Los límites de Google Analytics 4 (GA4) son uno de los aspectos más críticos a considerar al crear un plan de medición. Estas restricciones, si no se manejan adecuadamente, pueden limitar la validez y el alcance de tus análisis, afectando la calidad de los informes y de las posteriores decisiones que tomes con estos datos. Hay que tenerlo claro, GA4 es una herramienta orientada al análisis de tendencias e internar guardar «de todo» dentro de la herramienta puede darnos sorpresas muy desagradables.
A menudo, los analistas, para evitar «romper la herramienta», nos vemos obligados a no incorporar muchas mediciones que podrían ser valiosas para nuestro negocio en ciertos escenarios de análisis. Pero, ¿y si existiera una forma de superar estas limitaciones sin comprometer la integridad de GA4?
Imagina poder capturar todos los datos que necesitas sin preocuparte por los límites de dimensiones personalizadas o problemas de cardinalidad. Gracias a los «parámetros no procesados» y su integración con Google BigQuery, es posible ampliar tus capacidades analíticas más allá de las restricciones convencionales. En este post, exploraremos cómo aprovechar al máximo esta funcionalidad para potenciar tu estrategia de medición y análisis de datos.
Limitaciones de GA4 y la necesidad de parámetros no procesados
Google Analytics 4 es una herramienta poderosa para el análisis de datos, pero no está exenta de limitaciones que vamos a repasar a continuación:
1. Todo parámetro no definido no se almacena como dimensión o métrica
En GA4, cualquier parámetro que envíes en tus eventos y del que esté definida su captura, ya sea porque se trata de un parámetro que el sistema recoge por defecto (como pueden ser page_location o transaction_id) o porque en la configuración de la propiedad tu lo definiste como punto de partida de una dimensión personalizada será procesado. Se recogerá y con él se generará un dimensión personalizada que podrás usar en tus informes.
Sin embargo, si esto no es así. Si el parámetro no es uno de los del sistema y nadie le creó una dimensión personalizada donde almacenarlo, este se perderá. Será recibido y aceptado por GA4 pero luego no tendrás ninguna dimensión donde consultarlo. Este sistema además no es retroactivo, realmente el parámetro no se procese y por lo tanto no queda nada de él dentro de las bases de datos analíticas de GA4.
2. Límite máximo de dimensiones personalizadas
Por otro lado, GA4 impone un límite en el número de dimensiones personalizadas que puedes crear: 50 para el nivel de evento y 25 para el nivel de usuario. (unas cuantas más si usas GA4 360). Este límite puede ser un obstáculo cuando tu negocio requiere analizar múltiples variables específicas. Por ejemplo, si tienes un sitio web con una gran cantidad de categorías, etiquetas o atributos de productos y no has hecho una planficación sobre ello, es posible que termines excediendo este límite , obligándote a priorizar y potencialmente a prescindir de información valiosa al no tener dimensión donde acogerla.
Esto, unido a la limitación anterior hace que todos estos valores terminen perdiéndose, no estando (otra vez) disponibles dentro de las bases de datos de dimensiones y métricas de GA4.
3. La cardinalidad, el verdadero problema
La cardinalidad se refiere al número de valores únicos que puede tener una dimensión. Cuando una dimensión tiene una alta cardinalidad, es decir, muchos valores únicos, GA4 puede experimentar problemas significativos. Los informes pueden agrupar datos bajo la etiqueta «(other)», dificultando el análisis detallado. Además, una alta cardinalidad puede provocar que los informes sean incompletos o que los datos se muestren incorrectamente, afectando la confiabilidad de tus análisis.
Por ejemplo, si intentas capturar el ID de cada producto visto en tu sitio, y tienes miles de productos, la dimensión correspondiente tendría miles de valores únicos, lo que podría desencadenar problemas de cardinalidad en GA4.
Este es un problema que tratamos en profundidad en nuestro post sobre cómo definir correctamente eventos y parámetros en GA4. En este mismo post decíamos que nuestra recomendación desde IKAUE era la de intentar quedarnos, para todas las dimensiones posibles en no más de 20 o 30 valores distintos de dimensión en la mayor parte de nuestras dimensiones personalizadas, para no provocar problemas de cardinalidad en la herramienda.
