en
en
4 min.
Pourquoi exporter vos données Google Analytics 4 vers BigQuery
1L’art de la gestion de projet2Un projet à succès commence par une bonne gouvernance3Cascade, agilité, demandes de changement?

Pourquoi exporter vos données Google Analytics 4 vers BigQuery

  • Niveau Technique
Analytics et mesure Science données & IA Marketing

La nouvelle version de Google Analytics, communément appelée GA4, offre la possibilité d’exporter les données brutes de la plateforme vers Google Cloud BigQuery. Il s’agit d’une décision importante par Google, étant donné qu’auparavant, seuls les clients de la version payante de Google Analytics 360 avaient accès à cette fonctionnalité. Voici pourquoi les marketeurs devront considérer cette option attentivement en 2021.

Comment économiser 150 000 $ US en frais de licence Google Analytics 360

Outre le fait qu’elle vous préparera adéquatement aux grands changements à venir dans l’univers du marketing numérique, l’autre avantage majeur de l’implémentation de GA4, c’est qu’elle offre la possibilité d’exporter – GRATUITEMENT – ses données brutes de Google Analytics vers l’entrepôt BigQuery, dans Google Cloud. La mine d’or que représente l’accès aux données brutes en analytique web est d’ailleurs l’une des raisons principales ayant motivé plusieurs grandes entreprises à se procurer une licence GA 360.

Tel que mentionné dans notre article précédent portant sur GA4, il s’agit d’une économie énorme qui donne maintenant un accès privilégié au cloud à des entreprises de toutes tailles.

Le calcul est simple :

Pourquoi faire le saut de Google Analytics vers BigQuery?

Pour plusieurs marketeurs numériques, l’idée d’envoyer ses données d’analytique web dans le cloud peut sembler un peu dantesque. D’ailleurs, pour de nombreuses entreprises, l’interface des rapports GA est un acquis de base et s’inscrit dans leur zone de confort. Malgré ses défauts, Google Analytics est depuis plusieurs années l’outil le plus communément utilisé pour analyser la performance des campagnes publicitaires en ligne ou des envois de promotions par courriel, ainsi que pour suivre et évaluer les résultats des visites organiques, le comportement d’achat en ligne, etc.

Vous vous demandez donc sûrement pourquoi vous devriez changer d’instrument de mesure analytique alors que vous avez déjà toutes les données nécessaires dans l’interface GA? » Eh bien, tout simplement – au risque de vous décevoir – parce que votre perception de la situation est erronée.

En effet, la donnée dans l’interface n’est en réalité qu’une infime portion du plein potentiel d’analyse de la performance marketing à votre disposition. Par conséquent, la majorité des utilisateurs de Google Analytics n’ont, pour ainsi dire, observé et exploré que la pointe en surface d’un immense iceberg, dont la majeure partie est immergée.

5 bénéfices d’exporter la donnée brute vers BigQuery

Maintenant, vous pourriez vous interroger à savoir ce que vous pourriez bien faire de toutes ces données supplémentaires?

En résumé, voici cinq raisons pour lesquelles votre entreprise devrait commencer à exporter ses données GA4 brutes vers l’entrepôt BigQuery :

  1. Unifiez vos données Google Analytics avec vos données publicitaires (au-delà de Google Ads), ainsi que vos données hors ligne et de CRM vous permettra d’analyser et de comprendre au niveau granulaire les véritables parcours et cycle de vie de vos clients et utilisateurs;
  2. Soyez propriétaire de vos données numériques brutes et facilitez l’acquisition de nouveaux clients en bénéficiant d’un plus grand contrôle sur l’analyse et la création de segments de remarketing ou de personnalisation en first party data (pour ensuite les renvoyer vers des plateformes publicitaires tierces ou vers une CDP – Customer Data Platform);
  3. Développez la capacité d’obtenir des données en temps réel en utilisant d’autres outils cloud comme Pub/Sub, afin de mieux orchestrer des offensives marketing à des moments clés de l’année (le Black Friday, par exemple) durant lesquels chaque minute compte;
  4. Effectuez des analyses plus profondes du contenu et de la taille du panier d’achat moyen de vos clients pour optimiser vos campagnes de ventes incitatives (upsell) et de ventes croisées (cross-sell) et ainsi maximiser la valeur de chaque client;
  5. Préparez vos données pour l’analytique prédictive pour mieux prévoir la demande des consommateurs ou encore pour augmenter votre taux de rétention des clients en captant plus efficacement et plus rapidement les signaux d’attrition.

Au final, toutes ces activités dans BigQuery remplissent trois grands objectifs d’affaires pour votre équipe marketing:

  1. Une acquisition de nouveaux clients plus efficiente (meilleur CAC ou CPA)
  2. Une augmentation du panier moyen plus efficace (meilleur LTV)
  3. Une attrition de vos clients mieux contrôlée (meilleure rétention)

Et le tout… plus rapidement!

Présentement, votre compte Google Analytics standard n’est pas équipé pour remplir adéquatement ces objectifs ou, du moins, pas pour l’ensemble de vos initiatives marketing. Toutefois, avec l’accès à une donnée plus profonde, il est normal que vous puissiez aller plus loin.

