{"id":9533,"date":"2020-09-03T07:18:22","date_gmt":"2020-09-03T05:18:22","guid":{"rendered":"https:\/\/www.makingscience.com\/blog\/analiza-sin-limitaciones-conectate-a-bigquery\/"},"modified":"2020-09-03T07:18:22","modified_gmt":"2020-09-03T05:18:22","slug":"analiza-sin-limitaciones-conectate-a-bigquery","status":"publish","type":"post","link":"https:\/\/www.makingscience.com\/es\/blog\/analiza-sin-limitaciones-conectate-a-bigquery\/","title":{"rendered":"Analiza sin limitaciones, \u00a1con\u00e9ctate a BigQuery!"},"content":{"rendered":"<div>Analiza sin limitaciones, \u00a1con\u00e9ctate a BigQuery!<\/div>\n<div><span style=\"font-weight: 400;\">BigQuery es una base de datos alojada en la nube de Google que permite procesar grandes vol\u00famenes de datos en pocos segundos. Con Google Analytics 360, los datos de Analytics se exportan a esta de manera autom\u00e1tica y sin procesar. <\/span><span style=\"font-weight: 400;\">Aqu\u00ed es donde realmente brilla y podemos explotar BigQuery. Podemos utilizar los mismos datos que en Google Analytics 360 sin ninguna limitaci\u00f3n, lo que hace que BigQuery sea la herramienta perfecta de an\u00e1lisis.<\/span>  &nbsp; <\/p>\n<h2><strong>\u00bfCu\u00e1les son las ventajas de Big Query?<\/strong><\/h2>\n<p> <span style=\"font-weight: 400;\">A continuaci\u00f3n os detallamos algunas de las ventajas m\u00e1s notables que puede aportarnos el uso de Big Query:<\/span> <\/p>\n<h3><b>No Sampling<\/b><\/h3>\n<p> <span style=\"font-weight: 400;\">Una de las limitaciones con la que nos hemos encontrado los analistas dentro de la interfaz de Google Analytics es el \u00abmuestreo\u00bb, cuando se ha trabajado con informes personalizados o un amplio rango de fechas. Cuando esto sucede, Google extrapola los datos que ve contando solo algunos de sus puntos de datos y modelando el resto. El resultado es que los datos que se ven sean aproximados.\u00a0<\/span>  <span style=\"font-weight: 400;\">En cambio, con BigQuery podemos <\/span><b>evitar el muestreo<\/b><span style=\"font-weight: 400;\">. Tendremos todos los datos sin procesar, por lo que podemos consultarlos, dividirlos o modularlos de cualquier manera obteniendo datos 100% reales, \u00a1qu\u00e9 maravilla!<\/span> <\/p>\n<h3><\/h3>\n<h3><b>Los usuarios como protagonistas<\/b><\/h3>\n<p> <span style=\"font-weight: 400;\">En la interfaz de Google Analytics los objetivos est\u00e1n basados a nivel de sesi\u00f3n; esto significa que si un usuario realiza varias visitas para completar un objetivo, no ver\u00e1 el comportamiento de su sesi\u00f3n anterior en el embudo de objetivos de Google Analytics. En cambio, desde BigQuery tienes los datos y la capacidad que permite mostrar esa informaci\u00f3n.\u00a0<\/span>  <span style=\"font-weight: 400;\">Esto tiene un gran impacto en las empresas centradas en el comercio electr\u00f3nico. Si usas los informes de comercio electr\u00f3nico mejorado dentro de la interfaz de Google Analytics, este \u00faltimo sabr\u00e1 que esos informes est\u00e1n basados \u200b\u200ben sesiones. Pero en muchos escenarios del mundo real, una persona puede agregar un art\u00edculo a su carrito en una visita y esperar para completar la compra en otra visita. <strong>BigQuery permite ver el comportamiento de compra de los usuarios<\/strong> que necesitan m\u00e1s de una sesi\u00f3n para realizar una conversi\u00f3n.<\/span> <\/p>\n<h3><\/h3>\n<h3><b>Dimensiones combinadas<\/b><\/h3>\n<p> <span style=\"font-weight: 400;\">El modelo de datos de Google Analytics est\u00e1 estructurado para que las dimensiones basadas en la sesi\u00f3n (como campa\u00f1a) no funcionen cuando se combinan con dimensiones y m\u00e9tricas a nivel de usuario o de hit. Hay un l\u00edmite en el n\u00famero de dimensiones que podemos ver: dos dimensiones son generalmente nuestro l\u00edmite en la interfaz, cinco en informes personalizados y la API permite siete dimensiones. <strong>Con BigQuery, no existen limitaciones.<\/strong> Por ejemplo, los clientes de comercio electr\u00f3nico pueden tener problemas para obtener estad\u00edsticas exactas de la cantidad de usuarios de las redes sociales que vieron una p\u00e1gina de producto y luego compraron el mismo producto. Esto es posible sacarlo desde BigQuery en una sola consulta.<\/span> <\/p>\n<h3><\/h3>\n<h3><b>Aplicar cambios de manera retroactiva<\/b><\/h3>\n<p> <span style=\"font-weight: 400;\">Google Analytics tiene una forma espec\u00edfica de procesar datos, como por ejemplo con los objetivos o los filtros. A medida que recogemos datos de su web o aplicaci\u00f3n, GA aplicar\u00e1 esa configuraci\u00f3n y almacenar\u00e1 los datos para que los use en sus informes a futuro. Debido a esto, no es posible retroceder y cambiar sus datos en Google Analytics.<\/span>  <span style=\"font-weight: 400;\">Si bien con BigQuery esto se acab\u00f3. Si cometi\u00f3 un error de configuraci\u00f3n en el pasado y desea filtrar o modificar datos (configuraci\u00f3n de objetivos, agrupaci\u00f3n de canales&#8230;) puede ajustar sus consultas en BigQuery para corregir esos problemas de manera retroactiva.<\/span>  &nbsp;<\/div>\n","protected":false},"excerpt":{"rendered":"<p>Analiza sin limitaciones, \u00a1con\u00e9ctate a BigQuery! BigQuery es una base de datos alojada en la nube de Google que permite procesar grandes vol\u00famenes de datos en pocos segundos. Con Google Analytics 360, los datos de Analytics se exportan a esta de manera autom\u00e1tica y sin procesar. Aqu\u00ed es donde realmente brilla y podemos explotar BigQuery. [&hellip;]<\/p>\n","protected":false},"author":21,"featured_media":9534,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[871,910],"tags":[66,57,1269],"class_list":["post-9533","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-martech-adtech-es","category-technology-ai-es","tag-cloud","tag-data-analytics","tag-google-marketing-platform-es"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/posts\/9533","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/users\/21"}],"replies":[{"embeddable":true,"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/comments?post=9533"}],"version-history":[{"count":0,"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/posts\/9533\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/media\/9534"}],"wp:attachment":[{"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/media?parent=9533"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/categories?post=9533"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/tags?post=9533"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}