Les 6 principaux avantages de l’utilisation de Google Analytics 4 et de l’exportation Google BigQuery

L’un des principaux avantages du nouveau Google Analytics 4 est la possibilité d’exporter gratuitement des données brutes non échantillonnées vers Google BigQuery. Voyons quelles sont les possibilités offertes à la majorité des utilisateurs de Google Analytics (GA) grâce à ce changement.

Pourquoi intégrer Google Analytics 4 à Google BigQuery ?

En intégrant Google Analytics 4 à Google BigQuery, vous pouvez collecter des données brutes et non échantillonnées de votre site web dans un espace de stockage en nuage, où chaque utilisateur et ses événements seront affichés sur des lignes distinctes. En utilisant des requêtes SQL sur ces données, vous pouvez calculer tous les paramètres et indicateurs dont vous avez besoin.

En collectant les statistiques du site dans Google BigQuery, vous pouvez éviter l’échantillonnage et les autres limitations de Google Analytics 4. Vous serez en mesure d’analyser des données complètes, ce qui signifie que la qualité des décisions prises sur la base de ces données sera beaucoup plus élevée que la qualité des décisions que vous auriez pu prendre sur la base de X.

Par exemple, la période de conservation par défaut des données relatives aux utilisateurs et aux événements dans GA 4 est de deux mois. Vous pouvez l’augmenter à 14 mois dans les paramètres des ressources. Toutefois, cela peut s’avérer insuffisant si vous souhaitez analyser les événements des utilisateurs dont la dernière connexion remonte à plus de 14 mois. En d’autres termes, vous ne pouvez pas générer un rapport sur une période de deux ans. C’est là que Google BigQuery peut vous aider. Après avoir exporté des données vers BigQuery, vous pouvez les stocker sans limite de temps.

Avantages de travailler avec les données de Google Analytics 4 dans Google BigQuery

1. Des rapports sans restrictions (et avec des ajustements personnalisés)

L’interface de Google Analytics ou de tout autre système d’analyse limite votre capacité à créer des rapports. Par exemple, le nombre de paramètres et d’indicateurs est limité, tout comme la façon dont vous pouvez les combiner et effectuer des calculs sur la base de ces paramètres et indicateurs. En outre, dans GA 4, il n’est pas possible d’importer des données sur les coûts, de créer des groupes de canaux personnalisés ou d’inclure dans vos rapports des mesures provenant de sources tierces, telles qu’un système de gestion de la relation client.

En ayant accès aux données brutes dans Google BigQuery, vous pouvez élaborer des rapports avec le nombre et la combinaison d’indicateurs dont vous avez besoin. Par exemple, vous pouvez effectuer une analyse de cohorte basée sur n’importe quel indicateur important pour votre entreprise.

Dans Google Analytics 4, les rapports standard ne sont pas soumis à l’échantillonnage, mais l’échantillonnage peut être utilisé dans les rapports personnalisés : lors de la comparaison des données, lors de l’utilisation de paramètres et de filtres supplémentaires, lorsque la limite de 10 millions d’événements est dépassée. L’échantillonnage est également appliqué lorsque la plage de dates est supérieure à 60 jours.

L’échantillonnage peut fausser les données, c’est pourquoi vous ne pouvez pas vous fier à 100 % des rapports élaborés à l’aide de l’échantillonnage. Cela est particulièrement vrai pour les rapports portant sur une longue période ou pour les rapports personnalisés comportant un grand nombre de paramètres et d’indicateurs. En téléchargeant les données brutes de Google Analytics 4 vers Google BigQuery, vous pouvez éviter ce problème.

2. Rapports basés sur les données relatives aux ventes et aux clients (commandes terminées)

Les données brutes de votre site web peuvent être fusionnées avec des données sur les dépenses publicitaires provenant de services de publicité, des données de suivi des appels, des données sur les lettres d’information par courriel et des données sur les commandes traitées provenant de votre système de gestion de la relation client (CRM), afin de mettre en place des analyses de bout en bout.

Cela vous permettra de prendre en compte tous les points de contact avec votre entreprise, d’analyser les chemins de conversion des utilisateurs, d’évaluer l’impact de tous les efforts de marketing (en ligne et hors ligne) sur les performances de l’entreprise, de trouver les canaux de marketing les plus efficaces et d’optimiser rapidement les canaux qui entraînent des pertes.

3. Des modèles d’attribution personnalisés basés sur vos règles

Une fois que vous avez collecté et fusionné toutes vos données marketing, vous pouvez créer des entonnoirs de vente complexes adaptés à la structure de votre entreprise et élaborer vos propres modèles d’attribution pour évaluer la contribution de chaque canal publicitaire aux ventes.

