Learn
Learn

Comment charger des data de Google Analytics dans BigQuery

Comment charger des data de Google Analytics dans BigQuery

March 13, 2023
March 13, 2023
Comment charger des data de Google Analytics dans BigQuery
Nous allons maintenant expliquer comment apprendre et découvrir des informations détaillées sur l’intégration de Google Analytics à BigQuery.

Tout le monde sait que Google est à la pointe des solutions technologiques depuis plus de 20 ans en matière de data. Google propose l’une des meilleures plateformes d’analyse de sites Web, Google Analytics, la plateforme unique d’accès aux data marketing. Elle permet de surveiller et de suivre les data des sites Web dans les moindres détails. Pour exploiter au mieux ces data, il est essentiel de créer un écosystème de marketing numérique complet.

Comment obtenir une vue complète à 360 degrés sur les data de l’historique de Google Analytics ? Certain(e)s utilisateur(trice)s choisissent d’exporter les data de Google Analytics sous forme de fichiers CSV, mais cette solution peut être complexe et inefficace. D’autres téléchargent et conservent des data de Google Analytics dans Google Sheets.

Alors que l’offre de technologies dédiées au marketing s’étend et devient de plus en plus complexe, les solutions de datawarehouse telles que Google BigQuery ont tout pour elles. Elles servent de référentiel central pour les data essentielles à l’échelle de l’entreprise. Cela permet de réaliser des analyses de grande valeur et des modélisations prédictives. Nous allons maintenant expliquer comment apprendre et découvrir des informations détaillées sur l’intégration de Google Analytics à BigQuery.

[CTA_MODULE]

Présentation de Google Analytics

Google Analytics (GA) a longtemps occupé la première place parmi les outils d’analyse des sites Web, ce qui est parfaitement justifié. Google Analytics propose diverses fonctionnalités interactives permettant à l’entreprise d’évaluer et de détecter rapidement des tendances de trafic. Il permet d’évaluer l’efficacité de toute campagne marketing en cours.

Google Analytics fournit des informations fiables et vraies sur les visiteurs des sites et leurs interactions, créant ainsi des opportunités pour suivre la conversion. Il permet non seulement de savoir combien de personnes visitent votre site, mais aussi d’en savoir plus sur les visiteurs qui interagissent avec le site Web.

La version la plus récente de Google Analytics, Google Analytics 4 (GA4), offre plusieurs avantages très intéressants par rapport à la version antérieure, Universal Analytics. Elle permet un suivi entre différents domaines sans avoir à développer de modifications du code. Propose des fonctionnalités supplémentaires pour modifier les rapports et simplifier la segmentation des visiteurs.

Pour les entreprises qui utilisent des services basés sur Google pour le marketing, Google Analytics est essentiel pour contrôler l’efficacité de ces services, car il interagit de manière transparente avec d’autres services Google. Pour améliorer le ROI (retour sur investissement) du site Web, les entreprises doivent comprendre et analyser les data des campagnes marketing sous-jacentes.

Les data sont un élément clé de chaque stratégie marketing numérique, et c’est la capacité à tirer profit efficacement des data qui détermine le succès final d’une entreprise. Une entreprise qui dégage des bénéfices doit s’adapter activement à des besoins en constante évolution, et les data Web peuvent les aider à apprendre ce qu’il se passe sur le site Web.

Les entreprises s’efforcent de prendre de l’avance sur leurs concurrents et de générer des profits afin de pouvoir se développer. Une technologie de veille économique efficace leur sert de catalyseur afin d’exploiter leur plein potentiel. L’utilisation de Google Analytics avant de commencer toute campagne marketing permet de s’assurer d’obtenir les résultats souhaités.

Présentation de Google BigQuery

Google BigQuery est une solution de datawarehouse largement utilisée, qui utilise le cloud computing pour stocker de très gros volumes de data. C’est une architecture sans serveur, qui est donc accessible de n’importe où. Sa configuration ne demande pas beaucoup de travail ni de matériel. Ce produit Google peut fonctionner avec peu, voire pas du tout d’entretien, contrairement à certains datawarehouses cloud du marché.

