Cómo Combinar Datos en Data Studio: Data Blending con Google Sheets y BigQuery
Cruzar ventas almacenadas en BigQuery con objetivos mantenidos en Google Sheets parece sencillo hasta que aparecen problemas de granularidad, claves duplicadas, agregaciones incorrectas, rendimiento y costes. En esta guía abordamos Data Blending en Data Studio desde una perspectiva de arquitectura, explicando cuándo utilizar un Left Join, cuándo delegar el JOIN en BigQuery y cómo evitar diseños que producen dashboards lentos o métricas incorrectas.
Lo que aprenderás
Matriz de decisión: ¿Data Blending o JOIN en BigQuery?
La decisión importante no es solamente “¿puedo combinar estas dos fuentes?”. La pregunta de arquitectura es “¿en qué capa debe vivir esta relación?”. Un cruce pequeño y específico de un dashboard puede resolverse en Data Studio, mientras que una relación reutilizada por múltiples consumidores debería formar parte del modelo de datos.
| Patrón | Fuente típica | Latencia | Escala | Coste / FinOps | Mejor caso de uso |
|---|---|---|---|---|---|
| Data Blending | Sheets + BigQuery | Baja a media | Pequeña / media | Puede aumentar si el blend procesa grandes volúmenes | Dashboard puntual y autoservicio |
| JOIN en BigQuery | Tablas / vistas | Media | Alta | Controlable mediante particionado, clustering y consultas eficientes | Modelo analítico reutilizable |
| Vista / tabla mart | BigQuery | Predecible | Alta | Optimizable centralmente | BI empresarial y múltiples dashboards |
| ETL / ELT previo | Pipeline de datos | Batch o near-real-time | Muy alta | Mayor inversión inicial, menor complejidad en consumo | Gobernanza, calidad y modelo corporativo |
Qué es realmente Data Blending
Data Blending permite construir una combinación de datos a partir de varias fuentes y utilizarla en gráficos, tablas y controles del informe. Conceptualmente, se parece a un SQL JOIN, pero la transformación vive dentro del contexto del informe y no equivale automáticamente a crear una tabla maestra reutilizable.
Clave de unión
El campo que relaciona ambas fuentes debe tener la misma semántica. Una fecha, un ID de cliente o una combinación como fecha + región pueden actuar como clave.
Fuente izquierda
En un Left Join, las filas de la fuente izquierda se conservan. Por eso debes elegir conscientemente qué conjunto representa la población principal del análisis.
Granularidad
El error más peligroso no suele ser sintáctico. Es combinar datos diarios con objetivos mensuales o transacciones con dimensiones duplicadas sin controlar la cardinalidad.
fecha · región · ventas
fecha · región · objetivo
Antipatrones: el error que infla las ventas
Imagina que BigQuery contiene diez ventas para una región y fecha, mientras que Google Sheets contiene tres filas de objetivos para esa misma combinación. Un JOIN directo puede producir hasta treinta combinaciones antes de agregar los resultados.
Si después calculas SUM(ventas), puedes terminar mostrando una cifra tres veces superior a la real. El dashboard técnicamente “funciona”, pero el KPI es incorrecto.
La solución es definir primero la granularidad objetivo. Si quieres comparar ventas y objetivo por día y región, ambas fuentes deben producir como máximo una fila por esa clave antes de combinarlas.
En otras palabras: primero modela, después combina y finalmente visualiza.
Implementación práctica: preparar el dataset antes del blend
Una arquitectura robusta no intenta resolver toda la lógica en la capa visual. Primero agregamos las ventas a la granularidad del negocio y hacemos lo mismo con los objetivos. Después podemos exponer un dataset estable al dashboard.
-- Granularidad final:
-- una fila por fecha + región.
WITH ventas AS (
SELECT
DATE(fecha_hora) AS fecha,
region,
SUM(importe) AS ventas
FROM `proyecto.analytics.ventas`
WHERE DATE(fecha_hora)
BETWEEN @fecha_inicio AND @fecha_fin
GROUP BY
fecha,
region
),
objetivos AS (
SELECT
DATE(fecha) AS fecha,
region,
SUM(objetivo) AS objetivo
FROM `proyecto.planning.objetivos`
WHERE fecha
BETWEEN @fecha_inicio AND @fecha_fin
GROUP BY
fecha,
region
)
SELECT
v.fecha,
v.region,
v.ventas,
COALESCE(o.objetivo, 0) AS objetivo,
SAFE_DIVIDE(v.ventas, NULLIF(o.objetivo, 0)) AS cumplimiento
FROM ventas AS v
LEFT JOIN objetivos AS o
ON v.fecha = o.fecha
AND v.region = o.region
ORDER BY
v.fecha,
v.region;Patrones de diseño y mejores prácticas
Define una fuente de verdad
Los objetivos pueden vivir temporalmente en Sheets, pero las reglas empresariales críticas no deberían depender de ediciones manuales distribuidas entre múltiples hojas.