Este límite es uno de los más problemáticos a la hora de realizar capturas de datos ambiciosas. Puede que aun negocio que no use demasiado los recursos de GA4 y se contente con disponer de campañas y URLs esto no le suponga mucho problema, pero para los que nos pasamos muchas horas definiendo modelos de datos a medida en la herramienta, puede llegar a hacer inviables algunas mediciones.
Y este punto, justo este, es en el que los parámetros no procesados nos serán de más ayuda.
4. Muestreo y umbral, dos límites más que no afectan tanto en este caso
El muestreo y los umbrales de datos son otras limitaciones presentes en GA4. El muestreo ocurre cuando GA4 procesa solo una parte de los datos para generar informes, mientras que los umbrales pueden ocultar datos en informes con pocos usuarios para proteger la privacidad. Sin embargo, en el contexto de los parámetros no procesados y su análisis en BigQuery, estos factores no representan un obstáculo significativo. Al exportar datos a BigQuery, trabajas con el conjunto completo de datos sin las restricciones de muestreo o umbrales impuestas por GA4.
Trabajando con el concepto de «parámetros no procesados»
Para superar las limitaciones de GA4, vamos a explicar cómo se puede hacer un uso inteligente de los parámetros no procesados, estos parámetros que enviamos a analytics pero para lo sque no hemos creado dimensiones personalizadas ni queremos crearlas.
¿Qué son los «parámetros no procesados» y por qué son tan útiles?
Los parámetros no procesados son datos a medida que envías a GA4 pero que no están asociados a dimensiones personalizadas definidas en la herramienta. Aunque GA4 no los procesa ni los muestra en sus informes estándar, estos parámetros si que se almacenan en BigQuery cuando tienes habilitada la exportación de datos. Esto significa que puedes capturar cualquier información por detallada y específica que sea sin afectar el rendimiento ni la integridad de las dimensiones y métricas de GA4.
Son útiles porque te permiten capturar datos granulares sin preocuparte por ninguno de los límites de dimensiones personalizadas mencionados antes, evitando así problemas de cardinalidad en GA4. Esto te abre al puerta a realizar análisis avanzados en BigQuery con todos los datos que desees de las interacciones de tus usuarios.
Cuando exportas tus datos de GA4 a BigQuery, todos los parámetros enviados hacia GA4, procesados (porque tienen una dimensión que los recoja) y los no procesados (que no la tienen), se almacenan en tu base de datos en la nube. Simplemente a BigQuery va todo. Ahí verás tus eventos con todos sus parámetros sin que falte ninguno de ellos.
BigQuery es capaz de manejar grandes volúmenes de datos y no tiene las mismas limitaciones que GA4 en cuanto a dimensiones o cardinalidad. Esto te permite analizar estos parámetros con total libertad, realizando consultas complejas y accediendo a posibles insights con los que GA4 no podría haber trabajado.
Vitaminando el plan de medición con la incorporación de parámetros no procesados
Con esta puerta abierta a disponer en Google BigQuery de información que «no molesta» dentro de GA4, la conclusión es clara: ¿Por qué no tener en cuenta esta caracterísitica en mis planes de medición? Pues la verdad es que podemos definir una serie de datos que se transformen en dimensiones y métricas. Estos podré analizaros en la interfaz web, en informes estándar, en exploraciones, en la API o en Looker Studio. Pero además de esto, mi plan de medición podría contemplar otra serie de datos con otro objetivo: Datos que no quiero en las dimensiones y métricas de GA4, pero que si que quiero poder disponer de ellos en BigQuery. Datos que han sido definidos en la implemnentación para «no ser procesados» por GA4.
Eso sí, incorporar parámetros no procesados en tu plan de medición requiere una estrategia cuidadosa para maximizar los beneficios sin complicar tu implementación. Lo complica todo un poco más. Pero quien algo quiere algo le cuesta.
El primer paso para definir una estrategia de medición efectiva: tipología de dimensiones en GA4
En IKAUE seguimos un enfoque que clasifica las dimensiones en tres categorías según su granularidad:
- Dimensiones macro: Variables con pocos valores únicos. Por lo general no más de 6. Por ejemplo:
- Sección de la web (ejemplo: «Inicio», «Productos», «Blog», «Contacto»).
- Tipo de dispositivo («Desktop», «Móvil & Tablet»).
- Mercado o país («ES», «EU», «LatAm», etc.).