BigQuery offre un contrôle centralisé de vos data et ressources informatiques, et la gestion des identités et des accès (IAM) permet de protéger ces ressources à l’aide du paradigme de l’accès à Google Cloud. La sécurité de Google Cloud offre une stratégie fiable et adaptable, intégrant une sécurité périmétrique de base et une approche plus complexe et précise de la défense en profondeur.

Google BigQuery permet d’utiliser diverses applications d’analyse descriptive et prescriptive, notamment de veille économique, d’apprentissage machine, etc. Vous pouvez exécuter des requêtes sur les data à l’aide de tableaux externes ou de requêtes fédérées, par exemple de stockage cloud, ou de Google Sheets enregistré dans Google Drive, ou vous pouvez également rechercher des data stockées dans BigQuery.

Google BigQuery, un datawarehouse cloud entièrement géré pour les analyses depuis Google Cloud Platform (GCP), est l’une des solutions d’analyse cloud les plus utilisées. L’architecture unique et l’intégration transparente de Google BigQuery aux autres services de GCP font l’unanimité ! Les entreprises apprennent actuellement à utiliser Google BigQuery pour améliorer leurs transactions.

Il existe aujourd’hui de nombreux outils spécialement conçus pour les entreprises qui font de l’ELT. Les solutions de datawarehouse, telles que Google BigQuery, sont essentielles à l’analyse des data afin de simplifier, d’automatiser et de visualiser le processus d’ELT. Google BigQuery est le premier choix à l’échelle mondiale en raison de son évolutivité, de sa sécurité et de ses puissantes capacités de traitement.

Intégration de Google Analytics à BigQuery

L’intégration de Google Analytics à BigQuery est incontestablement la chose à faire pour les entreprises actuellement. BigQuery associe les fonctionnalités bien connues et appréciées de Google Analytics à la puissance et à la souplesse d’une plateforme d’analyse en streaming sur la base des événements.

L’échantillonnage est l’un des plus grands défis pour Google Analytics lors de l’exécution d’un rapport complexe ou personnalisé, ou lors de la sélection d’une plage de dates étendue. Google extrapole alors les points de data restants en n’en comptant qu’une partie. Cela donne parfois lieu à des approximations.

Mais il est inutile de se soucier de l’échantillonnage et de tout ce que cela implique grâce à l’intégration de Google Analytics à BigQuery. Chaque résultat migré vers BigQuery est accessible pour des requêtes, et les résultats sont fournis en quelques secondes.

L’intégration de Google Analytics à BigQuery répond à trois objectifs principaux :

  • Réaliser des recherches sur les data brutes obtenues depuis GA pour en tirer des conclusions intéressantes
  • Un référentiel centralisé de data applicables combinées sur plusieurs plateformes
  • Une vue complète à 360 degrés des data GA pouvant être visualisées

Chaque capacité s’appuie sur la précédente, et chaque fonction étend les capacités de l’intégration de Google Analytics à BigQuery. La suite de cet article vous permettra d’en savoir plus sur l’intégration de Google Analytics à BigQuery.

Remarque : Google a annoncé l’abandon de toutes les propriétés GA3 (Universal Analytics) standard à compter du 1er juillet 2023. Vous aurez ensuite au moins six mois pour consulter les data déjà traitées dans GA3 (Universal Analytics).

Avant qu’Universal Analytics cesse le traitement de nouveaux résultats, passez à Google Analytics 4 et créez les data d’historique requises.

Cas pratiques d’intégration de Google Analytics à BigQuery

L’interface Google Analytics fonctionne bien pour répondre à des requêtes marketing de base. Les data de Google Analytics sont uniquement affichées comme des nombres agrégés sur l’ensemble de la session. Les objectifs et les entonnoirs d’objectifs dans l’interface Google Analytics sont présentés par session. Une personne doit donc se présenter à de nombreuses reprises pour terminer une tâche.

Il est par exemple très simple de compter le nombre de sessions issues d’un périphérique mobile dans Google Analytics. Il serait beaucoup plus difficile de déterminer le nombre total de lectures de vidéos par un utilisateur spécifique sur un grand nombre de sessions.

