Cómo conectar Google Ads a Power BI sin romper informes

Google Ads y Power BI pueden unirse sin caos: rutas, riesgos y claves para crear informes útiles, fiables y listos para decidir mejor

Conectar Google Ads a Power BI no consiste en pulsar un botón mágico y ver aparecer un cuadro de mando impecable, aunque a más de una herramienta le guste venderlo así. La ruta más fiable depende del tamaño de la cuenta, del nivel técnico del equipo y de la frecuencia con la que se necesita actualizar el dato: para pequeños anunciantes puede bastar con Google Sheets o una exportación controlada; para agencias y empresas con varias cuentas, lo razonable suele ser llevar Google Ads a BigQuery y desde ahí alimentar Power BI; para entornos avanzados, la API de Google Ads permite un control mucho más fino, pero también exige criterio, mantenimiento y cierta paciencia.

La idea central es sencilla: Google Ads genera el dato publicitario, Power BI lo convierte en informes, y entre medias hace falta un puente. Ese puente puede ser barato y artesanal, caro y cómodo, o robusto y corporativo. Lo importante es no confundir conexión con medición. Un informe bonito puede estar contando mal las conversiones, duplicando costes, mezclando monedas o comparando campañas de búsqueda con Performance Max como si fueran peras del mismo frutero. Y ahí empieza el drama, porque el dashboard no grita; sonríe.

El falso botón que todos buscan

Power BI es una herramienta magnífica para ver datos, cruzarlos, modelarlos y convertirlos en historias visuales que aguanten una reunión de dirección sin sudar. Google Ads, por su parte, es una máquina de generar señales: impresiones, clics, coste, conversiones, valor de conversión, cuota de impresiones, términos de búsqueda, dispositivos, ubicaciones, audiencias, activos, campañas, grupos de anuncios. Un carnaval de métricas. El problema es que ambos mundos no hablan de forma directa y sencilla como muchos esperan.

Quien llega a Power BI Desktop y escribe “Google Ads” en “Obtener datos” suele descubrir el pequeño agujero negro del asunto. Hay opciones para conectar con Google Analytics, BigQuery, bases de datos, archivos, servicios online y conectores de terceros, pero la integración directa con Google Ads no aparece como una pieza oficial universal, cómoda y resuelta. Esto no significa que no se pueda conectar. Significa que hay que elegir camino. Y esa elección marca todo: coste, mantenimiento, calidad del dato, actualización, seguridad, escalabilidad y hasta la paz mental del lunes por la mañana.

La primera tentación es tirar de CSV. Exportar desde Google Ads, limpiar columnas, cargar en Power BI y montar un informe. Para una auditoría puntual funciona. Para un negocio que invierte cada día, no. El CSV envejece rápido, como el pescado fuera de la nevera. Sirve para una foto, no para una película. La segunda tentación es usar Google Sheets como pasarela: Google Ads vuelca ahí el dato, Power BI lee la hoja y todos fingen que eso es arquitectura de datos. A veces vale. A veces, incluso, es suficiente. Pero no conviene llamar autopista a un camino rural con curvas.

El punto serio está en entender qué se necesita. Una pyme que quiere ver gasto, clics y conversiones semanales no necesita montar una catedral en BigQuery. Una agencia con 80 cuentas, distintos clientes, varias monedas y reportes diarios no debería depender de hojas compartidas con permisos dudosos. Entre ambos extremos aparece el mercado entero de conectores, integradores y soluciones ETL. Algunos funcionan muy bien. Otros prometen “tiempo real” con la misma alegría con la que un camarero promete que la paella estará en diez minutos.

Tres caminos reales para llevar Google Ads a Power BI

La conexión más sencilla pasa por un conector de terceros. El usuario autoriza su cuenta de Google Ads, selecciona métricas y dimensiones, y el conector entrega los datos a Power BI mediante una URL, un conector propio, una API intermedia o una tabla ya preparada. Es la opción más rápida para equipos de marketing que no quieren pelearse con autenticaciones OAuth, consultas GAQL ni esquemas de datos.

La ventaja es evidente: menos código, menos fricción, menos tiempo hasta el primer informe. La desventaja también: dependencia de un proveedor, coste mensual, límites de filas, posibles cambios de campos y una capa más entre el dato original y el informe final. Para un departamento que necesita velocidad, puede ser una bendición. Para una empresa que exige trazabilidad fina, control de permisos, histórico completo y gobierno de datos, conviene mirar con lupa.

