BigQuery para marketing: quando vale e como começar (sem precisar de dev)

BigQuery era ferramenta de engenheiro. Em 2026, virou ferramenta acessível pra time de marketing que quer ir além de GA4 e Looker.

Mas só faz sentido em cenários específicos. Esse artigo é o guia prático: quando vale, quando ignorar, e como começar.

O que é BigQuery (em 1 parágrafo)

BigQuery é o data warehouse na nuvem do Google. Você sobe dados (de GA4, Meta Ads, CRM, etc), faz queries SQL, recebe respostas em segundos mesmo em dados de terabytes.

É pago por uso (não fixo): paga por GB armazenado + por GB processado em query.

Custo realista pra empresa pequena-média: US$ 5-50/mês. Pra empresa grande: US$ 100-1.000/mês.

Quando vale a pena

✅ Vale:

GA4 com mais de 100k usuários/mês (limites do GA4 começam a aparecer)
Precisa cruzar dados de múltiplas fontes (GA4 + Meta + CRM + ERP)
Atribuição multi-touch séria
Análise customizada que Looker não dá
Time tem alguém que sabe SQL (ou disposição pra aprender)

❌ Não vale:

Empresa pequena com < 50k usuários/mês
Time 100% não-técnico sem disposição
GA4 e Looker já resolvem o suficiente
Sem caso de uso claro

Pra maioria de PME, GA4 + Looker Studio é suficiente. BigQuery entra quando esses limitam.

Setup inicial (sem ser dev)

1. Criar projeto Google Cloud

console.cloud.google.com → New Project → nome do projeto.

2. Ativar BigQuery

Habilita BigQuery API. Free tier: 10 GB armazenamento + 1 TB query/mês.

3. Exportar GA4 pra BigQuery

GA4 Admin → BigQuery Links → New Link → escolhe projeto Google Cloud.

A partir desse momento, todos os eventos de GA4 são exportados raw pra BigQuery, diariamente.

(Antes era só pra GA360 pago. Agora liberou pra GA4 grátis em 2024.)

4. Esperar dados

GA4 exporta a primeira batch em 24-48h. Histórico vem de quando você ativou (não retroativo).

SQL básico pra marketing

Você não precisa ser SQL guru. 5-10 queries básicas resolvem 80% dos casos.

Query 1: Top 10 páginas mais vistas

SELECT 
  page_location,
  COUNT(*) as views
FROM `seu-projeto.analytics_xxx.events_*`
WHERE event_name = 'page_view'
  AND _TABLE_SUFFIX BETWEEN '20260101' AND '20260131'
GROUP BY page_location
ORDER BY views DESC
LIMIT 10;

Query 2: Conversões por canal

SELECT 
  traffic_source.source as source,
  traffic_source.medium as medium,
  COUNT(DISTINCT user_pseudo_id) as users,
  COUNT(*) as conversions
FROM `seu-projeto.analytics_xxx.events_*`
WHERE event_name = 'purchase'
  AND _TABLE_SUFFIX BETWEEN '20260101' AND '20260131'
GROUP BY source, medium
ORDER BY conversions DESC;

Query 3: Funil de conversão

WITH funnel AS (
  SELECT
    user_pseudo_id,
    MAX(CASE WHEN event_name = 'page_view' AND page_location LIKE '%/produto%' THEN 1 ELSE 0 END) as viewed_product,
    MAX(CASE WHEN event_name = 'add_to_cart' THEN 1 ELSE 0 END) as added_cart,
    MAX(CASE WHEN event_name = 'purchase' THEN 1 ELSE 0 END) as purchased
  FROM `seu-projeto.analytics_xxx.events_*`
  WHERE _TABLE_SUFFIX BETWEEN '20260101' AND '20260131'
  GROUP BY user_pseudo_id
)
SELECT
  SUM(viewed_product) as viewed,
  SUM(added_cart) as added,
  SUM(purchased) as bought,
  ROUND(SUM(added_cart) / SUM(viewed_product) * 100, 2) as cart_rate,
  ROUND(SUM(purchased) / SUM(added_cart) * 100, 2) as purchase_rate
FROM funnel;

Query 4: LTV por cohort

SELECT
  DATE_TRUNC(DATE(TIMESTAMP_MICROS(MIN(event_timestamp))), MONTH) as cohort,
  COUNT(DISTINCT user_pseudo_id) as users,
  SUM(event_value_in_usd) as total_revenue,
  ROUND(SUM(event_value_in_usd) / COUNT(DISTINCT user_pseudo_id), 2) as avg_ltv
FROM `seu-projeto.analytics_xxx.events_*`
WHERE event_name = 'purchase'
GROUP BY cohort
ORDER BY cohort;

Query 5: Atribuição multi-touch

SELECT
  user_pseudo_id,
  STRING_AGG(traffic_source.source, ' > ' ORDER BY event_timestamp) as journey
FROM `seu-projeto.analytics_xxx.events_*`
WHERE user_pseudo_id IN (
  SELECT user_pseudo_id 
  FROM `seu-projeto.analytics_xxx.events_*` 
  WHERE event_name = 'purchase'
)
AND event_name IN ('session_start', 'purchase')
GROUP BY user_pseudo_id;

Você vê toda a jornada que levou a venda.