L’interface Google Analytics fournit un grand nombre de fonctionnalités qui simplifient les analyses à la volée, et qui sont plus simples à utiliser. Pour les énoncés complexes et détaillés, il est essentiel d’intégrer Google Analytics à BigQuery. Cela permet d’extraire, de stocker, d’associer et de visualiser les mêmes data sous-jacentes à une plus grande échelle. L’intégration de Google Analytics à BigQuery présente des opportunités de :

  • Associer des data de GA (Google Analytics) et de CRM pour comprendre les sources de trafic associées à des prospects qualifiés.
  • Ajouter des data sur les dépenses pour différents canaux publicitaires afin de comprendre le coût global par utilisateur.
  • Importer des data commerciales back-end afin d’obtenir plus de visibilité sur les performances des produits.
  • Obtenir des data brutes au niveau des résultats dans BigQuery pour réaliser des recherches.

Avantages de l’intégration de Google Analytics à BigQuery

  • Identification de votre clientèle : en fusionnant les data de tous vos canaux et points de contact avec vos clients, vous pouvez obtenir un point de vue consolidé sur le parcours de vos clients. Prenez des décisions rapides sur la base d’informations exploitables en visualisant facilement chaque niveau de votre entonnoir de vente.
  • Amélioration des taux de conversion : utilisez les data des impressions, des visites de site Web et des clics qui sont prêtes à être analysées et proviennent de plusieurs sources à un emplacement. Identifiez le contenu qui permet le plus de conversions pour vous, et concentrez-vous mieux dessus afin de développer les ventes.
  • Augmentation du ROI du marketing : réaffecte vos dépenses à la stratégie publicitaire la plus efficace en utilisant des rapports de campagnes précis disponibles pratiquement en temps réel.

Méthodes de chargement de data de Google Analytics à BigQuery

Votre entreprise recherche-t-elle également des moyens d’accéder à toutes les data brutes de Google Analytics ? Nous sommes là pour vous. Découvrez deux manières faciles d’intégrer Google Analytics à BigQuery ! Si vous et votre entreprise utilisez actuellement des data d’analyse de différentes manières, vous devriez envisager sérieusement de développer vos connaissances dans ce domaine. Vous pourriez découvrir énormément de nouvelles informations en allant au-delà de l’interface de reporting (et d’analyse) de GA4. Commençons à utiliser la plupart des méthodes et approches récentes pour exploiter la puissance de Google Analytics et de BigQuery.

Ce guide détaillé vous proposera une vision globale de l’intégration transparente de Google Analytics à BigQuery. Toute entreprise peut réaliser une intégration entre le tout nouveau Google Analytics 4 (GA4) et BigQuery en quelques minutes. Lisez cet article pour découvrir et comprendre les différentes manières possibles d’intégrer Google BigQuery pour le plus grand bien de votre entreprise !

Méthode 1 : Google Analytics à Bigquery avec Fivetran

La majorité des entreprises ne vont certainement pas tarder à migrer les data de Google Analytics vers un référentiel de data centralisé. Fivetran, l’un des principaux outils d’intégration de data, vous aide à réaliser ce changement avec un maximum de souplesse. Fivetran permet de créer et d’installer un système de mesure pour garantir un suivi efficace des data. Il est aisé de sauvegarder les rapports requis et d’en produire de nouveaux, même sans comprendre le nouveau format de data et sans réécrire de requêtes SQL. Pour intégrer Google Analytics à BigQuery avec Fivetran, respectez les instructions de configuration ci-dessous.

Conditions requises

  • Exportation de Google Analytics
  • Compte BigQuery
  • Compte Fivetran ayant la possibilité de créer ou de gérer des destinations

Étapes pour charger des data de Google Analytics à BigQuery avec Fivetran

  • Étape 1 : Configurez Google Analytics comme connecteur Fivetran
  • Étape 2 : Lancez la synchronisation initiale.
  • Étape 3 : Donnez accès au cluster BigQuery à Fivetran
  • Étape 4 : Terminez la configuration de Fivetran avec BigQuery comme destination

