BigQuery + GA4 : 5 cas d'usage concrets pour les marketeurs

Au-delà de la connexion : exploiter réellement BigQuery

Connecter GA4 à BigQuery est une première étape. Mais sans cas d’usage concrets, l’export reste une base de données inexploitée qui coûte du stockage. Voici cinq analyses que l’interface GA4 ne peut pas fournir et qui justifient à elles seules l’investissement dans une infrastructure BigQuery + automatisation.

1. Analyse de funnel sans échantillonnage

L’exploration funnel de GA4 est soumise à l’échantillonnage au-delà de 10 millions d’événements. Dans BigQuery, vous interrogez 100 % des données.

SELECT
  COUNT(DISTINCT CASE WHEN event_name = 'page_view' THEN user_pseudo_id END) AS etape_1_visite,
  COUNT(DISTINCT CASE WHEN event_name = 'add_to_cart' THEN user_pseudo_id END) AS etape_2_panier,
  COUNT(DISTINCT CASE WHEN event_name = 'purchase' THEN user_pseudo_id END) AS etape_3_achat
FROM `projet.analytics_XXXXXX.events_*`
WHERE _TABLE_SUFFIX BETWEEN '20260201' AND '20260228'

Vous obtenez des taux de conversion exacts, segmentables à volonté par source, device ou campagne.

2. Analyse de parcours utilisateur

GA4 limite les explorations de chemins à quelques niveaux de profondeur. BigQuery permet de reconstituer le parcours complet de chaque utilisateur.

SELECT
  user_pseudo_id,
  STRING_AGG(event_name, ' > ' ORDER BY event_timestamp) AS parcours
FROM `projet.analytics_XXXXXX.events_*`
WHERE _TABLE_SUFFIX = '20260301'
GROUP BY user_pseudo_id
HAVING COUNT(*) BETWEEN 3 AND 20
LIMIT 1000

En agrégeant les parcours, vous identifiez les séquences qui mènent le plus souvent à la conversion et celles qui précèdent l’abandon.

3. Modèle d’attribution custom

Les modèles d’attribution de GA4 se limitent au dernier clic (cross-canal) et au data-driven. Avec BigQuery, vous construisez le modèle adapté à votre business.

WITH touchpoints AS (
  SELECT
    user_pseudo_id,
    traffic_source.source,
    traffic_source.medium,
    event_timestamp,
    COUNTIF(event_name = 'purchase') OVER (PARTITION BY user_pseudo_id) AS has_purchase
  FROM `projet.analytics_XXXXXX.events_*`
  WHERE _TABLE_SUFFIX BETWEEN '20260201' AND '20260228'
    AND event_name IN ('session_start', 'purchase')
)
SELECT source, medium, COUNT(DISTINCT user_pseudo_id) AS conversions_assistees
FROM touchpoints
WHERE has_purchase > 0
GROUP BY source, medium
ORDER BY conversions_assistees DESC

Ce type de requête révèle la valeur réelle des canaux d’assistance que le dernier clic ignore systématiquement.

4. Analyse de rétention par cohorte

GA4 propose un rapport de rétention basique. BigQuery permet une granularité semaine par semaine avec segmentation libre.

WITH first_visit AS (
  SELECT user_pseudo_id, MIN(DATE(TIMESTAMP_MICROS(event_timestamp))) AS date_acquisition
  FROM `projet.analytics_XXXXXX.events_*`
  WHERE _TABLE_SUFFIX BETWEEN '20260101' AND '20260228'
  GROUP BY user_pseudo_id
)
SELECT
  fv.date_acquisition,
  DATE_DIFF(DATE(TIMESTAMP_MICROS(e.event_timestamp)), fv.date_acquisition, WEEK) AS semaine,
  COUNT(DISTINCT e.user_pseudo_id) AS utilisateurs_actifs
FROM `projet.analytics_XXXXXX.events_*` e
JOIN first_visit fv ON e.user_pseudo_id = fv.user_pseudo_id
GROUP BY date_acquisition, semaine
ORDER BY date_acquisition, semaine

5. Détection d’anomalies par SQL

Plutôt que de vérifier manuellement vos dashboards chaque matin, automatisez la détection des écarts significatifs.

SELECT
  event_date,
  COUNT(*) AS events_jour,
  AVG(COUNT(*)) OVER (ORDER BY event_date ROWS BETWEEN 7 PRECEDING AND 1 PRECEDING) AS moyenne_7j,
  SAFE_DIVIDE(COUNT(*) - AVG(COUNT(*)) OVER (ORDER BY event_date ROWS BETWEEN 7 PRECEDING AND 1 PRECEDING),
    AVG(COUNT(*)) OVER (ORDER BY event_date ROWS BETWEEN 7 PRECEDING AND 1 PRECEDING)) AS ecart_pct
FROM `projet.analytics_XXXXXX.events_*`
WHERE _TABLE_SUFFIX BETWEEN '20260220' AND '20260301'
GROUP BY event_date
HAVING ABS(ecart_pct) > 0.3

Un écart supérieur à 30 % par rapport à la moyenne glissante sur 7 jours signale un problème de tracking, un pic de campagne ou une anomalie technique à investiguer. Couplé à une alerte automatique, ce type de requête remplace avantageusement la surveillance manuelle.