- Precios en grandes bloques («Gran importe», «Importe medio», «importe bajo», «ofertas».).
- Dimensiones intermedias: Variables que ayudan a profundizar en las anteriores, con un número más grande de valores pero normalmente controlado. Por ejemplo:
- Categorías de productos de primer nivel (hasta 15-20 categorías).
- Rango de precios («0-10», «10-30», «30-100», «100-300″,»300-1000», etc.).
- Segmentos de clientes («Nuevo», «Recurrente», «Gran comprador», «VIP»).
- Dimensiones de detalle: Variables con una cardinalidad mayor. Por ejemplo:
- ID de producto (puede haber miles o millones).
- IDs de usuarios o clientes.
- Etiquetas o tags de blog (especialmente si son generadas libremente).
- Ids o Nicks de autores
- Etc.
Nuestro proceso suele partir de definir cuales son las dimensiones macro que necesita el negocio. Estas son esenciales y serán las que luego usemos más en nuestros informes. Pero a partir de ahí querremos saber más y en muchos casos tendremos la posibilidad de bajar a crear dimensiones de detalle.
Al clasificar tus dimensiones de esta manera, puedes decidir cuáles configurar como dimensiones personalizadas en GA4 y cuáles enviar como parámetros no procesados. Las dimensiones macro, al tener pocos valores únicos, son ideales para configurar en GA4. Las dimensiones intermedias requieren evaluación; si su número de valores es manejable, pueden incluirse en GA4, pero si presentan riesgo de alta cardinalidad, es mejor enviarlas como parámetros no procesados. Las dimensiones de detalle, cuando tengan una cardinalidad muy alta (+500 valores), deberían enviarse como parámetros no procesados para evitar problemas en GA4.
El problema de las dimensiones de detalle e intermedias: hay que analizarlas una a una
Las dimensiones de detalle y, en ocasiones, las intermedias presentan desafíos significativos. Su alto número de valores únicos puede exceder los límites de dimensiones personalizadas en GA4, generar problemas de cardinalidad y afectar el rendimiento de la herramienta.
Por ejemplo, un blog con taxonomías libres podría acumular cientos o miles de etiquetas (tags). Si intentas capturarlas todas como dimensiones personalizadas, GA4 no podrá manejarlas eficientemente, y los informes se volverán confusos e incompletos.
Por eso es necesario, después de plantearlas, analizarlas una a una. Buscando una composición de dimensiones que garantice que no tendremos problemas de cardinalidad. ¿Qué haremos con las que descartamos por este motivo? Pues valorarlas como posibles parámetros no procesados a incorporar en nuestro GA4. Es decir, pensar si queremos enviarlas igualmente para que aunque no estén en GA4 si dispongamos de ellas en Google BigQuery.
La solución para estos datos es enviarlos como parámetros no procesados. De esta manera, simplificas tu GA4 evitando cargarlo con dimensiones de alta cardinalidad y mantienes su rendimiento y fiabilidad. Al mismo tiempo, accedes a datos detallados en BigQuery, donde puedes realizar análisis granulares sin restricciones.
¿Cómo conseguir disponer de estos datos? Envío de datos no procesados a Google BigQuery
Implementar esta estrategia es sencillo y no requiere configuraciones complicadas. Sencillamente: No es necesario hacer nada. Si envías los datos: BigQuery los guarda.
GA4 enviará todos los parámetros que le indiques en tus eventos, procesados o no a las tablas de BigQuery. Si tienes la exportación de datos a BigQuery configurada, todos estos parámetros se almacenarán automáticamente, sin necesidad de pasos adicionales. Esto significa que simplemente debes asegurarte de que los parámetros que deseas enviar están incluidos en tus eventos.
Eso sí, debes disponer de la exportación de Google BigQuery desde GA4
Para aprovechar esta funcionalidad, es esencial tener activada la exportación de datos de GA4 a BigQuery. El proceso es el siguiente:
- Accede a la configuración de GA4: Ve a la sección de administración (icono de engranaje en la parte inferior izquierda).
- Configura BigQuery: En la columna de propiedad, selecciona «Vinculaciones de productos» y luego «BigQuery». Sigue el asistente para vincular tu propiedad de GA4 con BigQuery.
- Selecciona las opciones de exportación: Elige si deseas una exportación diaria o continua. Configura el dataset de destino en BigQuery.