Étape 1 : Configurez Google Analytics comme connecteur Fivetran

  • Dans le formulaire de configuration du connecteur, saisissez le nom de votre schéma de destination favori.
  • Connectez-vous à votre compte Google Analytics, puis cliquez sur Autoriser avec Google.
  • Choisissez le nombre de mois de data de reporting de l’historique que vous voulez charger dans votre synchronisation initiale.
  • Décidez de synchroniser tous les comptes ou des comptes spécifiques.
  • Les comptes que vous voulez synchroniser doivent être choisis.
  • Les propriétés que vous voulez synchroniser doivent être choisies.
  • Cliquez sur Ajouter un rapport.
  • Entrez le nom du tableau de destination que vous avez choisi. Il doit respecter la nomenclature définie par Fivetran, et être distinct au sein de ce connecteur.

REMARQUE : donnez au tableau un nom permettant de le distinguer facilement du rapport à l’avenir. Une fois qu’un rapport a été configuré, vous pouvez activer ou désactiver la synchronisation pour ce rapport en sélectionnant son tableau sous l’onglet de schéma du connecteur.

  • Vous devez choisir entre le rapport intégré et le rapport personnalisé sous le type de configuration.
  • Si vous choisissez d’utiliser un rapport existant, choisissez le rapport existant disponible souhaité.
  • Sélectionnez les dimensions et les mesures que vous voulez synchroniser si vous avez choisi d’utiliser un rapport personnalisé.
  • (Facultatif) Si vous voulez modifier les rapports selon les paramètres choisis, activez l’option Afficher les options avancées. Si vous ne voulez pas utiliser les options avancées, ignorez simplement les deux points suivants.
  • Entrez le nom précis de la dimension que vous voulez filtrer dans le champ Filtrer le nom de champ.
  • Entrez la valeur de dimension dans le champ Filtrer la valeur. Le rapport sera ainsi filtré selon la dimension choisie.
  • Cliquez sur OK pour enregistrer le rapport.
  • Pour ajouter un autre rapport, répétez les étapes 7 à 13 dans ce cas.
  • Enfin, cliquez sur Enregistrer et testez l’option.

Étape 2 : Lancez la synchronisation initiale.

Dès que vous avez réussi à créer et à configurer le connecteur souhaité, il apparaît comme en pause. Pour lancer la synchronisation initiale, respectez les opérations indiquées ci-dessous :

  • Naviguez jusqu’à l’onglet Schéma de votre nouveau connecteur dans votre tableau de bord Fivetran.
  • Examinez le schéma et configurez les tableaux prêts pour la synchronisation.
  • Faites passer le bouton à bascule de En pause à Activé en haut à droite de la page du connecteur.

Fivetran commence alors à synchroniser les data Google Analytics souhaitées.

Étape 3 : Donnez accès au cluster BigQuery à Fivetran

Vous devez nous accorder l’accès à votre cluster BigQuery pour que Fivetran crée et gère les tableaux de vos data et y charge régulièrement des data.

  • Obtenez le lien de l’ID de projet
  • Lien vers le compte de service Fivetran
  • Configurez le lien du compte de service

Obtenez le lien de l’ID de projet

  • Naviguez jusqu’à la liste de projets dans votre console Google Cloud.
  • Notez votre ID de projet lorsque vous l’avez trouvé. Ceci est nécessaire pour configurer Fivetran.
Select Project Google BigQuery

Lien vers le compte de service Fivetran

  • Accédez au formulaire de configuration de la destination Fivetran dans un autre onglet.
  • Choisissez BigQuery et J’ai déjà une destination.
  • Notez le compte de service pour Fivetran. Cela nécessite des droits dans BigQuery, que vous devez autoriser.
  • Accédez au formulaire de configuration de la destination Fivetran dans un autre onglet.
  • Choisissez BigQuery et cochez « J’ai déjà une destination ».
  • Notez le compte de service pour Fivetran. Cela nécessite des droits dans BigQuery, que vous devez autoriser.
Service Account

