Spécialiste Google Analytics 4 : produire des chiffres sur lesquels on peut décider

Pourquoi GA4 déçoit autant d'entreprises

GA4 a été conçu pour un monde sans cookies tiers, autour d'un modèle événementiel et d'une part croissante de modélisation statistique. Ce changement de paradigme est cohérent, mais il a trois conséquences que peu d'équipes ont anticipées.

• La configuration par défaut ne mesure presque rien d'utile. Les événements collectés automatiquement décrivent des comportements génériques, pas votre modèle économique.
• L'échantillonnage et le seuillage des données faussent les explorations dès que les volumes montent, sans avertissement explicite.
• Les écarts avec les régies sont structurels : GA4 attribue en dernier clic non direct par défaut, Google Ads en data-driven avec une autre fenêtre. Les chiffres ne peuvent pas coïncider — encore faut-il savoir pourquoi.

Ma méthode : le plan de mesure avant l'outil

Je ne commence jamais par l'interface. Je commence par une question simple posée aux dirigeants et aux équipes : quelles décisions voulez-vous prendre avec ces données ? La réponse détermine tout le reste.

De cette conversation naît un plan de mesure : la liste des événements, leurs paramètres, leurs valeurs, les dimensions personnalisées nécessaires, les audiences à construire et les rapports à produire. Ce document est la référence contractuelle du projet — il permet à un développeur d'implémenter et à un tiers de contrôler.

Consent mode v2 et données modélisées

En Europe, la conformité n'est plus une option : sans consent mode v2 correctement déployé, les fonctionnalités de remarketing et de mesure avancée de Google se dégradent, et une partie des conversions disparaît purement et simplement de vos rapports.

Le consent mode avancé permet à Google de modéliser les conversions des utilisateurs non consentants à partir de signaux agrégés. La différence entre une implémentation correcte et une implémentation approximative se chiffre couramment entre 15 et 35 % de conversions visibles — donc de signaux disponibles pour les enchères intelligentes.

L'implémentation se fait dans Google Tag Manager, en articulation avec votre CMP. C'est un chantier technique, pas un paramétrage.

Aller au-delà de l'interface : BigQuery et Looker Studio

L'export BigQuery natif de GA4 est gratuit dans sa version standard et change la nature de ce que vous pouvez faire. Il donne accès à la donnée événementielle brute, sans échantillonnage ni seuillage, et permet de croiser le comportement web avec vos données internes : marge produit, statut client, valeur vie, taux de retour.

C'est à ce niveau que l'analytics devient réellement décisionnel : calculer la rentabilité d'un canal en marge nette après retours, mesurer la part du chiffre d'affaires réellement incrémentale, ou alimenter Google Ads en valeurs de conversion ajustées.

Côté restitution, je construis des tableaux de bord Looker Studio orientés décision : peu de graphiques, des seuils explicites, une lecture possible en trois minutes. Un tableau de bord que personne n'ouvre est un échec, quelle que soit sa beauté.

Attribution : arrêter de chercher la vérité unique

Aucun modèle d'attribution ne dit la vérité. Le dernier clic surévalue le bas de funnel, le data-driven de Google surévalue les canaux Google, les modèles multi-touch dépendent de la qualité de la collecte cross-device.

L'approche que je recommande combine trois lectures : l'attribution plateforme pour piloter au quotidien, une vue média mix simplifiée pour arbitrer les budgets globaux, et des tests d'incrémentalité pour trancher les questions structurantes. Cette triangulation coûte plus de temps qu'un chiffre unique, mais elle évite les erreurs d'allocation à six chiffres.