BigQuery est une voie express vers l’analytique augmentée et l’intelligence artificielle

Un autre grand bénéfice d’effectuer la transition vers GA4 dès maintenant (tout en préservant en parallèle votre compte Google Analytics actuel), c’est qu’en exportant vos données dans l’environnement Google Cloud, vous facilitez votre passage vers le monde émergent de l’analytique augmentée et de l’intelligence artificielle appliquée au marketing et au commerce électronique.

Même si vous n’avez pas accès à un scientifique de données dans votre équipe ou dans celle de votre agence, BigQuery offre des modèles d’apprentissage automatique relativement faciles à bâtir à partir de vos données Google Analytics importées dans le Cloud. Ces modèles sont disponibles en langage SQL (Structured Query Language), ce qui les rend beaucoup plus accessibles à un analyste de données moins familiers avec des modèles conçus dans des langages de programmation comme R ou Python.

Naturellement, pour ceux qui peuvent compter sur l’expertise de scientifiques de données, il est aussi possible d’aller encore plus loin et de réellement pousser vos données marketing au prochain niveau avec des librairies comme Tensorflow ou PyTorch.

Faciliter l’accès à vos données accélère vos prises de décisions

On dit souvent que le temps, c’est de l’argent. Dans un monde de plus en plus numérisé, ce dicton prend tout son sens.

Attendre des semaines ou des mois avant d’agir sur une situation d’affaires ou marketing ponctuelle peut coûter des millions de dollars à votre entreprise, surtout dans un contexte économique volatile.

Comment répondre à une pandémie, à une nouvelle tendance de l’industrie ou encore à une offre agressive d’un nouveau compétiteur perturbateur dans le marché? Compter sur la bonne donnée au bon moment n’est plus un luxe de grandes corporations. C’est désormais une question de survie pour les entreprises de toutes tailles.

Parmi celles qui exploitent déjà un entrepôt de données traditionnel, mais qui doivent constamment lutter avec les TI pour sortir la moindre analyse intéressante, un autre bénéfice de BigQuery est qu’il peut grandement accélérer et simplifier ce processus souvent laborieux. Imaginez accéder en quelques minutes à un rapport qui prend normalement des jours ou des semaines à extraire d’une base ou d’un entrepôt de données traditionnel.

De plus, si vous devez croiser des données sensibles provenant de votre entrepôt de données traditionnel avec la donnée marketing dans BigQuery, Google Cloud a un service appelé DLP (Data Loss Prevention). Ce service vous permettra d’importer des données sensibles dans BigQuery tout en les rendant anonymes : une fonction fort populaire auprès de l’équipe de sécurité TI 🤓.

En quelque sorte, un entrepôt de données cloud apporte à vos données marketing ce que le gestionnaire de balises (tag manager) a pu apporter à l’intégration de vos pixels de conversion Google Ads, Facebook Ads et programmatique : il permet de réduire le nombre d’interventions nécessaires et de passer à l’action plus rapidement.

Ceci dit, l’idée n’est pas de remplacer votre entrepôt de données traditionnel actuel si vous en avez un, mais plutôt de créer une instance séparée et complémentaire qui sera plus agile et mieux adaptée aux besoins du marketing. Si toutefois votre entreprise ne comptait pas déjà sur un entrepôt de données, c’est l’occasion idéale d’en créer un premier et de le faire de la bonne façon 😉.

Il est temps pour les marketeurs québécois et canadiens de passer au prochain niveau en analytique

Selon une étude de la BDC, à peine 19% des entreprises canadiennes sont considérées matures en matière de transformation numérique et d’exploitation des données. C’est très faible comme pourcentage, et même inquiétant.

Dans une ère de grande incertitude, la donnée est notre meilleure boussole. On ne peut plus concentrer l’ensemble des investissements marketing uniquement dans l’activation de campagnes en 2021. Il faut trouver l’équilibre et investir une plus grande proportion des budgets marketing dans l’exploitation des données elles-mêmes, surtout dans vos nombreuses plateformes d’activation (publicité, CRO, personnalisation, courriel, etc.). Il est impératif de comprendre que le temps passé dans les apprentissages ou la production d’insights provenant de vos campagnes d’activation est aussi important, sinon plus, que l’activation marketing elle-même.

En effet, négliger l’exploitation de vos données d’activation revient à négliger votre stratégie marketing. Les deux sont interdépendantes et indissociables.

De plus, rappelons-nous que l’avènement de l’apocalypse des cookies en 2022 rend plus urgente encore la nécessité de gérer adéquatement ses données marketing. Par extension, s’équiper d’une donnée plus riche à partir de vos plateformes marketing, dont Google Analytics, serait un ajout judicieux à votre feuille de route analytique pour 2021. De plus, si vous avez implémenté une instance fonctionnelle de GA4, il vous en coûtera 150 000$ US de moins pour y parvenir grâce à BigQuery.

*

Pour ceux qui souhaiteraient explorer plus en profondeur la question des entrepôts et des lacs de données marketing, j’ai publié dans le Journal of Applied Marketing Analytics, qui est une publication académique et professionnelle londonienne arbitrée par des experts mondiaux, un modèle d’architecture de lac ou d’entrepôt de données adapté au marketing. Vous pouvez télécharger une copie de courtoisie de l’article à partir du lien suivant : Article AMA.
Pour toute autre question à propos de la façon dont vous pouvez intégrer GA4 et BigQuery dans votre feuille de route analytique 2021, n’hésitez pas à communiquer avec notre équipe d’experts en analytique et science des données.

Participez à la discussion