Una vez configurada la exportación, todos los datos, incluidos los parámetros no procesados, se enviarán a BigQuery.
Formato de los parámetros en BigQuery
En BigQuery, los parámetros se almacenan en el campo event_params
de tus tablas de eventos. Cada parámetro es una estructura que incluye el nombre (key
) y el valor (value
). No hay distinción directa entre parámetros procesados y no procesados; todos están disponibles para su consulta y análisis en el mismo formato.
¿Cómo los podemos diferenciar?
Para facilitar la identificación de los parámetros no procesados, es recomendable utilizar un prefijo en sus nombres. Por ejemplo, puedes utilizar «gbq_"
(Google BigQuery) para indicar que son parámetros destinados únicamente a BigQuery.
Este es un formato que en IKAUE aconsejamos sobretodo si hablamos de un site con varias personas de distintos equipos trabajando sobre GA4. Marcar los parámetros que no están destinados a estar en GA4 ayudará a que no venga algún «llanero solitario» y les cree dimensiones, rompiendo los datos del propio GA4.
Ejemplo de dataLayer:
var dataLayer = dataLayer || [{
"page_type": "producto",
"status_code": "200",
"category": "electrónica",
"gbq_content_id": "12345",
"gbq_post_id": "67890"
}];
En este ejemplo:
- Parámetros procesados:
page_type
,status_code
,category
. - Parámetros no procesados:
gbq_content_id
,gbq_post_id
.
Y ¿Cómo podremos acceder a estos parámetros procesados después?
Enviarlos es sencillo. No hay diferencias con lo que ya sabes hacer. Pero ¿Y consultarlos? Pues en realdiad también es más de lo mismo: Puedes realizar consultas en BigQuery para extraer estos parámetros. Por ejemplo, para obtener el gbq_content_id
y el gbq_post_id
de tus eventos:
SQL:
SELECT
event_timestamp,
user_pseudo_id,
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'gbq_content_id') AS gbq_content_id,
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'gbq_post_id') AS gbq_post_id
FROM
`tu_proyecto.tu_dataset.events_*`
WHERE
_TABLE_SUFFIX BETWEEN '20250101' AND '20250131'
Esta query te permite acceder directamente a los valores de los parámetros no procesados y utilizarlos en tus análisis. Puedes adaptar la consulta según tus necesidades, extrayendo diferentes parámetros o aplicando filtros adicionales.
¿Cómo podríamos saber todos los parámetros no procesados que existen ya en un proyecto?
Suponiendo que has usado algún prefijo para poder detectarlos, también podremos listar todos los parámetros que comienzan con «gbq_"
(o el prefijo que tu escogieses). Para ello puedes ejecutar la siguiente consulta:
SQL:
SELECT
param.key AS parametro,
COUNT(1) AS veces_usado
FROM
`tu_proyecto.tu_dataset.events_*`,
UNNEST(event_params) AS param
WHERE
param.key LIKE 'gbq\_%' ESCAPE '\\'
GROUP BY
param.key
ORDER BY
veces_usado DESC
Esta consulta desanida los parámetros de eventos, filtra los que comienzan con gbq_
, cuenta cuántas veces se ha usado cada parámetro y los ordena por frecuencia. Esto te proporciona una visión general de los parámetros no procesados disponibles en tus datos.
Casos de uso de los parámetros no procesados
Creo que en este punto ya ha quedado claro todo: Puedes enviar datos a BigQuery que no molesten en GA4. Pero ¿para qué? ¿Qué podría hacer yo luego con esos datos? Pues muchas cosas. Los parámetros no procesados abren un mundo de posibilidades para enriquecer tus análisis y estrategias de negocio.
1. Análisis granulares
Al tener acceso a datos detallados, puedes identificar patrones específicos en el comportamiento de los usuarios. Por ejemplo, podrías analizar el rendimiento de productos individuales, posts específicos o acciones particulares en tu sitio. Esto te permite optimizar contenido, personalizar experiencias y tomar decisiones informadas basadas en datos precisos.
Supongamos que envías el gbq_product_id
como parámetro no procesado. En BigQuery, puedes analizar las interacciones con cada producto, identificar cuáles generan más interés o conversiones y ajustar tu estrategia de marketing o inventario en consecuencia.
