GA4 + BigQuery + Looker Studio : le trio gagnant pour piloter son marketing en 2026

La plupart des PME françaises pilotent leur marketing au doigt mouillé. Elles regardent les chiffres GA4 pendant 5 minutes le lundi matin, tirent des conclusions sans données fiables, et recommencent la semaine suivante. Le problème n'est pas le manque de données — c'est l'absence d'infrastructure pour les exploiter.

GA4, BigQuery et Looker Studio forment une stack analytics qui résout ce problème. Elle est gratuite, scalable, et utilisée par des équipes data de 50 personnes comme par des indépendants. En 2026, ne pas l'avoir en place, c'est se priver d'un avantage concurrentiel réel. Voici comment la construire.

// 01Pourquoi ce trio forme la stack analytics idéale

Chaque outil a un rôle précis dans la chaîne de valeur data. Il n'y a pas de redondance, pas de doublon inutile. La logique est simple : collecter → stocker → visualiser.

• GA4 collecte les interactions utilisateurs sur votre site ou app. Chaque clic, scroll, achat, formulaire soumis devient un événement structuré.
• BigQuery stocke ces données brutes de façon permanente, sans limitation à 90 jours, sans échantillonnage. Vous pouvez interroger des millions de lignes en quelques secondes via SQL.
• Looker Studio transforme ces données en dashboards visuels partageables, mis à jour automatiquement, accessibles depuis un lien.

Ce qui rend ce trio particulièrement intéressant en 2026 : les trois outils sont gratuits ou quasi-gratuits pour la grande majorité des PME. GA4 est gratuit. BigQuery offre un sandbox gratuit (10 Go de stockage, 1 To de requêtes/mois). Looker Studio est entièrement gratuit.

Avant GA4, l'export vers BigQuery était réservé à GA360 — l'offre enterprise à 150 000€/an. Google a démocratisé cette fonctionnalité en 2022. En 2026, ne pas en profiter serait une erreur stratégique.

Autre avantage majeur : l'écosystème Google. Ces trois outils parlent nativement entre eux. Pas de connecteur tiers payant, pas d'API à maintenir. La connexion GA4 → BigQuery se fait en 15 minutes depuis l'interface GA4. La connexion BigQuery → Looker Studio se fait en 5 minutes via le connecteur natif.

// 02GA4 : le tracker — ce qu'il fait mieux qu'Universal Analytics

Google Analytics 4 a remplacé Universal Analytics (UA) en juillet 2023. La migration a été douloureuse pour beaucoup. Mais GA4 apporte des capacités réelles que UA n'avait pas.

Le modèle événementiel

UA fonctionnait sur un modèle session/pageview. GA4 fonctionne sur un modèle événement/paramètre. Concrètement : tout est un événement. Une page vue est un événement page_view. Un achat est un événement purchase. Un scroll à 90% est un événement scroll. Chaque événement peut avoir jusqu'à 25 paramètres personnalisés.

Ce modèle est plus flexible et plus riche. Il permet de capturer des comportements qu'UA ne pouvait pas suivre sans implémentation custom complexe.

Les événements collectés automatiquement

GA4 collecte automatiquement une série d'événements sans configuration supplémentaire :

• page_view — chaque affichage de page
• session_start — début de session
• first_visit — premier passage sur le site
• scroll — scroll à 90% de la page
• click — clics sur liens externes (si activé)
• file_download — téléchargements de fichiers
• video_start, video_progress, video_complete — pour les vidéos YouTube intégrées

Les conversions et audiences

Dans GA4, n'importe quel événement peut être marqué comme conversion en un clic. Plus besoin de définir des "objectifs" comme dans UA. Cette flexibilité permet de suivre des micro-conversions (téléchargement d'un PDF, clic sur un numéro de téléphone) et des macro-conversions (achat, inscription) avec la même facilité.

Les audiences dans GA4 sont également plus puissantes. Vous pouvez créer des segments basés sur des séquences d'événements : "utilisateurs qui ont vu la page produit X, puis ajouté au panier, mais n'ont pas acheté". Ces audiences peuvent être exportées directement vers Google Ads pour du remarketing précis.

// 03BigQuery : l'entrepôt de données

BigQuery est le data warehouse serverless de Google Cloud. Serverless signifie qu'il n'y a aucune infrastructure à gérer. Vous créez un projet, vous chargez des données, vous lancez des requêtes SQL. Google gère le reste.

Pourquoi BigQuery plutôt que rester dans GA4

GA4 présente deux limitations majeures pour une analyse sérieuse :

• Historique limité à 14 mois dans l'interface standard (avec dégradation à 2 mois pour les données utilisateur)
• Échantillonnage des données au-delà d'un certain volume de requêtes dans l'interface — les chiffres affichés ne sont plus exacts, mais des estimations

BigQuery résout ces deux problèmes. Les données sont stockées indéfiniment (vous choisissez la durée). Chaque ligne de données est réelle, non échantillonnée. Vous pouvez interroger 500 millions d'événements et obtenir un résultat exact en quelques secondes.