La segunda vía, más sólida, consiste en mover Google Ads a Google BigQuery y conectar Power BI a BigQuery. Aquí el planteamiento cambia: Google Ads deja de hablar directamente con Power BI y pasa a depositar sus datos en un almacén. BigQuery actúa como una especie de sala fría donde se conservan las cifras con orden, fecha, particiones y capacidad para cruzarse con otras fuentes: CRM, ecommerce, Search Console, GA4, bases internas, costes, márgenes, leads validados.

La tercera vía es la más técnica: tirar de Google Ads API y construir una extracción propia. Es la opción para quien necesita elegir exactamente campos, segmentos, ventanas temporales, reglas de actualización y normalización. Aquí aparece GAQL, el lenguaje de consulta de Google Ads, que permite pedir recursos, métricas y segmentos. Suena elegante, y lo es, pero también tiene colmillos.

BigQuery, la vía menos vistosa y más sensata

Para una organización que se toma en serio el reporting, BigQuery suele ser el puente más limpio. No porque sea la opción más glamourosa, sino porque separa bien las funciones. Google Ads no tiene que alimentar directamente un informe. Power BI no tiene que comportarse como una herramienta de extracción publicitaria. Cada pieza hace lo suyo. El dato entra en BigQuery, se transforma, se valida, se modela y después Power BI lo consulta.

Esto permite una ventaja decisiva: crear una capa intermedia de calidad. En esa capa se pueden normalizar nombres de campañas, separar marca y genérico, agrupar países, corregir monedas, crear reglas para Performance Max, unir conversiones offline, eliminar cuentas de prueba y construir métricas propias. Porque en marketing digital, la métrica oficial no siempre responde a la pregunta del negocio. Google Ads puede decir “conversiones”; ventas puede decir “leads útiles”; finanzas puede decir “margen”; dirección puede decir “esto nos da dinero o estamos quemando billetes con diseño bonito”. La pregunta incómoda. La buena.

La conexión entre Power BI y BigQuery está contemplada dentro de Power Query y exige cuidar detalles que parecen menores hasta que dejan de serlo: autenticación, permisos, proyecto de Google Cloud, facturación, modelo de datos, actualización programada y rendimiento de las consultas. Cuando el informe pasa de juguete de analista a sistema de consulta habitual, la estabilidad del conector deja de ser una nota al pie. Se convierte en fontanería crítica.

La carga desde Google Ads hacia BigQuery tampoco debe idealizarse. No es una manguera en tiempo real. Las transferencias pueden programarse, los datos se cargan por fecha y las particiones permiten trabajar con históricos de forma ordenada. Eso ayuda a evitar duplicados y a conservar una estructura seria, pero obliga a entender bien las ventanas de actualización. No todo dato publicitario está maduro a medianoche, por mucho que el informe se abra con puntualidad suiza.

Ese matiz importa mucho. Las conversiones de Google Ads no siempre caen el mismo día que el clic. Hay ventanas de atribución, ajustes, conversiones importadas, valores que llegan tarde. Si el informe solo mira “ayer” como si el dato hubiera cristalizado en mármol, mentirá con mucha seguridad. Y no hay mentira más peligrosa que la que llega en una visualización limpia, con tipografía moderna y filtro por campaña.

Cómo preparar el dato antes de llevarlo al informe

Antes de conectar Google Ads a Power BI conviene decidir qué tabla se quiere ver, no solo qué herramienta se va a usar. La diferencia parece menor; no lo es. Un informe de dirección necesita gasto, ingresos, ROAS, CPA, leads, ventas y tendencia. Un gestor de campañas necesita términos de búsqueda, concordancias, anuncios, activos, dispositivos, ubicaciones y señales de puja. Un equipo comercial necesita calidad de lead, no clics. El mismo Google Ads produce todos esos mundos, pero mezclarlos sin modelo es como vaciar una caja de tornillos en una mesa y llamarlo ingeniería.

La estructura mínima debería incluir fecha, cuenta, campaña, grupo de anuncios cuando proceda, tipo de campaña, canal, coste, impresiones, clics, CTR, CPC medio, conversiones, coste por conversión, valor de conversión y ROAS. Para ecommerce, el valor de conversión manda. Para generación de leads, conviene cruzar con el CRM y distinguir formulario recibido, lead válido, oportunidad y venta. El dato de Google Ads, solo, ve hasta donde ve. Más allá empieza la realidad, esa señora incómoda.

También hay que vigilar los segmentos. Añadir dispositivo, red, ubicación, hora del día y tipo de conversión en una misma extracción puede convertir una tabla razonable en una selva de filas. Traducido al castellano de oficina: el informe tarda, pesa, falla o se vuelve inmanejable. Más detalle no siempre significa mejor análisis. A veces solo significa más niebla.

