Quando GA4 perde i dati, noi li riprendiamo.

GA4 e il mistero dei dati scomparsi

Alzi la mano chi non ha mai aperto BigQuery, lanciato una query sul dataset GA4 e trovato buchi. Giorni interi senza eventi. Settimane scomparse. Il cliente chiede i dati del trimestre scorso e tu stai li a spiegare che "GA4 ha avuto un problema di export".

Il BigQuery Export di GA4 e fantastico quando funziona. Ma quando non funziona, non ti avvisa. Non c'e un alert, non c'e un retry automatico. I dati semplicemente non ci sono. E il bello? Google non offre un modo nativo per recuperarli retroattivamente.

La soluzione manuale? Andare nella UI di GA4, esportare report uno per uno, copiare i dati, ricostruire le tabelle BigQuery a mano. Per 365 giorni. No grazie.

n8n fa il lavoro sporco

Invece di scrivere l'ennesimo script Python "usa e getta" che poi nessuno mantiene, abbiamo scelto n8n - una piattaforma di workflow automation open-source che gira su Docker. Perche? Perche un workflow visuale si debugga, si modifica e si capisce anche tra sei mesi. Uno script Python no.

Il workflow e semplice nella logica, robusto nell'esecuzione:

Sotto il cofano

L'intera infrastruttura gira su una singola VPS. Niente cloud managed da 200 euro/mese, niente serverless con cold start. Docker, PostgreSQL, e n8n che orchestra tutto.

{
  "dateRanges": [{
    "startDate": "2024-01-01",
    "endDate": "2024-12-31"
  }],
  "metrics": [
    { "name": "sessions" },
    { "name": "totalUsers" },
    { "name": "screenPageViews" },
    { "name": "conversions" }
  ],
  "dimensions": [
    { "name": "date" },
    { "name": "sessionSource" },
    { "name": "sessionMedium" }
  ],
  "limit": 10000,
  "offset": 0
}

// Mappa la risposta GA4 API allo schema BigQuery
const rows = $input.all().flatMap(item => {
  const report = item.json.reports[0];
  return report.rows.map(row => ({
    json: {
      event_date: row.dimensionValues[0].value,
      source: row.dimensionValues[1].value,
      medium: row.dimensionValues[2].value,
      sessions: parseInt(row.metricValues[0].value),
      users: parseInt(row.metricValues[1].value),
      pageviews: parseInt(row.metricValues[2].value),
      conversions: parseInt(row.metricValues[3].value),
      _backfilled: true,
      _backfill_ts: new Date().toISOString()
    }
  }));
});
return rows;

Il campo _backfilled: true e fondamentale. Ci permette di distinguere i dati recuperati dall'API da quelli arrivati tramite l'export nativo. Cosi in fase di analisi sappiamo sempre da dove vengono i numeri.

Python? No grazie, oggi no.

Non ce l'ho con Python. Lo uso tutti i giorni. Ma per questo tipo di automazione, n8n vince su tutta la linea. Ecco perche:

E poi c'e il vantaggio nascosto: sulla stessa istanza n8n girano gia decine di altri workflow — automazioni, integrazioni con Telegram, pipeline dati, AI. È tutto un ecosistema connesso. Un nuovo workflow e un nuovo nodo nella rete, non un altro script isolato da mantenere.

I numeri parlano

Una volta configurato, il workflow gira da solo. Ogni giorno controlla se ci sono gap nell'export BigQuery e, se trova buchi, fa il backfill automatico. Il tutto senza che nessuno debba alzare un dito.

Dati completi = AI che funziona

Ecco il plot twist. I dati backfillati non restano li a prendere polvere in BigQuery. Diventano il carburante per l'AI.

Abbiamo collegato BigQuery direttamente a Claude Code via MCP (Model Context Protocol). Questo significa che l'AI puo interrogare i dati storici completi - compresi quelli recuperati con il backfill - in linguaggio naturale.

"Analizza il trend delle conversioni organiche degli ultimi 12 mesi." Con dati incompleti, questa domanda e inutile. Con il backfill, la risposta e affidabile.