2. Cruce con otras bases de datos
Al disponer de identificadores únicos en tus eventos, puedes enriquecer tus análisis cruzando datos con otras fuentes internas. Por ejemplo, puedes cargar en BigQuery una tabla con detalles de tus productos o usuarios y unirla con los eventos que incluyen los parámetros no procesados. Esto te permite combinar información de ventas, inventario, preferencias de usuario y más, obteniendo una visión integral de tu negocio.
Por ejemplo, al unir el gbq_product_id
con tu base de datos de productos, puedes analizar cómo las características específicas de un producto (precio, categoría, fecha de lanzamiento) afectan su rendimiento en el sitio.
3. Automatizaciones y personalización
Con datos detallados y enriquecidos, puedes automatizar acciones de marketing y personalizar la experiencia del usuario. Por ejemplo, podrías crear segmentos de audiencia basados en comportamientos específicos capturados en los parámetros no procesados y dirigir campañas personalizadas a esos segmentos. También puedes desencadenar acciones automáticas, como recomendaciones de productos o contenido, basadas en las interacciones detalladas de los usuarios.
Si identificas que ciertos usuarios interactúan frecuentemente con una categoría específica, puedes automatizar el envío de ofertas o contenido relacionado, aumentando la relevancia y efectividad de tus comunicaciones.
Todo esto está muy bien, pero si no meto estos parámetros en GA4, ¿Cómo haré mis dashboards o informes? ¿Tendré que irme siempre a BigQuery?
Es una preocupación válida, pero existen estrategias para mantener la visibilidad en GA4 sin comprometer el rendimiento ni depender exclusivamente de BigQuery.
Nuestro consejo: clusteriza los datos al detalle en grupos de pocas variaciones
La clave está en agrupar los valores detallados en categorías más amplias antes de enviarlos a GA4. Este proceso de clusterización reduce la cardinalidad y permite que la información sea manejable dentro de los límites de GA4. Aunque pierdas algo de detalle, conservas insights valiosos para tus dashboards e informes.
Por ejemplo, en lugar de enviar el ID exacto de un producto, puedes enviar su categoría general o un rango de precios. Si tienes datos como la fecha de la última compra de un usuario, puedes agrupar a los usuarios en segmentos como «Compró en la última semana», «Compró en el último mes», «Más de seis meses sin comprar». De esta forma, mantienes información relevante para el análisis sin sobrecargar GA4 con valores únicos excesivos.
¿Cómo hacerlo?
Puedes realizar esta clusterización desde Google Tag Manager (GTM) o antes de enviar los datos al gtag.js
o al dataLayer. Utiliza funciones o reglas que transformen los valores detallados en categorías más generales.
Ejemplo en GTM:
// Variable personalizada en JavaScript
function() {
var creditos = {{CreditosUsuario}};
if (creditos < 10) {
return '0-10 créditos';
} else if (creditos < 50) {
return '10-50 créditos';
} else if (creditos < 100) {
return '50-100 créditos';
} else {
return 'Más de 100 créditos';
}
}
Este enfoque te permite seguir utilizando GA4 para tus informes regulares y recurrir a BigQuery cuando necesites un análisis más detallado. Al combinar ambos niveles de detalle, obtienes una visión completa y práctica de tus datos.
Un plus interesante: ¿Y si usamos medición servidor a servidor o GTM Server?
La medición servidor a servidor (Server-Side Tracking) es una técnica que puede potenciar aún más tu estrategia de análisis de datos, ofreciendo mayor flexibilidad y seguridad.
¿Qué es y cuáles son sus ventajas?
La medición servidor a servidor implica que los datos se envían desde tu servidor directamente a GA4, en lugar de hacerlo desde el navegador o dispositivo del usuario. Google Tag Manager Server (GTM Server) es una plataforma que facilita esta implementación, permitiendo gestionar y procesar datos en un entorno controlado.
Las ventajas incluyen mayor precisión de datos al reducir la pérdida causada por bloqueadores de anuncios o restricciones del navegador, enriquecimiento de datos al acceder y adjuntar información adicional desde tus bases de datos internas, y mayor seguridad al manejar los datos en el servidor, evitando exponer información sensible en el cliente.