Power BI agradece una tabla de hechos clara y dimensiones limpias. Una tabla de costes diarios por campaña, una tabla de campañas, una tabla de cuentas, una tabla calendario, otra de conversiones o ventas reales. Sin ese orden, DAX se convierte en una novela rusa: larga, triste y llena de personajes que aparecen cuando nadie los esperaba. El modelo estrella no es una manía de técnicos; es higiene. Y la higiene, en reporting, evita epidemias.

Google Sheets sirve, pero no siempre merece tanta confianza

Google Sheets puede ser una pasarela digna para proyectos pequeños. Google Ads Scripts permite exportar informes a hojas de cálculo y montar una automatización relativamente ligera: script en Google Ads, hoja de cálculo, Power BI leyendo la hoja, actualización programada. La fórmula tiene encanto. Es barata, comprensible y rápida. Un responsable de marketing puede verla, tocarla, corregir nombres, añadir columnas auxiliares. Hay algo doméstico en ese sistema, como una libreta bien llevada.

Pero también tiene límites: permisos frágiles, riesgo de edición accidental, problemas con volúmenes altos, cambios de formato, dependencia de una hoja que alguien puede mover, borrar o duplicar con entusiasmo suicida. Para un dashboard interno de control semanal, Sheets puede bastar. Para reportar inversión publicitaria relevante, varias cuentas y datos históricos, se queda corto. No porque sea malo, sino porque no nació para ser un almacén de datos. A veces se le pide a una hoja de cálculo que actúe como una central eléctrica. Aguanta un rato, hace ruidos raros, y luego todos preguntan quién tocó algo.

API de Google Ads: poderosa, incómoda y necesaria

La API de Google Ads es la ruta de quienes quieren control. Permite extraer métricas y recursos mediante consultas, trabajar con campañas, grupos, anuncios, criterios, conversiones y otros elementos del ecosistema publicitario. El atractivo es fuerte. Una empresa puede construir sus propias consultas, guardar históricos, aplicar reglas de negocio, registrar errores, versionar cambios, controlar autenticaciones y diseñar una canalización a medida hacia BigQuery, Azure SQL, Fabric, Databricks o el destino que toque.

La desventaja es igual de clara: hay que mantenerlo. Las APIs cambian. Las versiones caducan. Los campos se actualizan. Las campañas nuevas traen informes nuevos. Performance Max, Demand Gen, Video, Shopping… cada familia tiene sus rarezas. Una integración propia no se instala y se olvida, como quien cuelga un cuadro. Hay que mirarla, actualizarla, documentarla y probarla. El dato publicitario no perdona la dejadez técnica.

Aquí está el detalle incómodo: conectar bien no basta. Hay que mantener viva la conexión. Revisar versiones, campos, ventanas de atribución, permisos, cuentas vinculadas y definiciones de conversión. El dato publicitario no es una piedra; es barro húmedo. Cambia, se asienta, se corrige. Y quien construye informes debe saber cuándo está mirando barro fresco y cuándo ya puede levantar una pared.

Para equipos con capacidad técnica, la API permite una precisión que ningún conector genérico suele igualar. Se pueden separar niveles de cuenta, campaña, grupo de anuncios, anuncio, término de búsqueda o recurso; controlar la ventana temporal; almacenar respuestas; crear alertas de fallo; cruzar los datos con otros sistemas internos. Es una vía más cara en horas, sí. Pero cuando la inversión publicitaria pesa, el control vale más que la comodidad.

Qué debería mostrar un buen dashboard de Google Ads en Power BI

Un buen informe no enseña todo. Enseña lo que permite decidir. La página inicial debería ofrecer una lectura rápida del rendimiento: inversión, conversiones, coste por conversión, valor de conversión, ROAS, ingresos atribuidos cuando existan, evolución temporal y comparación con el periodo anterior. Poco, bien elegido, visible. El cuadro de mando no es un trastero de métricas.

Después conviene abrir capas. Rendimiento por tipo de campaña, campañas principales por coste y rentabilidad, términos de búsqueda cuando haya campañas de búsqueda, distribución por dispositivo, ubicaciones geográficas, horarios, calidad del tráfico y discrepancias entre conversiones de Google Ads y datos reales del negocio. En ecommerce, productos y categorías. En lead generation, calidad del lead por campaña. En marca, protección de términos propios. En Performance Max, cautela. Mucha cautela.