Configurez le lien du compte de service

  • Pour afficher la liste des directeurs de projet, retournez à l’onglet IAM & admin.
  • Choisissez + Ajouter.
Add IAM User
  • Entrez le compte de service Fivetran repéré à l’étape 2 ou le compte de service créé à l’étape 3 dans la zone Nouveaux directeurs. L’adresse électronique complète est le compte de service.
Add Fivetran Service Account
  • Cliquez sur Sélectionner un rôle > BigQuery > Utilisateur BigQuery.
Add Fivetran Service Account

Étape 4 : Terminez la configuration de Fivetran avec BigQuery comme destination

  • Connectez-vous et accédez à votre compte Fivetran.
  • Cliquez sur + Ajouter une destination sur la page Destinations.
  • Entrez le nom de votre choix pour la destination sur la page « Ajouter une destination à votre compte ».
  • Sélectionnez Ajouter.
  • Le type de destination doit être « BigQuery ».
  • Entrez l’ID de projet découvert à l’étape 1 dans le formulaire de définition de la destination.
  • Entrez l’emplacement des data.
  • Sélectionnez le site de traitement des data. Vous devrez peut-être également sélectionner une région AWS et un fournisseur de services cloud, comme indiqué dans Documentation des destinations, en fonction de votre programme et du fournisseur de services cloud que vous avez choisi.
  • Choisissez un fuseau horaire.
  • Enfin, cliquez sur Enregistrer et testez l’option.

Remarque : BigQuery permet d’utiliser des requêtes SQL traditionnelles pour réaliser des analyses sur d’énormes volumes de data. Fivetran peut se synchroniser avec BigQuery jusqu’à une fois toutes les cinq minutes.

Félicitations, vous avez réussi à migrer vos data Google Analytics vers BigQuery avec Fivetran !

Avantages liés à l’utilisation de Fivetran

Fivetran donne accès à plus de 200 connecteurs intégrés vers des sources de data, telles que des applications, databases, journaux d’événements, fichiers et services cloud. Avant de transférer les data vers votre datawarehouse, les connecteurs les organisent dans des schémas standardisés. Les schémas sont standardisés pour préserver la cohérence dans la structure des data. Cela permet d’utiliser les mêmes snippets de code d’analyse que toute autre personne qui utilise les mêmes connecteurs.

  • Adaptation automatique aux changements d’API et de schéma
  • Réplication de data sans maintenance entièrement gérée
  • Modifications dans le warehouse qui utilisent des vues et une logique uniques
  • + de 200 connecteurs déjà construits
  • Schémas prêts pour l’analyse
  • Accès rapide aux data avec des chargements incrémentiels
  • Réplication des data et du schéma dans leur intégralité
  • Prise en charge de dimensions qui évoluent progressivement (data de type 2)


Au lieu d’utiliser l’ETL, Fivetran propose une solution de pipeline de data qui suit la technique d’extraction, chargement et transformation (ELT). Chacun des trois principaux points faibles d’ETL est traité en modifiant l’ordre des phases de chargement et de transformation et en utilisant un outil standardisé. Les principaux avantages de l’ELT sont les suivants :

  • Le pipeline est simplifié car les analystes traitent maintenant la transformation des data en aval plutôt que les ingénieurs data.
  • Comme le travail en amont des ingénieurs data n’est plus impacté par la modification des analyses car la transformation des data se fait dans le datawarehouse, le pipeline est plus robuste et moins dangereux.
  • Comme le pipeline est accessible plus facilement, sa maintenance nécessite moins de travail. Une partie externe peut désormais développer et entretenir une solution standardisée à vendre à différents clients, car le pipeline a été considérablement simplifié et est fondamentalement plus résilient. Les entreprises peuvent sous-traiter et automatiser efficacement les niveaux d’extraction et de chargement du pipeline en achetant un outil standardisé.

Méthode 2 : Google Analytics à BigQuery avec le service de transfert de data de BigQuery

Il y a trois étapes principales pour configurer l’intégration de Google Analytics à BigQuery.