Le format des données GA4 dans BigQuery

L'export GA4 crée automatiquement des tables dans BigQuery avec cette structure :

• events_YYYYMMDD — une table par jour, données définitives
• events_intraday_YYYYMMDD — données du jour en cours, mises à jour toutes les heures (supprimée une fois la journée terminée)

Chaque ligne correspond à un événement. La table est "nested" : certaines colonnes contiennent des tableaux (event_params, user_properties, items). Il faut utiliser UNNEST() pour les dérouler en SQL.

Puissance des requêtes SQL

BigQuery supporte le SQL standard avec des extensions analytiques puissantes. Vous pouvez calculer des cohortes, des funnels, des durées moyennes de conversion, des chemins de navigation — des analyses impossibles dans l'interface GA4. Et vous pouvez le faire sur 3 ans de données en quelques secondes.

// 04Looker Studio : la visualisation

Looker Studio (anciennement Google Data Studio) est l'outil de visualisation de Google. C'est le Tableau ou le Power BI de l'écosystème Google — en version entièrement gratuite.

Forces de Looker Studio

• Gratuit sans limite — pas de tier payant, pas de limitation sur le nombre de dashboards ou d'utilisateurs
• Connecteurs natifs — GA4, BigQuery, Google Sheets, Search Console, Google Ads, YouTube Analytics. Tout l'écosystème Google est branché nativement.
• Partage simple — un lien, et le destinataire voit le dashboard à jour. Pas besoin de compte, pas d'installation.
• Mise à jour en temps réel — ou avec cache configurable (toutes les heures, toutes les 12h, etc.)
• Templating — vous pouvez créer un template, le dupliquer pour chaque client en 2 minutes

Limites à connaître

Looker Studio n'est pas un outil de modélisation data. Pour transformer, nettoyer ou croiser des données complexes, vous aurez besoin de préparer vos données en amont (dans BigQuery via des vues SQL, ou dans Google Sheets). Les visualisations sont moins sophistiquées que Tableau ou Power BI pour les analyses très avancées.

Mais pour 90% des besoins analytics d'une PME, Looker Studio est largement suffisant — et le gain de coût (0€ vs 1 000€+/an pour Power BI) est réel.

// 05Comment connecter les trois outils pas à pas

Étape 1 : Activer l'export GA4 vers BigQuery

1. Dans GA4, allez dans Admin → Paramètres de la propriété → Liens BigQuery
2. Cliquez sur Associer
3. Sélectionnez votre projet Google Cloud Platform (ou créez-en un nouveau)
4. Choisissez la région de stockage des données (europe-west1 pour Paris)
5. Sélectionnez les types d'export : quotidien et/ou streaming (streaming = données en temps quasi-réel, mais consomme plus de quota)
6. Validez. L'export commence le lendemain.

Prérequis : vous devez être administrateur de la propriété GA4 ET avoir les droits "BigQuery Admin" sur le projet GCP. Pour le tutoriel détaillé de création du projet GCP, consultez notre article Connecter GA4 à BigQuery pas à pas.

Étape 2 : Vérifier les données dans BigQuery

24h après l'activation, vous verrez apparaître dans BigQuery un dataset nommé analytics_XXXXXXXXX (où XXXXXXXXX est l'ID de votre propriété GA4). À l'intérieur, les tables events_YYYYMMDD.

Étape 3 : Connecter BigQuery à Looker Studio

1. Dans Looker Studio, créez un nouveau rapport
2. Ajoutez une source de données → choisissez BigQuery
3. Sélectionnez votre projet, votre dataset, votre table (ou une vue SQL)
4. Configurez les champs et types de données
5. Cliquez sur Ajouter au rapport

Recommandation : ne connectez pas directement les tables events_YYYYMMDD brutes à Looker Studio. Créez d'abord des vues BigQuery qui pré-agrègent les données. Looker Studio sera plus rapide et les visualisations plus simples à construire.

// 06Les 5 dashboards essentiels à construire

Dashboard 1 — Acquisition

Sessions par source/medium, nouveaux vs. récurrents, taux de rebond par canal, évolution hebdomadaire. Ce dashboard répond à : "D'où viennent mes visiteurs, et lesquels sont de qualité ?"

Dashboard 2 — Engagement

Pages les plus vues, temps moyen d'engagement (métrique GA4 bien supérieure au bounce rate UA), taux d'engagement par page, profondeur de scroll. Ce dashboard répond à : "Qu'est-ce que mes visiteurs lisent vraiment ?"

Dashboard 3 — Conversion

Taux de conversion par événement objectif, funnel de conversion étape par étape, temps moyen avant conversion, sources qui convertissent le mieux. Ce dashboard répond à : "Qui achète ou contacte, et d'où vient-il ?"