Performance Max merece una sala aparte. Es una campaña útil, potente y opaca. Agrega inventario, automatiza señales y puede mezclar intenciones muy distintas. En Power BI conviene no leerla con la misma lógica que una campaña de búsqueda clásica. No es un simple “otro canal”. Es más bien una caja negra con ventanas. Algunas se abren; otras, no tanto. El informe debe separar tipos de campaña, etiquetar bien y evitar comparaciones simplonas.

También hay que cuidar los nombres. Una nomenclatura de campañas razonable vale más que media docena de visualizaciones con degradado. País, objetivo, canal, red, tipo de concordancia, marca o no marca, producto, embudo, idioma. Cuando los nombres son caóticos, el dashboard se convierte en arqueología. Se excava, se interpreta, se reza.

Errores que convierten un informe en decoración

El primer error es cargar datos sin definir el objetivo. “Queremos conectar Google Ads a Power BI” suena bien, pero no dice nada. ¿Para optimizar campañas? ¿Para informar a clientes? ¿Para controlar presupuesto? ¿Para cruzar con ventas? ¿Para detectar fraudes de atribución? Cada respuesta cambia el modelo. El informe debe nacer de una decisión, no de una captura bonita.

El segundo error es mezclar fuentes sin reconciliación. Google Ads, GA4, CRM y ecommerce pueden dar cifras distintas sin que nadie esté mintiendo. Miden momentos diferentes, atribuyen de forma distinta y trabajan con reglas propias. Power BI no debería ocultar esas diferencias; debería hacerlas legibles. Una columna de “conversiones Google Ads” y otra de “ventas reales” pueden convivir perfectamente. Lo peligroso es fundirlas en una métrica híbrida que nadie entiende.

El tercer error es olvidar la actualización. Power BI puede refrescar el informe, pero la fuente debe estar lista. Si el conector externo falla, si la hoja no se actualizó, si la transferencia a BigQuery llegó tarde o si la API devolvió un error, el panel enseñará una verdad caducada. Y las verdades caducadas huelen mal, aunque vengan con gráficos de barras.

El cuarto error es no controlar permisos. Google Ads contiene inversión, estrategia comercial y rendimiento. No debería estar abierto como una carpeta de fotos de vacaciones. En entornos serios, el acceso debe responder a roles: quien mira dirección no necesita ver términos de búsqueda al detalle; quien optimiza campañas quizá sí. Power BI permite ordenar esa exposición, pero la fuente debe llegar con cabeza.

La conexión correcta depende del tamaño del problema

Para una cuenta pequeña, la mejor respuesta puede ser una exportación programada hacia Google Sheets, leída por Power BI con un modelo sencillo. Para un anunciante mediano, un conector de terceros puede ahorrar horas y evitar desarrollos innecesarios. Para una agencia o empresa con inversión relevante, BigQuery ofrece una base mucho más seria. Para equipos con capacidad técnica y necesidad de control, la API es la ruta natural, aunque exige mantenimiento.

La solución elegante no siempre es la más compleja. A veces lo profesional es no sobredimensionar. Pero hay una frontera clara: cuando el dato publicitario se usa para decidir presupuesto, evaluar rentabilidad o rendir cuentas a clientes, la conexión debe ser auditable. Hay que saber de dónde sale cada cifra, cuándo se actualizó, qué filtros aplica, qué ventanas temporales usa y cómo se calcula cada métrica.

Power BI luce cuando se alimenta de datos limpios. Google Ads rinde cuando se interpreta con contexto. Entre ambos hay una tubería que puede ser una pajita, una manguera o una instalación industrial. El error está en elegir por moda. O por prisa. O porque alguien en LinkedIn dijo que lo montó “en cinco minutos” mientras sonaba música motivacional de fondo.

El dato publicitario necesita menos magia y más fontanería

Conectar Google Ads a Power BI es, en el fondo, una decisión de arquitectura. No una virguería de reporting. El camino rápido existe, el barato también, el robusto cuesta algo más y el técnico pide manos expertas. Lo sensato es empezar por la pregunta de negocio, no por el conector: qué se quiere decidir, con qué frecuencia, con qué nivel de detalle y quién va a responder cuando el número no cuadre.

La vía más equilibrada para proyectos serios suele pasar por BigQuery como almacén intermedio y Power BI como capa de análisis. Para equipos pequeños, Sheets o un conector externo pueden resolver con dignidad. Para organizaciones maduras, la API ofrece control y profundidad. En todos los casos, el verdadero trabajo no está en mover datos de un sitio a otro, sino en impedir que el informe se convierta en un espejo bonito de una realidad mal medida. Ahí se separa el dashboard útil del póster corporativo. Y se nota.