  • Créez un projet dans GCP et activez BigQuery, si nécessaire.
  • La première étape consiste à créer un projet (s’il n’a pas déjà été créé) et à activer BigQuery, car toutes les opérations dans GCP doivent être associées à un projet.
  • Le compte de service doit être ajouté comme membre du projet.
  • Un compte non humain utilisé pour réaliser des services automatisés est un compte de service.
  • Le compte de service doit avoir un accès en modification au projet pour GA4 et GA360.
  • Pour GA4, le compte de service est firebase-measurement@system.gserviceaccount.com
  • Pour GA360, le compte de service est analytics-processing-dev@system.gserviceaccount.com
  • Connexion à un compte de facturation
  • Configurez un compte de facturation, activez la facturation dans GCP, et connectez-le au projet à cet emplacement.
  • Les coûts du stockage et du traitement des data associés à l’exportation GA peuvent être couverts par le niveau d’utilisation libre dans GCP, mais pour terminer l’intégration, vous devez avoir un mode de paiement enregistré sur le cloud.
  • Configurez la connexion dans l’interface utilisateur Google Analytics.
  • Pour GA4, sélectionnez Association de produit dans la colonne Propriété de l’écran Admin de l’IU GA. Choisissez le projet GCP, la source de data, les flux d’exportation et la fréquence (quotidienne ou streaming en continu). Vous avez terminé. Félicitations !
  • Pour GA360, cliquez sur Associer BigQuery après avoir sélectionné Tous les produits dans la colonne Propriété de l’onglet Admin de l’IU GA. Lors de l’exportation d’une vue dans BigQuery, entrez le numéro ou l’ID de projet (présent sur l’écran d’accueil de GCP), choisissez la fréquence d’exportation, puis choisissez la vue (trois fois par jour ou streaming en continu). Voilà, c’est fait !
  • XXXXXXXXX est l’ID de la vue UA, et XXXXXXXXX est le libellé du dataset.
  • Tableaux : il y aura un tableau AAAAMMJJ de session Google Analytics pour chaque jour de ce dataset. Le tableau AAAAMMJJ intrajournalier des sessions Google Analytics, qui comporte des informations pour la journée actuelle, apparaît également (exporté trois fois par jour).
  • Streaming de tableaux : si vous avez activé le streaming, à la place de ga_sessions_intraday_AAAAMMJJ, vous verrez ga_realtime_sessions_AAAAMMJJ et ga_realtime_sessions_view_AAAAMMJJ pour la journée actuelle.
  • Les data doivent commencer à entrer dans BigQuery dans les 24 heures : la première exportation des data.
  • Exportation quotidienne : chaque jour, un nouveau tableau contenant les data de la journée précédente sera créé (généralement dans la matinée du fuseau horaire défini pour le reporting).

Remarque : Google Analytics propose une exportation des data d’historique la première fois que vous associez une propriété Google Analytics à Google BigQuery. BigQuery contiendra rapidement les data de Google Analytics des 13 derniers mois ou les 10 milliards de résultats les plus récents, s’ils sont atteints plus rapidement.

Remarque : Google Analytics propose une exportation des data d’historique la première fois que vous associez une propriété Google Analytics à Google BigQuery. BigQuery contiendra rapidement les data de Google Analytics des 13 derniers mois ou les 10 milliards de résultats les plus récents, s’ils sont atteints plus rapidement.

FAQ

Les problèmes les plus fréquents lors de la configuration de l’interface sont répertoriés ci-dessous. Les data transférées dans Google BigQuery contiennent des lacunes, qui sont permanentes en raison de ces imprécisions.

  • Droits d’utilisateur inappropriés lors de la configuration de l’intégration
  • L’utilisateur qui configure l’intégration doit avoir accès au projet cloud et des autorisations de modification dans l’IU de GA.
  • Le compte de service n’a pas reçu les bonnes autorisations.
  • De nombreux rôles différents peuvent être affectés aux utilisateurs dans GCP. Au lieu de l’accès de l’éditeur au niveau du projet, vous pourriez bénéficier d’un accès éditeur BQ au compte de service.
  • Problèmes de facturation
  • Si un mode de paiement légitime actuel n’est pas conservé sur fichier avec GCP, l’exportation des data n’est pas réalisée. Vous pouvez créer une deuxième carte de crédit ou de débit par mesure de sécurité.
  • API BigQuery pas activée
  • BigQuery doit être activé dans le volet API et services de GCP, car il n’est pas activé par défaut.

