Pular para o conteúdo
Black Friday: preço de lançamento só até 30/11. Assine até lá, ou comece o teste e assine até 14/12. Ver preços
O’ChartO’Chart, página inicial
← Voltar ao blog
Engenharia de Dados08 de jul. de 2026 · 11 min de leitura

Exportar Meta Ads para BigQuery: quando vale a pena

Quando faz sentido exportar dados do Meta Ads para o BigQuery, os 3 gatilhos que justificam, métodos de exportação, schema e custo real de query.

Se você está lendo isso, provavelmente já sabe montar um pipeline. A pergunta não é "como", é "vale a pena para o meu caso", e essa resposta muda dependendo de volume de contas, de quem vai consumir o dado e de quanto custa manter isso rodando depois que a euforia da POC passa.

Este artigo assume que você conhece BigQuery, SQL e o básico da API do Meta Ads. Não vamos explicar o que é um data warehouse.

Quando BigQuery é overkill

Antes dos gatilhos, o caso contrário: a maior parte das contas de mídia paga não precisa de um data warehouse dedicado.

Se você gerencia 1-3 contas, olha métricas de campanha/conjunto/anúncio e o destino final é sempre um dashboard de acompanhamento, o conector nativo do Looker Studio para Google Ads resolve, e para Meta Ads um conector direto (nativo ou de terceiros) resolve sem você tocar em SQL.

Os sintomas de que BigQuery é overengineering para o seu caso:

  • Ninguém no time escreve SQL hoje, e não há plano de contratar quem escreva.
  • O dado nunca precisa ser cruzado com outra fonte (CRM, planilha de custo, dado de produto).
  • O histórico que importa é o dos últimos 90 dias: o Looker Studio com API direta já entrega isso.
  • Você mediria sucesso do projeto por "ter um data warehouse", não por uma pergunta de negócio específica que hoje não tem resposta.

Se nenhum desses sintomas se aplica, siga para os gatilhos.

Os 3 gatilhos que justificam BigQuery

1. Cruzamento com dados fora da plataforma de mídia. Você precisa unir custo de Meta Ads com CRM (Salesforce, HubSpot, RD Station), com dado de produto (eventos de app, LTV) ou com dado financeiro (custo real vs. orçamentado). Nenhum conector de dashboard faz join entre fontes, mas SQL faz.

2. Retenção de histórico além do que a API garante. A Marketing API do Meta tem limites de lookback que variam por endpoint (normalmente 37 meses para relatórios de anúncio, mas com granularidade reduzida quanto mais antigo o dado). Se você precisa de série histórica completa, ano a ano, com a granularidade original preservada, isso só existe se você mesmo armazenou.

3. Múltiplas contas de anúncio ou múltiplos clientes com necessidade de modelo de atribuição próprio. Agência com 15+ contas ativas, ou anunciante com múltiplas Business Managers, atinge um ponto em que reconciliar tudo manualmente em planilha ou em múltiplos dashboards separados não escala. Um warehouse central com um modelo de dados único resolve isso, e é o único cenário em que "escalar" justifica a complexidade adicional.

Se você tem pelo menos um desses três, continue. Se tem os três, você já devia ter feito isso.

Métodos de exportação

Existem três caminhos, com trade-offs bem diferentes.

1. API do Meta Ads direto para BigQuery

Você mesmo escreve o pipeline: chama a Marketing API (Insights endpoint), pagina os resultados, transforma e escreve na tabela via BigQuery Load Jobs ou Storage Write API.

  • Prós: controle total do schema, sem custo de ferramenta terceira, sem dependência de disponibilidade de terceiro.
  • Contras: você assume o rate limiting da API do Meta, mudanças de versão da API (o Meta depreca versões em ciclos regulares), tratamento de campos nulos/depreciados, backfill histórico, e monitoramento de falha silenciosa. Isso não é "escrever um script", é manter um pipeline.

Faz sentido quando você já tem um time de engenharia de dados e o Meta Ads é só mais uma fonte entre dezenas que esse time já orquestra (Airflow, Dagster, dbt).

2. ETL/ELT gerenciado (Fivetran, Airbyte, Stitch e similares)

Ferramenta terceira cuida da extração, paginação e carga. Você configura credencial, mapeia o destino, e o schema chega pronto (geralmente com dbt models opcionais em cima).

  • Prós: menos manutenção, backfill histórico tratado pela ferramenta, alertas de falha de sync prontos.
  • Contras: custo por linha sincronizada ou por conector (esses preços sobem rápido conforme volume), e você ainda precisa modelar o dado depois que ele chega cru: a ferramenta entrega a matéria-prima, não o relatório.

Faz sentido quando Meta Ads é uma de várias fontes que já passam pelo mesmo ELT gerenciado, e o custo por conector cabe no orçamento.

3. Conector especializado de marketing (O'Chart Sync e similares)

Ferramenta focada em dados de mídia paga. Além de extrair e carregar, já entrega métricas tratadas: nomenclatura padronizada entre plataformas, deduplicação de conversões, moeda normalizada.

