Consultant GA4 + BigQuery : export, premières vues SQL, dashboards

L’export gratuit GA4 vers BigQuery est offert par Google jusqu’à 1 million d’événements par jour, ce qui couvre la majorité des sites jusqu’à 10 millions de pageviews mensuels. L’activation prend cinq minutes dans l’interface GA4. L’exploitation prend, elle, quelques jours de travail consultant pour produire des vues SQL utilisables, des dashboards Looker Studio fiables, et la documentation pour que votre équipe data puisse continuer à exploiter. Mon forfait GA4 + BigQuery couvre l’activation, la modélisation des 3-5 vues SQL principales, la construction de 3 dashboards Looker Studio et la formation de transfert pour 8 500 € HT (environ 14 jours), livré sous 6 semaines.

Quand activer BigQuery sur votre GA4

Vous en avez besoin si au moins une de ces situations s’applique.

La cardinalité de GA4 vous limite. Vos dimensions custom (catégorie produit, segment client, identifiant campagne complexe) tombent en (other) au-delà de 500 valeurs uniques. Dans BigQuery, vous récupérez la valeur exacte pour chaque event.

Vous voulez croiser GA4 avec votre CRM ou ERP. BigQuery permet de joindre la table events_* GA4 avec vos tables CRM (HubSpot, Salesforce export) ou ERP (commandes, marges, stocks). Vous accédez au pilotage CA + marge par canal, vue impossible nativement dans GA4. Voir lead generation pour le détail B2B.

Vous construisez des dashboards Looker Studio ou Power BI avancés. L’API GA4 a des limites de cardinalité, de fenêtre temporelle (sampling au-delà de 14 mois), de combinaisons de dimensions. BigQuery contourne tout cela.

Vous voulez votre propre modèle d’attribution. GA4 natif propose data-driven, last-click, first-click et linéaire. Si vous voulez du Markov, du Shapley, ou un modèle hybride custom, c’est en BigQuery.

Vous voulez aller en temps réel. L’export BigQuery a deux modes : daily (lendemain) et streaming (intra-day avec quelques minutes de latence). Le streaming est payant au-delà du free tier mais transforme la donnée GA4 en source temps réel exploitable.

L’activation, étape par étape

Étape 1 — Activation de l’export dans GA4

GA4 Admin → Property → Product Links → BigQuery Links → Link. Sélection du projet GCP cible, de la région (UE-west par défaut en France, à valider avec votre DPO), du dataset, et du mode (daily uniquement, ou daily + streaming).

À noter : la première table apparaît le lendemain (export daily) ou dans l’heure (streaming). Vous n’aurez aucun historique antérieur à l’activation — c’est pour ça qu’il faut activer dès le début d’un nouveau setup.

Étape 2 — Découverte du schéma events_*

BigQuery crée une table par jour : events_20260518, events_20260519, etc. Chaque ligne est un event. Les colonnes principales : event_name, event_date, event_timestamp, user_pseudo_id, event_params (RECORD imbriqué), user_properties, geo, device, traffic_source.

Le schéma est documenté par Google mais demande quelques heures de prise en main pour les premières requêtes.

Étape 3 — Premières vues SQL utiles

Sur la quasi-totalité des missions, je construis trois vues qui couvrent 80 % des besoins :

sessions_clean : dédoublonne les session_start, calcule la durée de session, le bounce, et expose le premier et dernier event de la session. Base de tous les rapports de comportement.

conversions_with_attribution : extrait les events de conversion (purchase, generate_lead, etc.), joint avec la source de la session (first-click ET last-click), et calcule la valeur attribuée selon plusieurs modèles. Base des rapports de performance acquisition.

users_with_segments : agrège les events par utilisateur sur 30/60/90 jours, calcule les indicateurs comportementaux (visites multiples, pages produit vues, panier abandonné), et permet la construction d’audiences exportables vers Google Ads ou Meta.

