Google Analytics (GA4) étant largement l’outil de web analytique le plus utilisé dans l’industrie, cet article s’appuiera principalement sur cette technologie. Cependant, les idées discutées restent valables, quel que soit l’outil de web analytique utilisé par votre entreprise (Adobe Analytics, Matomo, Amplitude, etc.).
Principaux outils de web analytique utilisés (en %) sur le million de sites les plus visités en 2023
(Ici, il faut lire que Google Analytics (GA4) est présent sur 29,8 % des sites parmi le million des sites les plus visités en 2023.)
Au Québec, les récents changements législatifs et technologiques ont provoqué un bouleversement majeur dans le marketing numérique. Avec l’incertitude entourant l’apocalypse des cookies et l’entrée en vigueur de la Loi 25, les entreprises devront désormais composer avec non seulement une perte de données, mais aussi une dégradation de leur qualité.
Pensons, par exemple, aux dépenses publicitaires : les entreprises devront en moyenne investir davantage pour atteindre les mêmes résultats qu’auparavant. De plus, il deviendra plus difficile d’attribuer des bénéfices aux dépenses correspondantes, complexifiant l’évaluation des initiatives publicitaires. À cela s’ajoute qu’avec une quantité de données réduite, il devient plus difficile de comprendre le comportement des utilisateurs, ce qui limite les capacités à s’ajuster et à personnaliser l’expérience client.
Dans ce contexte, il devient crucial d’adapter vos pratiques pour réussir à faire plus (ou du moins, autant) avec moins.
Une solution qui s’offre à vous est l’utilisation d’un entrepôt de données marketing. En effet, une technologie comme Google BigQuery permettrait, entre autres, de centraliser vos données marketing et d’exploiter les données brutes de Google Analytics.
Centraliser vos données marketing
Voici à quoi pourrait ressembler l’architecture de votre écosystème marketing analytique :
Architecture d’un écosystème marketing analytique typique
Des données provenant de multiples sources (Google Analytics, Google Ads, TikTok Ads, CRM, etc.) sont centralisées dans un entrepôt de données, ici Google BigQuery, mais d’autres options existent, telles que Snowflake, Azure Synapse Analytics ou Amazon Redshift. Ce faisant, cette centralisation permet de croiser vos données analytiques, vos données publicitaires et vos données internes. Ainsi, vos données publicitaires importantes comme le Coût par Acquisition (CPA), le Return on Ad Spend (ROAS) et le Taux de Clics (CTR) pourront être croisées avec vos données analytiques comme le taux de conversion (taux d’événements clés maintenant), le temps moyen passé sur le site et le comportement des utilisateurs, permettant ainsi d’obtenir une vue holistique de vos performances publicitaires. De plus, en centralisant toutes vos données publicitaires, vous gagnez du temps précieux, car il ne sera plus nécessaire de consulter chacune de vos plateformes publicitaires séparément (comme Google Ads, TikTok Ads, Meta Ads, etc.). Toutes vos données seront désormais accessibles depuis un seul et même endroit.
Enfin, ce nouvel écosystème crée de nouvelles opportunités pour générer de la valeur, telles que le reverse ETL pour une activation plus rapide et précise de vos campagnes publicitaires, ou la création d’un tableau de bord unifié via un outil de visualisation de données, ici Looker Studio, mais d’autres options existent, comme Power BI ou Tableau.
Exploiter les données brutes de Google Analytics
Tout d’abord, il est important de noter que les données présentes directement dans l’interface de Google Analytics sont toutes préalablement traitées, ce qui les rend facilement utilisables par les utilisateurs finaux (analystes de données, marketeurs, gestionnaires de produit, etc.). En effet, ces données sont agrégées afin de fournir des rapports et des visualisations à un niveau global, plutôt que conservées à un niveau granulaire (événements ou interactions individuelles). Bien que ces données agrégées soient très utiles pour identifier des tendances et effectuer des comparaisons, elles le sont beaucoup moins lorsqu’il s’agit de créer des cas d’utilisation complexes en matière de connaissance client, qui nécéssitent par exemple le suivi de plusieurs actions consécutives d’un même utilisateur.
Heureusement, Google BigQuery offre la possibilité de récupérer les données brutes de Google Analytics grâce à son connecteur natif. Ces données brutes sont particulièrement utiles pour le débogage, pour mieux comprendre les utilisateurs et pour contourner certaines limites de l’interface, telles que l’échantillonnage de données, les seuils de données ou encore, les algorithmes d’estimation comme le HyperLogLog++ (HLL++). De plus, grâce à la disponibilité des données brutes, l’entrepôt de données devient un environnement de travail idéal pour les analystes de données, les ingénieurs de données et les scientifiques de données. Ces derniers peuvent y appliquer leurs compétences et leur expertise en analyse de données, en ingénierie de données et en science de données pour générer davantage de valeur. Par exemple, en mettant en place des méthodes statistiques permettant de mesurer les performances publicitaires comme le Marketing Mix Modeling (MMM) ou le Regression-Based Attribution (RBA).