Limitations associées à l’utilisation du service de transfert de data de BigQuery

Bien que le service de transfert de data de BigQuery soit une solution d’intégration des data disponible, il présente plusieurs inconvénients. Voici les limitations associées à l’utilisation du service de transfert de data de BigQuery pour intégrer Google Analytics à BigQuery :

  • Lors de l’utilisation de l’option Streaming de data de Google, Google détermine et définit le nombre de mises à jour du datawarehouse. Cela pourrait vous gêner si vous recherchez un streaming de data en temps réel.
  • Les requêtes de récupération de data prises en charge par le service de transfert de data de BigQuery sont de 180 jours au maximum. Toute data d’historique devrait donc être transférée manuellement.
  • Cette stratégie imposera forcément des dépenses en bande passante technique pour déplacer les data, car les équipes qui en ont besoin n’ont pas de connaissances techniques très poussées. Cela peut revenir cher.
  • N’oubliez pas que BigQuery ne prend pas en charge la connexion de datasets qui ont auparavant été enregistrés sur des serveurs situés à divers emplacements. Vous devez donc mettre en place et créer des datasets aux mêmes emplacements, tout au long de votre projet. Vous devez faire attention dès le début, car il est impossible de modifier la position après la configuration.
  • Le compte de service Google Analytics doit bénéficier d’un accès en modification au projet en permanence, et BQ doit être activé tout le temps. Si cela est modifié pour quelque raison que ce soit, toutes les exportations suivantes échoueront jusqu’à la restauration de l’autorisation.
  • Le principal inconvénient de l’utilisation du service de transfert de data de BigQuery est le risque de perte de data. Si l’une des erreurs citées ci-dessus persiste ou en cas d’erreur susceptible d’arrêter l’exportation des data, les data seraient définitivement détruites. Le service de transfert de data de BigQuery n’apporte aucun moyen de prévention ou de récupération en cas de perte de data éventuelle suite à l’échec d’une exportation.
  • Vous ne pouvez pas modifier l’horodatage dans les data pour le faire passer d’UTC à PST. Ces modifications ne sont pas prises en charge par le service de transfert de data de BigQuery.
  • Les data qui entrent dans BigQuery via le service de transfert de data de BigQuery ne peuvent venir que de produits Google. Vous devrez à l’avenir utiliser un autre fournisseur si vous voulez importer des data provenant d’autres sources de data.

Conclusion

Google Analytics 4 minimise le concept de session afin de fournir différentes vues d’attributions. N’oubliez pas que BigQuery nous a toujours permis de réaliser des analyses au niveau de l’utilisateur. Nous pouvons attribuer des actions à toute durée, d’un résultat avant la conversion à aussi loin que le permettent nos data d’historique.

L’intégration de Google Analytics à BigQuery peut également avoir une forte influence sur une entreprise qui se concentre sur l’e-commerce. Les analystes qui utilisent les rapports Enhanced Ecommerce dans l’interface Google Analytics savent qu’ils reposent sur les sessions. Toutefois, en pratique, un client peut ajouter un article à son panier et revenir plus tard pour terminer la transaction. BigQuery permet aux équipes de voir le comportement d’achat des clients qui réalisent un achat en plusieurs sessions.

L’aspect le plus intéressant est que ces agrégations et fenêtres de retraçage infinies sont applicables sans limite, et permettent de créer des segments sur la base des utilisateurs sans se soucier de la fenêtre de retraçage de 90 jours imposée par l’interface GA.

Connectez GA4 à votre entrepôt de données BigQuery
Essai Gratuit

Articles associés

No items found.
No items found.
How to load data from Salesforce to Redshift: A definitive guide
Blog

How to load data from Salesforce to Redshift: A definitive guide

Lire l’article
Comment charger des data de Salesforce dans BigQuery : le guide ultime
Blog

Comment charger des data de Salesforce dans BigQuery : le guide ultime

Lire l’article
How to load data from salesforce to snowflake: definitive guide 
Blog

How to load data from salesforce to snowflake: definitive guide 

Lire l’article

Commencer gratuitement

Rejoignez les milliers d’entreprises qui utilisent Fivetran pour centraliser et transformer leur data.

Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.