Reduce antes de combinar
Selecciona solamente dimensiones y métricas necesarias. Evita blends gigantes que incorporen columnas que ningún gráfico utiliza.
Controla las claves
Una clave de negocio debe ser estable, comparable entre fuentes y compatible en tipo y formato. Normaliza fechas, textos e identificadores antes del cruce.
Protege las divisiones
Métricas como cumplimiento deben controlar denominadores cero y valores NULL. Una división aparentemente inocente puede convertir un KPI en una fuente de errores silenciosos.
Observa FinOps
Cuando el origen es BigQuery, una visualización puede desencadenar procesamiento de datos. Filtrar temprano, reducir columnas y usar tablas o vistas apropiadamente diseñadas ayuda a controlar costes.
Gobierna la semántica
Documenta qué significa “ventas”, “objetivo”, “cumplimiento” y “fecha”. El problema de BI más caro suele ser una definición ambigua, no una consulta SQL lenta.
¿Cuándo NO utilizar Data Blending?
Data Blending es una excelente herramienta de autoservicio, pero no debe convertirse accidentalmente en una capa de integración empresarial.
| Situación | Decisión recomendada | Motivo arquitectónico |
|---|---|---|
| Una hoja pequeña con objetivos manuales | Data Blending | Rápido, flexible y adecuado para autoservicio. |
| Millones de filas en múltiples fuentes | BigQuery | Control de rendimiento, particionado y coste. |
| El mismo JOIN aparece en diez dashboards | Modelo / mart en BigQuery | Evita duplicar lógica en cada informe. |
| KPIs financieros regulados | Capa semántica gobernada | Necesitas trazabilidad y definición centralizada. |
| Datos con reglas complejas de calidad | ETL / ELT | La calidad debe resolverse antes de llegar al BI. |
Checklist de implementación empresarial
Define el KPI
Documenta exactamente qué significa Ventas, Objetivo y Cumplimiento. Establece quién es responsable de cada definición.
Determina la granularidad
Decide si el análisis es diario, mensual, regional, por producto, cliente o una combinación de dimensiones.
Valida la cardinalidad
Comprueba que cada clave tenga la cantidad esperada de registros antes de realizar el JOIN.
Reduce las fuentes
Incluye únicamente campos necesarios. No conviertas el blend en un almacén de datos improvisado.
Elige la capa correcta
Si el caso es puntual, utiliza Data Blending. Si es reutilizable, crítico o voluminoso, llévalo al modelo de datos.
Prueba los totales
Compara el dashboard contra una consulta de control independiente. Los KPIs deben cuadrar antes de publicar.
Monitoriza coste y latencia
Observa tiempos de carga, volumen procesado y comportamiento de las consultas para evitar una sorpresa de FinOps.
Preguntas frecuentes sobre Data Blending
¿Qué es Data Blending en Data Studio?
Data Blending permite combinar datos procedentes de varias fuentes dentro de un mismo informe utilizando campos comunes como claves de unión. Es especialmente útil para cruzar información como ventas de BigQuery con objetivos mantenidos en Google Sheets.
¿Cuándo debo utilizar un Left Join para combinar datos?
Un Left Join es apropiado cuando quieres conservar todas las filas de la fuente principal y añadir información de una segunda fuente cuando exista una coincidencia. En un escenario Ventas vs Objetivos, la fuente de ventas puede actuar como lado izquierdo cuando quieres conservar todas las combinaciones de ventas existentes.
¿Cuándo debería hacer el JOIN en BigQuery?
Cuando el cruce es crítico para el modelo semántico, se reutiliza en múltiples informes, trabaja con grandes volúmenes o requiere un control preciso de rendimiento, calidad y costes, normalmente es preferible resolverlo en BigQuery. Data Blending es especialmente útil para cruces ligeros y específicos del informe.