Étape 4 — Dashboards Looker Studio

Construction de 3 dashboards types alimentés par BigQuery :

• Dashboard acquisition : sources, campagnes, ROAS par canal, CPA, attribution
• Dashboard tunnel : taux de conversion par étape, drop-offs, segments performants vs faibles
• Dashboard rétention : cohortes, taux de retour, LTV par segment

Étape 5 — Transfert et documentation

Notion partagé avec : la documentation des vues SQL (description, business question, requête, dépendances), la procédure pour ajouter une nouvelle dimension custom, les coûts BigQuery estimés mensuellement, l’accès au projet GCP. Session de formation 2 heures avec votre data analyst interne (ou avec moi en TMA si vous n’avez pas la ressource).

Combien coûte BigQuery en pratique

L’export GA4 est gratuit dans le free tier Google (jusqu’à 1 M events/jour). Les coûts qui apparaissent ensuite :

• Stockage : ~0,02 €/GB/mois après le free tier (10 GB gratuits). Pour un site qui collecte 5 M events/mois, le coût stockage annuel est négligeable (sous 100 €/an).
• Requêtes : ~6 €/TB scanné. Une bonne hygiène SQL (partitionnement par date, filtres précoces) maintient les coûts requêtes sous 50 €/mois pour la plupart des sites.
• Streaming export : ~0,05 €/GB streamé. Devient significatif au-delà de 50 M events/mois.

En pratique, sur les missions que je fais, les sites entre 200 K et 5 M sessions/mois payent BigQuery entre 30 € et 200 €/mois. Au-dessus, on optimise.

Cas concrets

Plateforme média 30 M de pageviews/mois. Activation BigQuery + 3 vues SQL principales + dashboard Looker Studio croisé éditorial / acquisition. Effort 14 jours sur 5 semaines. Coût mensuel BigQuery stabilisé à ~180 €/mois. Bénéfice : analyses de longue traîne sur 200 K articles enfin possibles, audiences ad serveur basées sur le comportement éditorial réel.

E-commerce Shopify ~10 M€ de CA. Activation BigQuery + croisement avec exports Shopify pour suivre marge produit + dashboard ROAS net (et pas brut). Effort 8 jours sur 4 semaines. Coût BigQuery ~60 €/mois. Bénéfice : décisions budgétaires marketing alignées sur la marge plutôt que sur le CA brut, réallocation budget de 30 % vers les vraies catégories rentables.

Foire aux questions

Combien de temps avant d’avoir un dashboard fonctionnel ?

L’export commence à remonter dès le lendemain de l’activation. Les premières vues SQL utilisables sont en place après 3-5 jours de travail. Un dashboard Looker Studio production-ready demande 8-14 jours selon la complexité. Pour un dashboard très avancé (multi-source, attribution custom), comptez 3-4 semaines.

Faut-il un data engineer en interne ?

Pour la mission de setup non — je gère seul. Pour la maintenance ensuite, idéalement oui — un data analyst qui maîtrise SQL suffit. Si vous n’en avez pas, je peux continuer en TMA mensuelle pour faire évoluer les vues et les dashboards selon vos besoins.

Et si on a un volume au-delà du free tier ?

Au-delà de 1 M events/jour, l’export devient payant proportionnellement. Pour les sites de cette taille (typiquement 30 M pageviews/mois et plus), le coût mensuel BigQuery peut monter à 500-2000 €/mois, ce qui reste largement inférieur à la valeur de la donnée exploitable. À ce volume, je recommande aussi un travail spécifique d’optimisation des requêtes pour éviter les surcoûts.

Pouvez-vous exporter vers d’autres data warehouses (Snowflake, Redshift) ?

Pas directement — Google n’offre que l’export BigQuery. Mais une fois la donnée dans BigQuery, on peut la répliquer vers Snowflake, Redshift, Databricks via Fivetran, Airbyte, ou un job Cloud Function. Je peux cadrer ce setup mais ce n’est pas mon cœur de métier (je vous oriente vers un data engineer freelance partenaire au besoin).

Quel est le ROI typique d’un setup BigQuery ?

Sur les sites à fort trafic, le ROI vient de deux sources : (a) les insights produits (audiences fines, rétention par segment, attribution custom) qui orientent les décisions produit et marketing, et (b) la baisse du coût de reporting (un dashboard BigQuery + Looker Studio remplace souvent 2-3 jours par mois passés à reconstruire des rapports manuellement). En général, ROI atteint en 3-6 mois.