Par exemple, vous pouvez évaluer la contribution des canaux à l’entonnoir marketing avec OWOX Funnel-Based Attribution. Le modèle d’attribution basé sur l’entonnoir calcule la valeur de chaque canal et campagne dans l’entonnoir en fonction de sa contribution à la progression de l’utilisateur à travers les étapes de l’entonnoir. Pour effectuer ce calcul, les données agrégées ne conviennent pas – nous avons besoin de données sur chaque action de l’utilisateur, liées à l’ID de l’utilisateur.

Plus le canal fait passer l’acheteur par les étapes les plus difficiles, plus il est valorisé.

Avec le modèle d’attribution basé sur l’entonnoir, vous pouvez identifier les campagnes les plus efficaces et vous concentrer sur leur développement pour réaliser votre plan marketing. Par exemple, vous pouvez trouver des campagnes gérées que vous pouvez développer pour augmenter l’élasticité des canaux dépendants à capacité limitée (organique, contexte de marque, CPA, reciblage) et ainsi augmenter vos ventes globales.

4. Prédire les conversions grâce à un ensemble de fonctionnalités personnalisées

Google Analytics 4 fournit des mesures prédictives (probabilité d’achat, probabilité de désabonnement et prévision de chiffre d’affaires) qui sont calculées à l’aide de l’apprentissage automatique. Cependant, le modèle est une boîte noire et fonctionne uniquement sur les données de GA 4.

Supposons qu’un analyste de données soit chargé de créer un modèle permettant de prédire la probabilité d’un achat. Ce modèle devrait être aussi transparent que possible (il devrait indiquer clairement les caractéristiques sur lesquelles il a été formé) et formé sur la base de toutes les données disponibles, y compris les données personnalisées. Dans ce cas, l’interface de Google Analytics 4 n’est plus suffisante pour l’analyste, car il ne sait pas ce que contient la métrique prédite que GA calcule. Si vous avez besoin de comprendre et de gérer le modèle, par exemple en définissant vos propres caractéristiques pour l’entraîner, il est préférable de télécharger vos données dans BigQuery.

5. Regroupement de canaux individuels

Dans Google Analytics 4, un regroupement standard prédéfini des canaux est disponible (Payé, Recherche, Organique, etc.). Cela signifie que vous ne pourrez pas créer un rapport avec votre propre regroupement de canaux dans l’interface de GA 4 – du moins pas encore (cette option sera peut-être ajoutée à l’avenir).

Par exemple, vos campagnes facebook/cpc vont par défaut dans le groupe de canaux Paid, mais vous pouvez avoir besoin de les séparer dans un groupe Paid Social. Dans ce cas, le téléchargement des données vers BigQuery et le regroupement des canaux à l’aide de SQL vous aideront.

Pour être honnête, le regroupement des canaux peut être configuré de manière plus simple :

• Connectez les données Google Analytics à Data Studio à l’aide d’un connecteur intégré.
• Configurez les conditions de regroupement dans Data Studio.

Ce ne sera pas aussi fiable que le regroupement de canaux dans Google BigQuery, mais si vous avez besoin d’une solution rapide, vous pouvez utiliser cette implémentation.

6. Filtrage des statistiques

Supposons que vous souhaitiez présenter à un partenaire des statistiques basées uniquement sur une balise UTM et ne pas divulguer d’autres informations. Dans l’interface de Google Analytics 4, vous ne pouvez pas créer une vue distincte pour cela. Il n’y a qu’une seule vue de la ressource, c’est-à-dire que tous les partenaires verront toutes les données.

Google BigQuery vous permet de charger de grandes quantités de données et de les traiter rapidement à l’aide de SQL. Vous pouvez automatiser et planifier des rapports afin que votre équipe puisse se concentrer sur l’obtention d’informations plutôt que sur la préparation de rapports.

Remarque : l’importation de données dans BigQuery à partir de Google Analytics 4 est gratuite, mais il existe des limites au-delà desquelles vous devez payer.

Conclusion

La transition vers Google Analytics 4 est une étape inévitable que la plupart des entreprises franchiront d’ici le 1er juillet 2023. Il est préférable de commencer dès maintenant à collecter des données dans Google Analytics 4 en parallèle avec Universal Analytics. Grâce au suivi parallèle, vous pouvez comparer les deux versions de Google Analytics, explorer les nouvelles fonctionnalités et la nouvelle interface de GA 4, et accumuler des données historiques. Plus vous installez Google Analytics 4 tôt, plus vous collecterez de données historiques.