Últimas 10 migraciones gratis de Supermetrics

Capítulo 2 de 12 · min 2:19 a 5:15

Cómo guardar el histórico de tus anuncios: warehouse y deduplicación incremental

La solución al problema de la data a nivel anuncio: un warehouse en BigQuery, carga histórica única antes de que las plataformas borren los datos, imágenes en tu propia nube y deduplicación incremental.

La solución: warehouse, histórico y deduplicación incremental

Ver en YouTube (desde 2:19)

Centralizar todo en un data warehouse

La solución arranca por cambiar el lugar donde vive la información: en vez de usar Google Sheets o Looker Studio para almacenarla, usar un data warehouse como BigQuery.

El primer paso es cargar la información histórica de todos tus anuncios una única vez. Esa descarga puede llevar bastante tiempo, pero se hace una sola vez, cubriendo todo el rango temporal que permiten las plataformas.

Acá hay un detalle importante: Meta guarda los últimos 3 años de forma rodante. Pasa un día, y borra un día de hace 3 años. Si cargamos esos 3 años en nuestro warehouse, quedan para siempre, y dejamos de perder información cada día que pasa.

Slide del video: cargar el histórico una sola vez, guardar las imágenes y sincronizar eficientemente

Las imágenes, en tu propia nube

Las plataformas tampoco almacenan las imágenes de los anuncios para siempre. Cuando pedís la imagen por API, devuelven un URL que expira a los 7 días. Si hoy armás un reporte con esa información, la semana que viene las imágenes ya no van a funcionar.

La solución es guardar cada creativo en tu propia nube, para que quede de tu lado y no dependa de la plataforma. Así tenés el histórico de métricas (cuánto gastó y cuántas conversiones trajo cada anuncio) junto con todas las imágenes guardadas.

Deduplicación incremental: mantener todo fresco de forma eficiente

Una vez cargado el histórico, la información se actualiza de la manera más eficiente posible: con deduplicación incremental.

La idea: siempre se busca la información de los últimos 10 días, que es la ventana de atribución de la mayoría de las plataformas. Durante esos días, las métricas de cada anuncio van cambiando porque la atribución se sigue ajustando por reglas internas de cada plataforma. Pasada la ventana, la información de un anuncio puntual no cambia más.

Entonces: por 10 días se refresca la información reciente, y después pasa a formar parte del histórico permanente. De esta manera podés tener cualquier cantidad de cuentas sincronizadas y cualquier volumen de anuncios, porque un warehouse soporta millones de filas sin generar dashboards lentos. Y con las imágenes guardadas, podés crear reportes visuales, que es el ideal cuando se analiza información a nivel anuncio: la imagen o el video es lo más importante.

Preguntas frecuentes

¿Cuánto histórico guarda Meta de mis anuncios?

Meta almacena los últimos 3 años de forma rodante: pasa un día y borra el equivalente de hace 3 años. Si no cargás ese histórico en tu propio warehouse, la información se pierde para siempre.

¿Por qué se rompen las imágenes de los anuncios en mis reportes?

Cuando pedís la imagen de un anuncio por API, las plataformas devuelven un URL que expira a los 7 días. Un reporte armado hoy deja de mostrar las imágenes la semana que viene, salvo que las guardes en tu propia nube.

¿Qué es la deduplicación incremental?

Es la forma más eficiente de mantener el warehouse actualizado: se refresca solo la ventana reciente donde la atribución todavía cambia (unos 10 días en la mayoría de las plataformas) y el resto queda como histórico permanente.

Todos los capítulos de esta serie

  1. 0:00 1. El problema: la data a nivel anuncio
  2. 2:19 2. La solución: warehouse, histórico y deduplicación incremental
  3. 5:15 3. Muestra del resultado final en BigQuery
  4. 8:27 4. Primer paso: conectar Claude con Detrics vía MCP
  5. 11:02 5. Segundo paso: explorar las fuentes y diseñar el esquema de datos con Claude
  6. 13:51 6. Cómo funciona el warehouse de Detrics
  7. 19:31 7. Los table groups creados en Detrics
  8. 22:04 8. Tercer paso: crear la destination en tu propio Google Cloud
  9. 25:27 9. Cuarto paso: las transferencias y la carga histórica
  10. 30:53 10. La data en BigQuery: tablas, filas y creativos en tu bucket
  11. 33:19 11. Analizar los datos con Claude y el MCP de BigQuery
  12. 37:41 12. Paso final: la vista consolidada Meta + TikTok

¿Querés construir esto con tus propios datos?