica de BigQuery. Lo que tiene más valor diferencial son los activos que salen de la práctica: una checklist de auditoría, un estudio de discrepancias, un benchmark de costes, una arquitectura probada o un caso con limitaciones y resultados.

Para favorecer la citabilidad, presenta definiciones precisas, tablas que comparen escenarios y ejemplos reproducibles. No es necesario “escribir para la IA”; es necesario reducir ambigüedad y aportar información que merezca referencia.

### 10. Crear un roadmap según madurez

Una empresa no necesita empezar con Dataform, dbt, orquestación y cien modelos. Puede comenzar con exportación, cinco consultas fiables y un dashboard. Cuando aparecen repetición, más fuentes y varios consumidores, se justifica añadir una capa de transformación formal.

La madurez de *BigQuery con GA4* se mide por la confianza que genera, no por el número de herramientas. Si el equipo sabe qué significa cada KPI, puede detectar errores y entiende el coste, la arquitectura está haciendo su trabajo.

## Conclusiones sobre BigQuery con GA4

**[BigQuery con GA4](https://support.google.com/analytics/answer/7029846?hl=es)** amplía de forma notable lo que puede hacerse con los datos de Analytics, pero exige asumir responsabilidad sobre SQL, definiciones, coste, privacidad y calidad. La exportación no sustituye la interfaz: la complementa.

Daily es la base más estable para análisis históricos; Streaming sirve para necesidades de baja latencia; Fresh Daily aporta una opción intermedia para Analytics 360. El esquema anidado requiere aprender `UNNEST`, y el control de fechas y columnas es esencial para mantener costes razonables.

El mayor retorno aparece cuando la empresa deja de consultar tablas raw directamente y crea una capa analítica gobernada, reconciliada con CRM o backend y documentada. Ahí BigQuery deja de ser una herramienta técnica y se convierte en infraestructura de decisión.

![Lester Grow](https://csuxjmfbwmkxiegfpljm.supabase.co/storage/v1/object/public/blog-images/organization-42297/1783188312498_lestergrow.jpg)

## Preguntas frecuentes sobre BigQuery con GA4

### ¿Es gratis conectar BigQuery con GA4?

La vinculación desde GA4 no tiene un coste adicional de licencia, pero BigQuery puede generar costes de almacenamiento, consultas y streaming. Google Cloud dispone de capas gratuitas y mecanismos de control, pero el coste depende del uso real.

### ¿Cuál es el límite de BigQuery con GA4 en propiedades estándar?

La exportación Daily de propiedades estándar tiene un límite de un millón de eventos al día. Streaming no tiene un límite de volumen propio. Si una propiedad supera de forma consistente el límite Daily, la exportación diaria puede pausarse.

### ¿Streaming sustituye a Daily?

No. Streaming ofrece datos en minutos, pero es best effort y puede carecer de algunos campos de adquisición del día actual. Daily sigue siendo más adecuada para análisis consolidados.

### ¿Qué es Fresh Daily?

Es una exportación disponible en Analytics 360 que actualiza datos por lotes durante el día, con el mismo esquema que Daily y mayor completitud que Streaming.

### ¿Cómo se llaman las tablas exportadas?

Las tablas diarias usan `events_YYYYMMDD`. Con Streaming se crean tablas `events_intraday_YYYYMMDD` para los datos del día en curso.

### ¿Por qué necesito UNNEST?

Porque parámetros como `event_params`, `user_properties` e `items` se almacenan en estructuras repetidas. `UNNEST` permite convertir esos arrays en filas consultables.

### ¿Por qué BigQuery y GA4 no coinciden al 100 %?

Porque la interfaz de GA4 y el raw export no aplican exactamente el mismo procesamiento. También influyen eventos excluidos, modelización, identidad, sesiones, atribución y latencia.

### ¿Cómo reduzco el coste de BigQuery?

Selecciona solo las columnas necesarias, limita fechas con `_TABLE_SUFFIX`, evita `SELECT *`, crea modelos derivados para consultas recurrentes y configura presupuestos y límites de bytes procesados.

### ¿Puedo unir GA4 con un CRM?

Sí, siempre que exista una estrategia de identidad y tratamiento de datos adecuada. BigQuery permite cruzar señales digitales con oportunidades, ventas e ingresos para analizar calidad y valor.

### ¿Necesito SQL avanzado?

Para empezar basta con dominar filtros, agregaciones, subconsultas y `UNNEST`. A medida que el proyecto madura, conviene crear vistas, tablas derivadas y una capa de transformación mantenible.

### ¿La vinculación exporta datos históricos anteriores?

No debes asumir que activar la vinculación recuperará automáticamente todo el histórico anterior. La exportación nativa empieza a partir de la vinculación; si necesitas datos previos, hay que evaluar otras fuentes o procesos disponibles para tu caso.

## Recursos relacionados de Lester Grow

- [Auditoría de GA4 y precisión del dato](https://lestergrow.es/auditoria-de-ga4-precision-datos)
- [Herramientas de analítica web](https://lestergrow.es/herramientas/herramientas-analitica-web)
- [Estrategia omnicanal](https://lestergrow.es/blog/estrategia-omnicanal-guia-practica-para-2026)
- [Dwell time: guía práctica](https://lestergrow.es/blog/dwell-time-guia-practica-para-profesionales-en-2026)
- [Implementar GA4: guía práctica](https://lestergrow.es/implementar-ga4-guia-practica)