  • Prós: setup em minutos, sem manutenção de pipeline, schema pensado para consumo de marketing (não é uma cópia 1:1 crua da API).
  • Contras: menos granularidade e flexibilidade de campo custom do que construir você mesmo: se você precisa de um campo muito específico da API que a ferramenta não expõe, isso é uma limitação real.

Faz sentido quando o objetivo é ter o dado de mídia paga organizado no warehouse sem virar um projeto de engenharia paralelo, especialmente quando Meta Ads não é a única fonte de mídia que você precisa consolidar.

Nota

Os três métodos não são mutuamente exclusivos. É comum um time usar ELT genérico para CRM e ERP, e um conector especializado só para mídia paga, porque a camada de tratamento específico de marketing (dedupe de conversão, atribuição, nomenclatura entre plataformas) não é o forte de um ELT genérico.

Schema recomendado

Independente do método, o desenho de tabela importa mais que a ferramenta escolhida. Um erro comum: guardar tudo em uma tabela larga e desnormalizada, com uma linha por anúncio por dia. Isso funciona até você precisar de breakdown por idade/gênero/posicionamento, e aí a granularidade da linha muda e a tabela ou explode em colunas ou vira uma bagunça de NULLs.

O desenho mais estável separa fato de dimensão:

Tabela de fato: meta_ads_insights_daily (particionada por dia, clusterizada por account_id e campaign_id):

CampoTipoDescrição
dateDATEData do insight (partition key)
account_idSTRINGID da conta de anúncio
campaign_idSTRINGID da campanha
adset_idSTRINGID do conjunto de anúncios
ad_idSTRINGID do anúncio
impressionsINT64Impressões
clicksINT64Cliques (link clicks)
spendNUMERICInvestimento, na moeda da conta
currencySTRINGCódigo ISO da moeda
conversionsINT64Conversões, conforme evento configurado
conversion_valueNUMERICValor de conversão
video_thruplayINT64ThruPlays (quando aplicável)
breakdown_typeSTRINGTipo de breakdown aplicado (ou none)
breakdown_valueSTRINGValor do breakdown (ex: faixa etária)
_synced_atTIMESTAMPTimestamp da última sincronização

Tabela de dimensão: meta_ads_campaign_dim (sem particionamento, atualizada por sync):

CampoTipoDescrição
campaign_idSTRINGID da campanha (chave)
campaign_nameSTRINGNome da campanha
objectiveSTRINGObjetivo (ex: CONVERSIONS, TRAFFIC)
statusSTRINGStatus atual
account_idSTRINGConta associada
created_timeTIMESTAMPData de criação

Por que separar: o nome da campanha muda, o objetivo muda, mas o histórico de spend por dia não deve mudar retroativamente. Se você guardar campaign_name na tabela de fato, um rename de campanha reescreve (ou desalinha) histórico. Com dimensão separada, você faz JOIN na hora da consulta e o histórico fica imutável.

Particionamento por date e clustering por account_id, campaign_id não é opcional: é o que evita que uma consulta de "gasto da campanha X no mês passado" escaneie a tabela inteira. Isso conecta direto com a próxima seção.

Custo real de armazenamento e query

Aqui é onde a maioria do conteúdo sobre esse assunto para na teoria. Vamos com números.

Storage (preços on-demand do BigQuery, região multi-US, verificados em 2026): armazenamento ativo custa US$ 0,02/GB por mês, caindo para US$ 0,01/GB por mês após 90 dias sem modificação. Para um histórico de mídia paga, que é dado pequeno comparado a log de evento, isso é irrisório: mesmo 50 GB de insights diários acumulados ao longo de anos custam menos de US$ 1/mês em storage.

Query é onde o custo real mora. O modelo on-demand cobra US$ 6,25 por TiB processado, com 1 TiB grátis por mês.

O detalhe que separa quem sabe da teoria de quem já foi surpreendido pela fatura: o cobrança se aplica ao volume de dados processado, independente de você usar LIMIT na query: um SELECT * FROM tabela LIMIT 10 sem filtro de partição escaneia a tabela inteira do mesmo jeito.

Exemplo prático com o schema acima: uma tabela de fato particionada por dia, com 2 anos de histórico de 20 contas, casa facilmente na casa de poucos GB a poucas dezenas de GB, não TB. Uma query bem escrita, com filtro de partição (WHERE date BETWEEN...) e sem SELECT *, processa megabytes, não gigabytes. Isso fica dentro do 1 TiB grátis mensal com folga, mesmo com dashboards consultando o dado várias vezes ao dia.

O erro que gera fatura de susto: uma query sem filtro de partição em uma tabela de dois anos particionada por dia escaneia as 730 partições; contra uma partição só, com o filtro correto, isso é uma diferença de custo de até 730 vezes. Em dado de mídia paga isso raramente chega a valores dramáticos porque o volume total é pequeno, mas o hábito de sempre filtrar por partição é o que mantém o custo previsível conforme o histórico cresce.

Dica

Antes de rodar uma query nova contra uma tabela grande, use dry run (bq query --dry_run ou o preview de bytes processados no console do BigQuery) para ver o custo estimado antes de executar. Para tabelas críticas, require_partition_filter=true rejeita queries que esqueceram o filtro de data, o que evita o erro mais comum de custo por engano.

