Extractor de datos de Google Analytics

La Misión

Fairplay necesitaba datos frescos y confiables sobre nuestros clientes de comercio electrónico para tomar decisiones rápidas sobre si prestar o no a un ecommerce. Se me encargó desarrollar un extractor de datos para Google Analytics, reduciendo significativamente la carga de trabajo del equipo de analítica. Los requisitos técnicos incluían:

• Conectar con las APIs de Google Analytics (tanto V3 como posteriormente V4)
• Gestionar la autorización de tokens y la paginación
• Implementar la división de consultas basadas en fechas y segmentación de datos
• Construir mecanismos sólidos de manejo de errores y reintentos
• Seguir los estándares OOP del equipo, con configuración CLI
• Integrar con nuestro ORM (Mapeo Objeto-Relacional) Peewee existente para PostgreSQL

La Curva de Aprendizaje

En el mundo antes de ChatGPT de 2020, me sumergí profundamente en la documentación oficial de Google densa, especificaciones técnicas que requerían entender no solo las APIs, sino toda la filosofía de datos de Google. A diferencia de la documentación Swagger de hoy, Google Analytics V3 requería dominar su modelo dimensional único: entender cómo las dimensiones y métricas trabajaban juntas, configurar parámetros precisos de recuperación de datos, y navegar esquemas complejos de paginación.

Me sentí cómodo siguiendo esta fórmula:

1. Prototipado Rápido: Creé scripts simples de Python para pruebas rápidas de API
2. Maestría en Debugging: Usé el debugger de VS Code para rastrear a través de pilas de llamadas e inspeccionar el código fuente de las librerías PyPI
3. Desarrollo Paso a Paso: Construí una prueba de concepto funcional antes de integrar con el complejo framework OOP del equipo

Este flujo de trabajo de debugging me permitió entender no solo qué hacía el código, sino cómo las librerías externas procesaban nuestros datos internamente.

El Éxito

En un mes, entregué un ETL completamente funcional que:

• Automatizaba la extracción diaria de datos para múltiples clientes
• Manejaba sin problemas la transición de Google Analytics V3 a V4
• Incluía pruebas unitarias PyTest completas con fixtures y mocking
• Se integraba perfectamente con nuestra infraestructura contenerizada con Docker

---

---

---

El Error Que Me Enseñó Todo

Entonces cometí el error clásico del desarrollador: optimización prematura. Sin que me lo pidieran, comencé a refactorizar y “mejorar” el sistema funcional. A medida que el código base crecía, también lo hacía mi necesidad de perfeccionarlo. Los resultados fueron terribles:

• La velocidad de desarrollo cayó dramáticamente
• Aparecieron bugs en código previamente estable
• Añadí complejidad innecesaria para mis compañeros de equipo
• La comunicación sufrió mientras me aislaba tratando de escribir código “perfecto”

Esta experiencia contribuyó a mi salida de la empresa—un momento humillante que se convirtió en mi maestro más valioso.

La Transformación

Aprendí que estaba equivocado porque me enfoqué en la perfección del código en lugar de las necesidades del negocio. Este fracaso me enseñó a:

• Mejorar la Comunicación: Me di cuenta de que trabajar solo era mi mayor problema; comencé a priorizar la colaboración en equipo
• Pensar Prácticamente: Aprendí a equilibrar la calidad del código con lo que el negocio realmente necesitaba

🧠 El impacto fue inmediato. En mi siguiente entrevista técnica en Next-e extremadamente desafiante la resolví perfectamente. Fui bendecida al formar parte de una startup como líder Back-end, donde crecí exponencialmente. Más importante aún, afronté los desafios con sabiduría para enteder cuándo ya “está bien” verdaderamente está bien.

• Leer documentación es un superpoder: La habilidad de entender especificaciones técnicas complejas sigue siendo invaluable
• Debuggear es pensar: Entender la ejecución del código en detalle acelera el aprendizaje dramáticamente
• Lo perfecto es enemigo de lo terminado: El valor del negocio supera a la belleza arquitectónica siempre
• El fracaso es información: Mi mayor error se convirtió en mi mejor maestro

Hoy, cuando mentoreo a desarrolladores junior, comparto esta historia abiertamente. Sí, fui despedida. Sí, hice sobre-ingeniería. Pero esa experiencia formó a la ingeniera práctica, comunicativa y enfocada en el negocio que soy hoy.