Aprendendo SQL pra marketing (sem fazer curso de 6 meses)

Em 20 horas de prática, você cobre o suficiente pra fazer análise de marketing decente.

Recursos:

Mode Analytics SQL Tutorial (grátis)
DataCamp / Khan Academy (SQL básico)
LinkedIn Learning (curso de SQL)
Cursor IDE com IA: você descreve query em pt-BR, IA escreve SQL

Honestamente: Cursor + Claude resolve 90% das queries sem você precisar saber SQL profundo.

Como visualizar (sem precisar de Tableau)

Looker Studio (grátis)

Conecta direto com BigQuery. Cria dashboards visuais.

Metabase (open source)

Self-hostable. Dashboards mais elegantes.

Hex.tech ou Mode

Análise interativa + colaborativa. Pagos mas modernos.

Cursor + IA + Excel

Cursor exporta query result → Excel pivot → Looker Studio pra share. Funciona bem pra time pequeno.

Cenários onde BigQuery brilha

Cenário 1: Atribuição multi-touch real

Cruzando GA4 + Meta + CRM no BigQuery, vê jornada completa de cada cliente. Atribuição que Looker Studio não dá.

Cenário 2: LTV por cohort

Quem comprou em janeiro vale R$ X em 12 meses. Quem comprou em maio vale R$ Y. Análise impossível em GA4 nativo.

Cenário 3: Cross-sell / next-best-product

“Cliente comprou X. Qual a probabilidade de comprar Y?”. Análise de carrinho.

Cenário 4: A/B test analysis profundo

GA4 mostra resultado básico. BigQuery permite análise estatística completa (significância, confidence intervals).

Cenário 5: Custom audience pra Meta/Google

Cria audiência customizada (ex: top 10% LTV, recompradores 90d). Exporta pra Meta/Google. Targeting de alta precisão.

Custos esperados

Cenário	Custo/mês
Site pequeno (50k usuários)	US$ 0-10
Site médio (500k usuários)	US$ 20-80
Site grande (5M usuários)	US$ 100-500
Enterprise (50M+ usuários)	US$ 500-5.000+

Free tier: 10 GB storage + 1 TB query processamento/mês. Suficiente pra empresa pequena-média.

Os 5 erros que fazem BigQuery custar muito

Erro 1: `SELECT *` em tabelas grandes

Cada query custa por GB processado. SELECT * puxa colunas que não usa.

Solução: select só colunas necessárias.

Erro 2: Falta de partition / cluster

Tabelas sem partition forçam query a escanear tudo.

Solução: particiona por data (GA4 já faz por padrão).

Erro 3: Query repetitiva

Mesma query rodando 100× por dia (dashboard ao vivo).

Solução: agendar materialização (results salvos) em vez de recalcular.

Erro 4: Sem monitoring de custos

Olha fatura no fim do mês com surpresa.

Solução: setup alerta em US$ 50, 100, 500/mês.

Erro 5: Não documentar queries

Time cria queries, ninguém entende meses depois.

Solução: salva em ferramenta com comentários (dbt, Looker, Notion).

Plano de 60 dias pra avaliar BigQuery

Semana 1-2: Setup + exploração

Cria projeto Google Cloud
Conecta GA4 → BigQuery
Aguarda 1 semana de dados acumular
Testa 5 queries básicas

Semana 3-4: Análises operacionais

Cria 3 dashboards no Looker Studio puxando BigQuery
Compara resposta de BigQuery vs GA4 nativo
Identifica casos onde BigQuery faz diferença

Semana 5-8: Cross-source

Adiciona Meta Ads, CRM dados
Cria primeira análise multi-source
Avalia ROI (tempo economizado, decisões melhores)

Em 60 dias: você sabe se vale manter ou desativar.

A regra fundamental

BigQuery não substitui GA4 + Looker — estende. É camada extra pra análise profunda.

Pra empresas que CRESCEM e batem limites das ferramentas básicas, BigQuery é o próximo passo.

Pra empresas pequenas com necessidades simples, fica em GA4 + Looker. Não complica antes da hora.

A Máximo monta arquitetura de dados com BigQuery pra clientes que crescem. Fala com a gente.