Na prática, para volume típico de mídia paga (uma agência com 10-30 contas, dashboards consultando 2-3x ao dia), o custo mensal de BigQuery fica em dígito único de dólares, às vezes zero dentro do tier gratuito. O ponto de atenção não é o volume de mídia em si, e sim quando esse mesmo projeto de BigQuery também hospeda dado de evento de produto ou de e-commerce em volume alto, porque aí a fatura de mídia some no meio de uma fatura muito maior de outra origem.

Do BigQuery ao Looker Studio

Depois que o dado está modelado no BigQuery, o consumo final normalmente ainda é um dashboard: o BigQuery raramente é o produto final, é a camada de preparo.

O conector nativo do BigQuery no Looker Studio conecta direto: você aponta para a tabela (ou, melhor, para uma view que já faz o JOIN entre fato e dimensão e aplica os filtros de partição corretos). Isso evita que cada usuário do dashboard escreva sua própria query solta, sem filtro, direto na tabela de fato.

Boas práticas nessa ponte:

  • Crie uma view materializada ou uma view simples com os JOINs já resolvidos, em vez de deixar o Looker Studio consultar tabelas cruas.
  • Se o dashboard for consultado com frequência alta por muitos usuários, considere agregação prévia (tabela sumarizada por dia/campanha) em vez de recalcular a partir da granularidade máxima toda vez.
  • Documente, na própria view, qual é a definição de cada métrica (especialmente conversions: o evento de conversão configurado no Meta Ads pode mudar ao longo do tempo, e isso precisa ficar rastreável).

Como o O'Chart Sync se encaixa aqui

Se depois de ler os gatilhos acima seu caso se encaixa, múltiplas contas, necessidade de cruzar com outra fonte, ou histórico que a API não garante, o BigQuery Export do plano Growth do O'Chart Sync entrega exatamente o schema de fato e dimensão descrito nas seções acima, já particionado e clusterizado, sem você escrever o pipeline de extração.

A diferença em relação a montar isso do zero (Método 1) ou via ELT genérico (Método 2): o schema já sai pensado para consumo de marketing, nomenclatura padronizada entre Meta Ads e TikTok Ads, deduplicação de conversão tratada, moeda normalizada, em vez de uma cópia crua da resposta da API que você ainda precisaria modelar depois. Para quem quer o dado no BigQuery para cruzar com CRM ou fazer atribuição própria, mas não quer o overhead de manter um pipeline de ingestão, essa é a diferença prática.

O'Chart Sync

Pare de exportar CSV para montar relatório

Conecte suas contas e tenha dados granulares no seu dashboard. Trial grátis, sem cartão.

Perguntas frequentes

Perguntas frequentes

BigQuery é caro para dados de mídia paga?+

Não, na maioria dos casos. Storage custa centavos de dólar por mês para o volume típico de insights de campanha, e queries bem escritas (com filtro de partição) processam poucos MB a GB por execução, dentro do 1 TiB grátis mensal do tier on-demand. O custo alto normalmente vem de queries mal escritas (sem filtro de partição) ou de misturar mídia paga com dado de volume muito maior, como eventos de produto.

Preciso de engenheiro de dados para manter esse pipeline?+

Depende do método. Construir a extração da API do Meta Ads do zero (Método 1) exige manutenção contínua, mudanças de versão de API, rate limiting, backfill. ETL gerenciado genérico (Método 2) reduz isso mas ainda exige modelagem do dado depois que ele chega. Um conector especializado em marketing (Método 3) entrega o schema já modelado, reduzindo a necessidade de manutenção contínua a praticamente zero.

Qual é o lookback histórico da API do Meta Ads?+

Varia por endpoint e nível de granularidade, de forma geral, relatórios de insight ficam disponíveis por até 37 meses, mas a granularidade de alguns breakdowns pode ser reduzida para períodos mais antigos. Se você precisa de série histórica completa e imutável além desse período, o histórico precisa ter sido armazenado por você desde o início, não dá para recuperar retroativamente da API depois desse prazo.

Devo particionar a tabela por data de sincronização ou por data do insight?+

Pela data do insight (a data em que a impressão/clique/conversão de fato ocorreu), não pela data em que o sync rodou. Isso é o que permite queries do tipo "gasto da campanha em março" filtrarem por partição corretamente, independente de quando o dado foi carregado ou recarregado.

Faz sentido usar capacity pricing (slots) em vez de on-demand para esse caso?+

Normalmente não, para volume isolado de mídia paga. Capacity pricing com slots comprometidos compensa quando o volume de query é alto e consistente, geralmente acima de 10-15 TiB processados por mês. Dados de mídia paga, mesmo em agências com várias contas, raramente chegam perto disso sozinhos. Vale reavaliar se o mesmo projeto BigQuery também hospeda outras fontes de alto volume.

O'Chart Sync

Planos que cabem no seu volume

Preço em reais, por volume de dados, sem surpresa de câmbio. Enterprise sob consulta.