<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Thais Ribeiro on Medium]]></title>
        <description><![CDATA[Stories by Thais Ribeiro on Medium]]></description>
        <link>https://medium.com/@thaisribeiro_92428?source=rss-32c9738b44b3------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*eeoo6uAg8JBNM360.</url>
            <title>Stories by Thais Ribeiro on Medium</title>
            <link>https://medium.com/@thaisribeiro_92428?source=rss-32c9738b44b3------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 06:00:41 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@thaisribeiro_92428/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Como extrair dados do Google Ads para o BigQuery de forma organizada]]></title>
            <link>https://medium.com/@thaisribeiro_92428/google-ads-bigquery-do-caos-de-centenas-de-tabelas-a-uma-view-limpa-no-looker-studio-c029c9b91136?source=rss-32c9738b44b3------2</link>
            <guid isPermaLink="false">https://medium.com/p/c029c9b91136</guid>
            <category><![CDATA[engenharia-de-software]]></category>
            <category><![CDATA[gcp]]></category>
            <category><![CDATA[etl]]></category>
            <category><![CDATA[bigquery]]></category>
            <category><![CDATA[google-ads]]></category>
            <dc:creator><![CDATA[Thais Ribeiro]]></dc:creator>
            <pubDate>Wed, 18 Mar 2026 21:50:17 GMT</pubDate>
            <atom:updated>2026-03-23T18:58:37.059Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EBCj2PZN3Xkf8E2ILLQbmQ.png" /></figure><p><em>Você conectou o Google Ads ao BigQuery e de repente apareceram centenas de tabelas soltas. Calma — isso é o comportamento padrão. Neste artigo, vou te mostrar como sair desse caos e chegar a uma única view limpa, pronta para o Looker Studio.</em></p><h3>Por que conectar Google Ads ao BigQuery?</h3><p>Trabalhar com dados do Google Ads direto no BigQuery abre um nível de análise que a plataforma nativa simplesmente não oferece. Você consegue cruzar dados de diferentes fontes, criar métricas customizadas, automatizar relatórios e alimentar dashboards no Looker Studio com dados sempre atualizados.</p><p>O problema é que a conexão nativa — feita pelo <strong>BigQuery Data Transfer Service</strong> — gera uma estrutura fragmentada por padrão. São dezenas (ou centenas) de tabelas separadas por tipo de dado e por data. O resultado é um dataset confuso para quem está começando.</p><p>Mas tem solução. E é mais simples do que parece.</p><h3>A arquitetura que vamos construir</h3><p>Antes de colocar a mão na massa, entenda o fluxo que vamos criar:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/761/1*M91oBpM-DUCNndkv_-mOeQ.png" /></figure><p>O BigQuery Transfer cuida da ingestão automática. Nossa tarefa é criar a camada de consolidação — uma view única que une tudo e simplifica a vida no Looker.</p><h3>Passo 1: Configurando a transferência</h3><p>Acesse o BigQuery no Google Cloud Console, vá em <strong>Transferências</strong> e clique em <strong>Criar transferência</strong>. Selecione <strong>Google Ads</strong> como origem.</p><h3>Tipo de relatório: Padrão ou Personalizar?</h3><p>Para quem está começando, recomendo o <strong>Padrão</strong>. Você não precisa escrever nenhuma query GAQL — o Google já define as tabelas e campos corretos. O segredo está no campo <strong>Table Filter</strong>.</p><p><strong>O que é o Table Filter?</strong><br>Permite filtrar quais tabelas você quer trazer na transferência. Sem ele, o BigQuery importa tudo — e aí chegamos no problema das centenas de tabelas.</p><p><strong>O que é o Table Filter?</strong><br>Permite filtrar quais tabelas você quer trazer na transferência. Sem ele, o BigQuery importa tudo — e aí chegamos no problema das centenas de tabelas.</p><h3>Configuração recomendada</h3><p>Campaign, AdGroup, Keyword, Ad, SearchQueryStats</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/835/1*X2BuF5BVUfTEjPPI6k5vDA.png" /></figure><blockquote>⚠️ <strong>Atenção:</strong> o campo “Atualizar janela” define o histórico inicial. Se quiser apenas o mês atual, use o número de dias transcorridos. Após a primeira carga, o Transfer atualiza incrementalmente todo dia.