Agencia B2B mid-market · Vertical specialized
GA4 BigQuery export empresa · Setup + queries SQL + use cases B2B
GA4 BigQuery export B2B mid-market: setup técnico paso a paso, structure tabla events_*, queries SQL canónicos, joins con CRM, costes, dbt models. Free hasta 1M eventos/día.
Empresas que ya mueven su número con nosotros
En síntesis
GA4 BigQuery export empresa · Setup + queries SQL + use cases B2B
GA4 BigQuery export B2B mid-market: setup técnico paso a paso, structure tabla events_*, queries SQL canónicos, joins con CRM, costes, dbt models. Free hasta 1M eventos/día.
GA4 BigQuery export empresa es la pipeline canónica para mover los datos crudos de Google Analytics 4 a BigQuery, donde se cruzan con CRM, paid platforms y datos operacionales para construir el único modelo de atribución que sirve para tomar decisiones de presupuesto en B2B mid-market. El export es gratuito hasta 1M eventos/día; la trampa está en el coste de queries mal escritas y en el diseño de los modelos dbt downstream. Esta guía documenta el setup técnico, structure de tablas, queries SQL canónicas y casos de uso B2B.
Vertical fit
Definición y caso de uso
BigQuery export es la única forma de salir de las limitaciones de la UI de GA4: sampling sobre 10M sesiones, max 1M filas en explorations, retención 14 meses de event-level data, sin posibilidad de joins con CRM. En BigQuery cada evento llega como una fila en events_YYYYMMDD con user_pseudo_id, event_name, event_timestamp, event_params (RECORD), user_properties (RECORD), traffic_source (RECORD) y device, geo, app_info.
Caso de uso canónico mid-market: empresa B2B con 200-800K sesiones/mes, 4-12 paid channels activos (Google + LinkedIn + Meta + DV360 + a veces Pinterest/TikTok), CRM con 50K-200K registros, y necesidad de medir Marketing-sourced Pipeline por canal con W-shaped attribution. Sin BigQuery, el equipo de RevOps trabaja con last-click de GA4, last-click de cada plataforma, y reportes manuales en Sheets. Con BigQuery + dbt + Looker Studio, hay una sola fuente de verdad de la que cuelgan presupuesto, CAC, payback y forecast.
Stack integrado
Paso a paso técnico
raw_ga4.events_* (export nativo) > staging.stg_ga4_events (parseo de event_params, user_properties) > marts.fct_sessions, marts.fct_conversions, marts.dim_users. Esto se monta con dbt o con scheduled queries.4. Query base sessions. Esqueleto canónico: SELECT user_pseudo_id, (SELECT value.int_value FROM UNNEST(event_params) WHERE key='ga_session_id') AS session_id, MIN(event_timestamp) AS session_start_ts, MAX(event_timestamp) AS session_end_ts, COUNTIF(event_name='page_view') AS pageviews, COUNTIF(event_name='generate_lead') AS leads, ANY_VALUE(traffic_source.source) AS source, ANY_VALUE(traffic_source.medium) AS medium, ANY_VALUE(traffic_source.name) AS campaign
FROM `project.analytics_XXXX.events_*`
WHERE _TABLE_SUFFIX BETWEEN '20260101' AND '20260131'
GROUP BY 1,2;crm.leads. Join por user_id (cuando hay login) o por GCLID. Esto genera marts.fct_attribution.6. Modelos dbt downstream. Los modelos fct_marketing_sourced_pipeline, fct_cac_by_channel y fct_payback_cohort se materializan como incremental tables con freshness checks. Tests dbt: unique sessions, not_null user_pseudo_id, relationships con dim_users.7. Cost control. Partitioning por event_date obligatorio. Clustering por event_name + user_pseudo_id. Habilitar query cache (default ON). Limitar costo máximo por query en project-level. Reservar slots si volumen ≥5TB scanned/mes.8. Exposición a Looker Studio. Conexión via service account read-only. Vistas materializadas para reducir cost por refresh. Cache de dashboards 4-12h salvo casos near-real-time justificados.Casos referencias
Stack canónico cronuts.digital
- BigQuery: warehouse para events_ + CRM + paid platforms.
- dbt Core / dbt Cloud: transformations + tests + docs.
- Google Cloud Storage: landing zone para exports CRM y paid.
- Looker Studio: dashboards executive + ops.
- Python / Vertex AI Workbench: ad-hoc analytics y forecast.
- Airbyte / Fivetran: connectors CRM + Stripe + Pipedrive cuando aplica.
- Consent Mode v2: events con consent_state preservado en BigQuery.
Resultados típicos
Métricas y ROI esperado
Métricas vertical
Errores frecuentes
- Queries sobre TODA la tabla events_* sin filtro
_TABLE_SUFFIX: costes 50-200x. - Activar streaming sin necesidad: 10x el cost del export daily.
- No registrar custom dimensions antes de export: parámetros llegan pero con nombres genéricos.
- Olvidar partitioning: queries lentas y costosas.
- Join CRM sin email hasheado: GDPR liability + datos rechazados por Google.
- No documentar transformations: dbt models sin docs en 6 meses son caja negra.
- Looker Studio conectado a tablas raw: cada refresh dispara queries costosas; usar marts.
Equipo senior
Convierte esta idea en un sistema medible
Reseñas verificadas · CMOs & CIOs B2B vertical
Empresas que ya operan con CRONUTS.DIGITAL.
Diagnóstico vertical B2B
¿Tu sector B2B sin agencia integrada?
Auditoría vertical 7 días. Plan stack integrado SEO+Paid+Content+CRO+IA. Senior accountability. Sin compromiso.