Fuentes dispersas
Estructuras, históricos y definiciones de métricas diferentes.
MARKETING DATA ENGINEERING
Datos de marketing en un solo modelo.Listos para reporting.
Construyo warehouses en BigQuery que reúnen fuentes de marketing en modelos documentados, con cargas programadas y tablas validadas para dashboards y análisis. Es la parte menos visible del reporting y la que más lo sostiene.
Fuentes habituales: medios pagados, analítica web y CRM.
LA BASE DEL REPORTING
FUENTES
01Google Ads
02Meta Ads
03GA4 / CRM
BigQueryLimpiar · Modelar · Validar
Modelo documentado
TABLAS PARA REPORTING
Campañas
Resultados
01 / EL PROBLEMA
Demasiado tiempo se va en preparar los datos.
Cuando los datos de campañas, CRM y analítica viven en plataformas y archivos diferentes, cada reporte empieza limpiando, cruzando y revisando la misma información otra vez.
Preparación manual
Los archivos y las transformaciones deben reconstruirse o ajustarse en cada ciclo de reporting.
Diferencias difíciles de explicar
Es difícil confiar en las cifras cuando el origen y la lógica de cálculo no son claros.
02 / QUÉ CONSTRUYO
Una base que se puede consultar, recargar y explicar.
Cada tabla existe por una razón: alimenta un reporte o un análisis con fuentes, reglas de datos y nivel de detalle definidos.
Validado con datos, no solo con una conexión activa.
Antes de dar una tabla por buena, reviso cobertura, reglas de calidad y diferencias frente al origen.
01
Integraciones y cargas
Cada fuente conectada, con su cobertura histórica y frecuencia de actualización documentadas.
02
Warehouse y modelo de datos
Tablas, identificadores y relaciones organizados para consultar la información con un nivel de detalle consistente.
03
Tablas para análisis y reporting
Tablas o vistas con dimensiones, métricas y reglas de cálculo documentadas para cada caso de uso.
04
Controles y operación
Validaciones, registro de incidencias y documentación para revisar actualizaciones y gestionar excepciones.
Aquí el foco es la base de datos. Cómo convierto esas tablas en reportes automatizados lo explico en Reporting Automation.
03 / DEMO INTERACTIVA
Un reporte confiable empieza aquí.
Un archivo puede llegar dos veces, traer una corrección o tener datos incompletos. Prueba qué hace el flujo antes de actualizar el reporte.
Cada prueba parte del mismo reporte: 4 campañas · USD 3.00001 / Elige qué llega
Unos segundos · puedes saltar al resultado
- RecibirConservar la fuente
- RevisarUnificar y comprobar
- ActualizarSin duplicar campañas
USD 5.200Suma del archivo, antes de los controles
- Google Ads
- Meta Ads
- LinkedIn Ads
Esta suma incluye las filas repetidas; no es la inversión real.
USD 3.000Inversión registrada antes de procesar
- Campañas
- 4
- Clics
- 3.800
6Filas recibidas
—Filas válidas únicas
—Repetidas ignoradas
—En revisión
Ver las 4 campañas y las reglas
Una fila por plataforma, cuenta, campaña y día. Los importes de Google Ads llegan en microunidades: se normalizan a USD, sin convertir monedas.
| Fuente / campaña | Inversión | Clics | Qué cambió |
|---|---|---|---|
| Google AdsG-01 · Búsqueda de marca | USD 1.200 | 1.200 | Dato actual |
| Meta AdsM-01 · Prospección | USD 1.000 | 2.000 | Dato actual |
| Google AdsG-01 · Búsqueda genérica | USD 500 | 450 | Dato actual |
| LinkedIn AdsL-01 · Información de fondos | USD 300 | 150 | Dato actual |
| Total del reporte | USD 3.000 | 3.800 | 4 campañas |
Las copias de una misma clave se ignoran. Una corrección reemplaza la versión anterior; nunca se suma como otra campaña.
04 / CÓMO TRABAJO
Un proceso claro. Cifras que cuadran o se explican.
Tres pasos. El modelo de datos, los controles y la operación del flujo quedan documentados.
- 01
Definir y conectar
Reviso fuentes, cuentas, cobertura histórica y frecuencia de actualización. Configuro la extracción y mantengo la trazabilidad hacia el origen.
- 02
Construir y validar
Organizo las tablas, documento las métricas y contrasto los resultados con cada fuente.
- 03
Documentar y operar
El resultado: tablas listas para reporting, validaciones automáticas y una guía para operar el flujo y revisar excepciones.
05 / HERRAMIENTAS PRINCIPALES
Las herramientas con las que trabajo.
BigQuery y SQL para el modelo, Python para cargas y validaciones, y Data Studio para revisar el resultado.
- Google Ads
- Meta
- GA4
- BigQuery
- SQL
- Python
- Data Studio
- dbt / Dataform
06 / PREGUNTAS TÉCNICAS
Preguntas sobre el método.
Antes de construir, dejo por escrito las fuentes, el histórico disponible, el nivel de detalle, la frecuencia de actualización y los criterios de validación.
01¿Cómo evitas duplicados cuando una fuente vuelve a enviar datos?
Cada tabla tiene una clave definida por su nivel de detalle: plataforma, cuenta, campaña y día. Las cargas hacen merge sobre esa clave, así que una recarga no crea filas nuevas y una corrección actualiza el registro existente. Es lo que muestra la demo.
02¿Qué pasa con un registro que no cumple las reglas?
Queda fuera de la tabla de reporting y se registra como excepción, con su motivo. No se convierte en cero ni se descarta en silencio: se revisa, se corrige en el origen y entra en la siguiente carga.
03¿Cómo compruebas que las cifras coinciden con las plataformas?
Comparo totales por periodo, cuenta y métrica contra el origen, con la misma zona horaria y moneda. Las diferencias esperables, como ventanas de atribución o datos que llegan tarde, se documentan en lugar de forzar que cuadren.
04¿Por qué no conectar el dashboard directamente a cada plataforma?
Sirve para una vista rápida, pero cada reporte acaba repitiendo la misma lógica y las definiciones se separan. Con un modelo intermedio en BigQuery, las métricas se calculan una sola vez, el histórico queda guardado y cualquier dashboard o análisis parte de las mismas tablas.
CONTACTO
¿Te interesa el tema?
Modelado, cargas y calidad de datos.
Si trabajas con datos de marketing y quieres comparar enfoques, escríbeme.
Escríbeme por LinkedIn