Potencial de enriquecimiento de datos con GTM Server
Una de las grandes ventajas de GTM Server es la capacidad de enriquecer los datos antes de enviarlos a GA4. Por ejemplo, al recibir un evento con el gbq_post_id
, el servidor puede consultar tu base de datos de WordPress y agregar información adicional como categorías, etiquetas o autores. Esto permite nutrir tus parámetros no procesados de manera eficiente y segura.
Imagina que un usuario interactúa con un post en tu sitio. El navegador envía un evento con el gbq_post_id
. GTM Server recibe este evento y, antes de enviarlo a GA4, se conecta a tu base de datos para obtener detalles del post, como el título, autor y fecha de publicación. Añade esta información como parámetros no procesados y envía el evento enriquecido a GA4 y BigQuery. Esto te permite tener un nivel de detalle mucho mayor sin exponer información en el lado del cliente.
Ejemplos adicionales
Las posibilidades son amplias:
- Aplicaciones móviles: Enriquecer eventos con información del perfil del usuario obtenida desde el servidor, como niveles alcanzados, puntos acumulados o preferencias.
- E-commerce: Adjuntar detalles de inventario, promociones actuales o márgenes de beneficio a los eventos de compra, permitiendo análisis más profundos de rentabilidad.
- Servicios personalizados: Añadir información de nivel de membresía, historial de interacciones o créditos disponibles, mejorando la segmentación y personalización de ofertas.
Al centralizar el procesamiento de datos en el servidor, también puedes implementar lógica más compleja, acceder a múltiples fuentes de datos y garantizar el cumplimiento de políticas de privacidad y seguridad.
Conclusiones
La implementación de parámetros no procesados en tu estrategia de medición ofrece numerosos beneficios. Superas las limitaciones de GA4, capturando más datos sin comprometer la herramienta. Puedes realizar análisis avanzados aprovechando BigQuery para manejar datos granulares y de alta cardinalidad. Enriqueces tus insights al cruzar datos con otras fuentes y obtienes una visión más completa del comportamiento de tus usuarios. Además, impulsas acciones estratégicas mediante la automatización de procesos y la personalización de experiencias basadas en datos detallados.
Para aprovechar al máximo esta estrategia, es fundamental planificar cuidadosamente. Define claramente qué datos necesitas y cómo los utilizarás. Utiliza prefijos en los parámetros no procesados para facilitar su identificación y gestión en BigQuery. Implementa la clusterización de datos para reducir la cardinalidad en GA4 sin perder información relevante. Asegúrate de que tu equipo técnico comprende el enfoque y puede implementarlo correctamente. Y no olvides considerar el cumplimiento legal y las regulaciones de privacidad al manejar datos sensibles.
¿Quieres empezar a aplicar este tipo de estrategias de medición? Te damos las claves:
Si deseas llevar tu análisis de datos al siguiente nivel, te recomendamos los siguientes pasos:
- Evaluación inicial: Revisa tu plan de medición actual y identifica oportunidades para utilizar parámetros no procesados. Considera qué datos podrían aportar valor si se analizan en detalle.
- Configuración técnica: Configura la exportación de datos a BigQuery y asegúrate de que está funcionando correctamente. Verifica que tienes acceso a los datasets y que puedes ejecutar consultas.
- Implementación de parámetros no procesados: Actualiza tu dataLayer, GTM o código para enviar los parámetros adicionales con el prefijo acordado. Documenta estos cambios para mantener claridad en el equipo.
- Clusterización y dimensionamiento: Define cómo clusterizarás los datos detallados para utilizarlos en GA4. Establece las reglas y categorías que te permitan mantener una cardinalidad manejable.
- Formación y comunicación: Asegura que todos los miembros del equipo y partes interesadas comprenden la nueva estrategia. Proporciona capacitación si es necesario para manejar BigQuery y las nuevas herramientas.
- Análisis y optimización: Comienza a explorar los datos en BigQuery, realiza análisis y ajusta tu estrategia según los insights obtenidos. Busca oportunidades para mejorar y automatizar procesos.
- Considerar GTM Server: Evalúa si la medición servidor a servidor es adecuada para tu negocio y planifica su implementación. Considera los recursos necesarios y el impacto potencial en tu estrategia de datos.
Al seguir estos pasos, estarás en camino de potenciar tu análisis de datos, superar las limitaciones de GA4 y obtener insights más profundos. Sencillamente, podrás guardar «lo que te de la gana» en tu BigQuery y aprovecharlo en tus proyectos.