Si le web analytique était autrefois l’affaire des marketeurs et des marketeurs techniques, les récents changements législatifs et technologiques comme l’incertitude entourant l’apocalypse des cookies et l’entrée en vigueur de la Loi 25 ont changé la donne. Désormais, la simple maîtrise d’outils de base, comme un Tag Management System (TMS) tel que Google Tag Manager et un outil de web analytique tel que Google Analytics, ne suffit plus pour se démarquer et exploiter pleinement vos données.
En effet, en raison des nombreuses limites discutées, l’analyse devra de moins en moins se faire dans l’interface de Google Analytics, qui sera plutôt utilisé comme un simple outil de collecte de données, et de plus en plus dans un entrepôt de données ou via un tableau de bord personnalisé. Il devient ainsi essentiel pour les marketeurs et les marketeurs techniques de s’adapter en ajoutant de nouvelles cordes à leur arc, telles que l’ingénierie de données, la science des données, l’inférence statistique et le langage SQL, entre autres.
Bibliographie
Adviso (2023) Pourquoi et comment ajouter des données Google Analytics (GA4) dans un entrepôt de données, Blog, consulté le 08 novembre 2024 de : https://www.adviso.ca/blog/conseils/pourquoi-et-comment-ajouter-donnees-google-analytics-ga4-dans-un-entrepot-de-donees
Adviso (2023) Comment améliorer sa performance d’affaires en combinant l’intelligence d’affaires et l’intelligence marketing dans votre entrepôt de données, Blog, consulté le 07 novembre 2024 de : https://www.adviso.ca/blog/tech/performance-affaires-entrepot-donnees/
Advanced Martech (n.d.) Marketing Attribution Techniques: MMM, MTA, and Algorithmic Attribution, consulté le 08 novembre 2024 de : https://www.advancedmartech.com/understanding-marketing-attribution-mmm-mta-and-rba/
Cloud Google (n.d.) BigQuery, consulté le 07 novembre 2024 de : https://cloud.google.com/bigquery?hl=fr
Cloud Google (n.d.) Looker Studio, consulté le 06 novembre 2024 de : https://cloud.google.com/looker-studio?hl=fr
Educaloi (n.d.) La protection de vos renseignements personnels, consulté le 08 novembre 2024 de : https://educaloi.qc.ca/capsules/la-protection-de-vos-renseignements-personnels
Framen (n.d.) The Cookie Apocalypse: What is it, what are the impacts, who does it affect, how can you survive it, Blog, consulté le 08 novembre 2024 de : https://www.framen.com/blog-eng/the-cookie-apocalypse
Gartner (n.d.) Marketing Mix Modeling: Prove That Marketing Delivers Value, consulté le 09 novembre 2024 de : https://www.gartner.com/en/marketing/topics/marketing-mix-modeling
Google (n.d.) NotebookLM, utilisé le 09 novembre 2024 de : https://notebooklm.google. Utilisé pour générer le podcast SoundCloud
Google Analytics (n.d.) [GA4] À propos des événements clés, consulté le 09 novembre 2024 de : https://support.google.com/analytics/answer/9267568?hl=fr
Google Analytics (n.d.) [GA4] À propos des seuils de données, consulté le 09 novembre 2024 de : https://support.google.com/analytics/answer/9383630?hl=fr
Google Analytics (n.d.) [GA4] À propos de l’échantillonnage de données, consulté le 08 novembre 2024 de : https://support.google.com/analytics/answer/13331292?hl=fr
Google Analytics (n.d.) [GA4] BigQuery Export, consulté le 08 novembre 2024 de : https://support.google.com/analytics/answer/9358801?hl=fr
Google Analytics (n.d.) [GA4] Comparer les rapports Analytics aux données exportées dans BigQuery, consulté le 07 novembre 2024 de : https://support.google.com/analytics/answer/13578783?hl=fr
GrowthLoop (2023) Reverse ETL, consulté le 08 novembre 2024 de : https://www.growthloop.com/university/article/reverse-etl
Quantable (n.d.) Google Analytics Alternatives, a Comprehensive Guide, consulté le 09 novembre 2024 de : https://www.quantable.com/analytics/google-analytics-alternatives/
X (2023) Adam Z (@the_adam_z) Twitter Post, consulté le 07 novembre 2024 de : https://x.com/the_adam_z/status/1833140344587755784