Cada vez que un cliente me pide “un dashboard de medios que se actualice solo”, la primera pregunta técnica es siempre la misma: ¿cómo sacar los datos de Google Ads y llevarlos a Power BI sin depender de alguien que exporte una hoja de cálculo cada lunes?
La respuesta empieza con una mala noticia: no existe un conector nativo de Google Ads en Power BI. A diferencia de Google Analytics, que tiene su propio conector en Power BI Desktop, Google Ads quedó por fuera. Quien llega esperando dos clics sale frustrado.
La buena noticia es que hay cuatro caminos serios para resolverlo, y la elección no es técnica: es de negocio. Cada uno sirve para un tipo de operación y un presupuesto distinto. Elegir mal significa pagar una mensualidad que no necesitabas o montar una ingeniería que el proyecto no soportaba. Voy a desglosar los cuatro con el balance honesto de cada uno.
Qué resuelve cada camino
La pregunta correcta no es “cuál es el mejor”, sino “cuál cabe en mi operación hoy y todavía me sirve dentro de un año”. Antes del detalle, el mapa:
Conector pago (Supermetrics, Coupler.io, Dataslayer): conectas la cuenta, eliges las métricas en un panel y los datos llegan a Power BI con actualización programada. Esfuerzo técnico bajo, costo mensual recurrente.
Google BigQuery como capa intermedia: envías los datos crudos de Ads a BigQuery y Power BI lee BigQuery, que sí tiene conector nativo. Más robusto, pagas por consumo en lugar de mensualidad, exige saber modelar.
Google Ads API + Python: un script consume la API oficial directamente y entrega los datos en un formato que Power BI lee. Costo casi cero, control total, mantenimiento por tu cuenta.
Exportación manual o vía Google Sheets: lo básico, que a veces basta. Sin tiempo real y sin escala, pero resuelve una cuenta pequeña con informes esporádicos.
Camino 1: conector pago, el atajo profesional
Herramientas como Supermetrics, Coupler.io y Dataslayer usan la API oficial de Google para hacer el puente. Autenticas la cuenta de Google Ads, eliges métricas y dimensiones en un panel visual, apuntas el destino a Power BI y listo: los datos llegan estructurados y con actualización programada.
Es el camino más rápido para tener un dashboard funcionando el mismo día, sin escribir una línea de código. Para una agencia que maneja varios clientes es el que más sentido tiene: el tiempo que ahorras vale la mensualidad, y herramientas como Supermetrics permiten publicar en Power BI Service con seguridad a nivel de fila (row-level security), algo útil cuando varios clientes ven el mismo informe con recortes separados.
El costo es el punto débil. Es una mensualidad recurrente, en dólares, y quedas con un intermediario entre Google y tu informe. Para una sola cuenta pesa; para una cartera de clientes se diluye. Antes de cerrar un plan, siempre simulo el peor mes (más campañas, granularidad por palabra clave) y verifico que quepa en el plan, porque el cuello de botella real de estos conectores suele ser el límite de filas, no las funcionalidades.
Camino 2: BigQuery, la base que envejece bien
Aquí usas el Data Transfer Service de Google Ads para llevar los datos crudos a BigQuery, y Power BI consume BigQuery con el conector nativo. Es la arquitectura más robusta de las cuatro.
La ventaja es doble. Primero, el costo: pagas por consumo (almacenamiento y consultas), lo que con alto volumen sale más barato que un conector mensual. Segundo, ganas una base de verdad: historial largo sin reprocesar y la posibilidad de agregar y tratar los datos en SQL antes de que lleguen a Power BI, dejando el informe liviano y rápido.
La curva inicial es más empinada. Tienes que conocer BigQuery y el esquema de Ads, que es bastante extenso. Pero es la inversión que se paga sola cuando el proyecto crece, y es la opción en la que pienso cuando el cliente tiene la ambición de evolucionar hacia un data warehouse de marketing de verdad. Empezar por aquí evita una migración dolorosa más adelante.
Camino 3: Google Ads API + Python, control total
Para quien ya vive en Python, este es el camino más elegante y el más barato. Un script consume la Google Ads API directamente, trata los datos como quieras y entrega el resultado en un formato que Power BI lee: un archivo en un storage, una tabla en BigQuery o una carpeta que el gateway de Power BI actualiza a la hora programada.
El costo es prácticamente cero, solo la infraestructura que ya tienes. Y la libertad es total: la misma rutina que alimenta Power BI puede generar un PDF, un correo o un mensaje de WhatsApp. Es el camino que se integra con automatización de verdad, conectado a un cron que corre solo.
El precio de esa libertad es el mantenimiento. La autenticación OAuth con developer token y refresh token, la paginación y el versionado de la API pasan a ser tu responsabilidad. Cuando Google publica una nueva versión, eres tú quien actualiza. En la práctica, el flujo es instalar la librería oficial, configurar las credenciales, correr la consulta en GAQL y materializar el resultado. A partir de ahí, Power BI solo consume el destino.
Camino 4: manual o Google Sheets, a veces suficiente
No subestimes lo básico. Para una cuenta pequeña, con informe mensual y sin necesidad de tiempo real, exportar de Google Ads a Google Sheets y conectar Power BI a la hoja resuelve. Power BI lee Sheets de forma nativa y la actualización sigue a la hoja.
Costo cero y un mantenimiento que cualquier persona del equipo puede hacer. A cambio, no es tiempo real, se vuelve un cuello de botella manual y no escala. Es una solución de transición, no definitiva, pero complicar lo que no lo necesita también es desperdicio.
Cuál elegiría yo
La decisión es de negocio, no de tecnología:
Agencia con varios clientes y plazos cortos: conector pago. El tiempo ahorrado vale la mensualidad, y la seguridad a nivel de fila organiza los accesos.
Cliente con alto volumen y visión de largo plazo: BigQuery. Más barato a escala y se convierte en la base de un data warehouse.
Quien domina Python y quiere costo cero con automatización integrada: API directa. Más trabajo al montarlo, libertad total después.
Cuenta pequeña, informes esporádicos: Sheets como intermediario. No compliques lo que no lo necesita.
En mi operación, los caminos 2 y 3 se combinan: un script en Python orquesta la carga hacia BigQuery y Power BI consume la capa ya tratada. Es el mejor equilibrio entre control, costo y robustez, y es lo que monto cuando el informe es recurrente y el cliente llegó para quedarse.
Porque al final la lógica es la misma del retail donde empecé: la mejor solución no es la más cara ni la más sofisticada. Es la que cabe en la cuenta y sigue funcionando el mes siguiente.
¿Hablamos?
Si eres dueño o gerente y estás cansado de informes de medios armados a mano, estructuro el puente correcto para tu volumen y tu presupuesto, sin venderte una mensualidad que no necesitas. Escríbeme por WhatsApp.
Si eres reclutador o armas un equipo de growth, mi trayectoria, casos y stack están en la página de trayectoria y en LinkedIn.