Dashboard 4 — E-commerce

Chiffre d'affaires, panier moyen, taux de conversion e-commerce, produits les plus vendus, abandon de panier. Nécessite l'implémentation du dataLayer e-commerce GA4. Ce dashboard répond à : "Mes revenus évoluent-ils dans le bon sens ?"

Dashboard 5 — SEO (Search Console + GA4)

Impressions, clics, CTR, positions moyennes par page et par requête, trafic organique vs. évolution des positions. Nécessite de connecter Search Console comme source de données additionnelle dans Looker Studio. Ce dashboard répond à : "Mon SEO performe-t-il ?"

// 07Exemples de requêtes SQL BigQuery

Top 10 pages par sessions

SELECT
  (SELECT value.string_value FROM UNNEST(event_params)
   WHERE key = 'page_location') AS page_location,
  COUNT(DISTINCT CONCAT(user_pseudo_id, (SELECT value.int_value
    FROM UNNEST(event_params) WHERE key = 'ga_session_id'))) AS sessions
FROM `votre_projet.analytics_XXXXXXXXX.events_*`
WHERE _TABLE_SUFFIX BETWEEN '20260101' AND '20260331'
  AND event_name = 'page_view'
GROUP BY 1
ORDER BY sessions DESC
LIMIT 10;

Taux de conversion par source

SELECT
  traffic_source.source,
  traffic_source.medium,
  COUNT(DISTINCT user_pseudo_id) AS users,
  COUNTIF(event_name = 'purchase') AS purchases,
  ROUND(COUNTIF(event_name = 'purchase') /
    COUNT(DISTINCT user_pseudo_id) * 100, 2) AS conversion_rate_pct
FROM `votre_projet.analytics_XXXXXXXXX.events_*`
WHERE _TABLE_SUFFIX BETWEEN '20260101' AND '20260331'
GROUP BY 1, 2
HAVING users > 50
ORDER BY conversion_rate_pct DESC;

Revenus e-commerce par jour

SELECT
  PARSE_DATE('%Y%m%d', event_date) AS date,
  SUM((SELECT value.double_value FROM UNNEST(event_params)
       WHERE key = 'value')) AS revenue,
  COUNT(DISTINCT user_pseudo_id) AS buyers
FROM `votre_projet.analytics_XXXXXXXXX.events_*`
WHERE _TABLE_SUFFIX BETWEEN '20260101' AND '20260331'
  AND event_name = 'purchase'
GROUP BY 1
ORDER BY 1;

Ces requêtes couvrent 80% des cas d'usage courants. Pour aller plus loin, la documentation BigQuery de Google propose des dizaines de recettes SQL dédiées à GA4.

// 08Coût réel de la stack en 2026

Pour une PME avec 100 000 sessions/mois, les données BigQuery représentent environ 1 à 3 Go/mois. Vous ne dépasserez pas la limite gratuite pendant plusieurs années. Le seul coût potentiel : si vous lancez des requêtes SQL très lourdes (scan de plusieurs années de données à la fois). Une bonne pratique : partitionner vos requêtes par date avec _TABLE_SUFFIX BETWEEN pour ne scanner que les données nécessaires.

Pour les PME avec plus de 5 millions de sessions/mois ou des besoins analytics très intensifs, un budget BigQuery de 50 à 200€/mois reste extrêmement compétitif face à des solutions comme Mixpanel (à partir de 25$/mois avec limitations) ou Adobe Analytics (pricing opaque, plusieurs milliers d'euros/mois).

Consultez notre article Stack data PME : le guide pour une comparaison plus large des outils analytics disponibles en 2026.

// FAQQuestions fréquentes

// FINCe qu'il faut retenir

GA4, BigQuery et Looker Studio forment une stack analytics de niveau enterprise, disponible gratuitement pour toute PME française en 2026. Le rôle de chaque outil est clair : GA4 collecte, BigQuery stocke et analyse, Looker Studio visualise.

Les bénéfices concrets sont mesurables : historique de données illimité, analyses non échantillonnées, dashboards partagés mis à jour en temps réel, requêtes SQL sur des millions de lignes. Le coût total est de 0€ pour 95% des PME.

La mise en place prend 1 à 2 journées de travail. L'investissement se rembourse dès la première décision marketing prise sur la base de données fiables plutôt que d'intuitions. Pour démarrer, lisez notre tutoriel détaillé Connecter GA4 à BigQuery pas à pas. Une fois votre stack en place, pensez à automatiser ses rapports GA4 pour envoyer vos métriques chaque semaine sans intervention manuelle. Et si vous cherchez un point de départ visuel, notre template Looker Studio e-commerce gratuit est réutilisable en quelques minutes. Pour comparer Looker Studio avec d'autres outils, consultez aussi Looker Studio vs Power BI.

Ted Chan

Consultant freelance IA, Data et SEO/GEO basé à Paris. 4 ans d'expérience sur des projets concrets pour PME, startups et e-commerçants. Spécialisé en automatisation n8n, analytics GA4/BigQuery et référencement génératif.

LinkedIn Malt Contact