</blockquote><p>Clique em <strong>Continuar</strong>, defina o dataset de destino, dê um nome para a transferência e salve. A nomenclatura <strong>bronze_raw</strong> no nome é uma boa prática — referência à arquitetura de dados em camadas (Bronze → Silver → Gold).</p><h3>Passo 2: O que foi criado no BigQuery</h3><p>Após a execução, você vai encontrar dois tipos de objeto no seu dataset:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/840/1*MuYML4MyynnaQAdyxw3yOw.png" /></figure><p>As <strong>views automáticas</strong> (prefixo ads_) já facilitam bastante — elas fazem o SELECT de todas as partições sem você precisar usar _TABLE_SUFFIX. É em cima delas que vamos criar nossa view consolidada.</p><h3>Passo 3: Criando a view consolidada</h3><p>Aqui está o núcleo de tudo. Vamos criar uma única view que une campanhas e grupos de anúncios, já com os valores monetários convertidos de micros para reais.</p><p><strong>Por que view e não tabela?</strong><br>Uma view não duplica dados, não ocupa armazenamento adicional e é sempre atualizada automaticamente quando o Transfer roda. Para o Looker Studio, ela funciona exatamente como uma tabela.</p><pre>CREATE OR REPLACE VIEW `seu-projeto.seu-dataset.google_ads_raw` AS<br><br>SELECT<br>  -- Datas<br>  c._DATA_DATE AS data,<br><br>  -- Campanha<br>  c.customer_id,<br>  c.campaign_id,<br>  c.campaign_name,<br>  c.campaign_status,<br>  c.campaign_serving_status,<br>  c.campaign_advertising_channel_type,<br>  c.campaign_advertising_channel_sub_type,<br>  c.campaign_bidding_strategy_type,<br>  c.campaign_start_date,<br>  c.campaign_end_date,<br>  ROUND(c.campaign_budget_amount_micros / 1000000, 2) AS campaign_budget,<br><br>  -- Grupo de anúncios<br>  ag.ad_group_id,<br>  ag.ad_group_name,<br>  ag.ad_group_status,<br>  ag.ad_group_type,<br>  ROUND(ag.ad_group_cpc_bid_micros / 1000000, 2) AS ad_group_cpc_bid,<br>  ag.ad_group_effective_target_roas,<br>  ROUND(ag.ad_group_effective_target_cpa_micros / 1000000, 2) AS ad_group_target_cpa<br><br>FROM `seu-projeto.seu-dataset.ads_Campaign_SEUCODIGOCLIENTE` c<br>LEFT JOIN `seu-projeto.seu-dataset.ads_AdGroup_SEUCODIGOCLIENTE` ag<br>  ON c.campaign_id = ag.campaign_id<br>  AND c._DATA_DATE = ag._DATA_DATE</pre><blockquote>⚠️ <strong>Valores em micros:</strong> o Google Ads armazena valores monetários multiplicados por 1.000.000. A função ROUND(/ 1000000, 2) converte para o valor real. Não esqueça disso ao adicionar novas colunas monetárias.</blockquote><p>O <strong>LEFT JOIN</strong> garante que campanhas sem grupos de anúncios ainda apareçam na view. O join duplo por campaign_id e _DATA_DATE é essencial para manter a granularidade temporal correta.</p><h3>Passo 4: Queries para validar os dados</h3><p>Antes de conectar no Looker, valide se os dados estão corretos com algumas queries simples:</p><h3>Custo total por campanha</h3><pre>SELECT<br>  campaign_name,<br>  campaign_status,<br>  SUM(campaign_budget) AS orcamento_total<br>FROM `seu-projeto.seu-dataset.google_ads_raw`<br>GROUP BY 1, 2<br>ORDER BY orcamento_total DESC</pre><h3>Resumo geral da conta</h3><pre>SELECT<br>  COUNT(DISTINCT campaign_id)  AS total_campanhas,<br>  COUNT(DISTINCT ad_group_id)  AS total_grupos,<br>  SUM(campaign_budget)         AS orcamento_total<br>FROM `seu-projeto.seu-dataset.google_ads_raw`<br>WHERE campaign_status = &#39;ENABLED&#39;</pre><blockquote><em>Dica de performance: ative o cache de dados no Looker Studio. Isso evita que cada abertura do dashboard dispare uma nova query no BigQuery, economizando sua cota gratuita de 1 TB/mês.</em></blockquote><h3>Conclusão</h3><p>Sair do caos de centenas de tabelas para uma view limpa e conectada ao Looker Studio é mais simples do que parece. O segredo está em usar o Table Filter na transferência e criar uma view de consolidação no BigQuery. Com isso, você tem uma fonte única de verdade para toda sua análise de mídia paga.</p><p>#bigquery #looker #sql #googleads #etl #extração #modelagemdedados #gcp</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c029c9b91136" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>