64px_Speech Bubble

Des reportings de portée utilisateur grâce à BigQuery avec Analytics 4 sous Data Studio

dans WebAnalytics,
Le 26 septembre 2020 par Rihab Zarrai

Dans Google Analytics, une session est définie comme une expérience de navigation ininterrompue, qui expire après 30 minutes d’inactivité ou après une nouvelle source de trafic. Vous visitez un site Web, y naviguez et 30 minutes après la dernière interaction, la session expire. Ceci est une version un peu simplifiée de la notion de session, mais le principe général est là.

Cette notion de session et d’inactivité de 30 minutes ne représente pas toujours bien la réalité des usages. Pour Google Analytics, le taux de conversion est le rapport entre les transactions et l’ensemble des sessions. C’est encore une fois la notion de sessions. Si un utilisateur fait deux sessions, au lieu d’une pour acheter, votre taux de conversion chute. Et pourtant, vous avez gagné autant de chiffre d’affaires par utilisateur que si cet utilisateur ne s’était pas arrêté prendre un café pendant 31 minutes au lieu de 29… La notion de sessions n’est donc pas toujours la meilleure pour représenter l’efficacité d’un parcours d’achat.

Avec le tracking GA4, vous êtes désormais en mesure d’avoir accès à l’information brute de Google Analytics depuis un export BigQuery et d’obtenir donc des reporting avec un scope utilisateur.
Prenons comme cas d’études un de nos clients, organisateur de formation et de certifications dans le domaine de l’éducation. Les étapes d’inscription peuvent être longues, et les possibilités de rupture de sessions nombreuses au sein d’un seul remplissage. Nous avons donc proposé d’exploiter les nouvelles possibilités GA4 pour établir un entonnoir de portée utilisateur.

Le tracking GA4 avait déjà été configuré, il nous avons fallait à présent paramétrer l’export BigQuery.

Etape 1 – Vérifiez votre propriété GA4

  • Ouvrez votre projet et accédez aux paramètres du projet.
  • Cliquez sur Intégrations.

Google Analytics devrait avoir un état Activé, mais cliquez sur Gérer pour vérifier.

Assurez vous que tous les détails sont corrects.

Revenez maintenant au tableau de bord ”Vue d’ensemble” du projet Firebase.

Étape 2 – créez une application

C’est un peu idiot, mais pour que l’exportation fonctionne, vous devez créer une application dans le projet même si vous n’en avez pas réellement besoin.

La raison est que l’exportation BigQuery a été créée avant l’introduction du concept de flux Web avec Google Analytics 4, et dans son état actuel, le fait de n’avoir qu’un flux Web ne permettra pas l’exportation. Cela changera forcément dans un avenir proche (article écrit en septembre 2020…).

  • Dans le tableau de bord, cliquez sur le bouton iOS pour créer une nouvelle application iOS.

 

  • Donnez à l’application un identifiant – cela peut être tout ce que vous voulez. Cliquez sur Enregistrer l’application.

 

  • Vous pouvez maintenant ignorer toutes les instructions et cliquer simplement sur le bouton Suivant jusqu’à ce que vous atteignez la dernière étape.
  • Ici, cliquez sur le lien Ignorer cette étape pour créer l’application.

Étape 3 – Passez au plan Blaze

Pour pouvoir exporter les données vers BigQuery, vous devez mettre à jour votre compte Firebase pour utiliser le forfait Blaze (pay as you go).

  • Cliquez sur le lien Mettre à niveau en bas de votre navigation Firebase.

  • Ensuite, cliquez sur Sélectionner un plan dans la colonne Blaze.
  • Vous devrez maintenant choisir un compte de facturation configuré pour votre organisation / connexion Google Cloud. Si vous n’en avez pas encore, vous serez invité à le créer. Vous aurez besoin de votre carte de crédit pour cela!
  • Cliquez sur Continuer et acheter pour confirmer que vous utiliserez le compte de facturation sélectionné pour tous les frais liés à votre utilisation de Firebase et de BigQuery.

 

Étape 4 – Créez l’ensemble de données BigQuery

Ouvrez la console dans votre navigateur. Dans le navigateur de projet BigQuery, vous devriez trouver votre projet. Le projet BigQuery portera le même nom que votre ID de projet Firebase.

  • Cliquez sur le projet pour ouvrir ses ensembles de données (il ne devrait y en avoir aucun).
  • Maintenant, cliquez sur CRÉER un DATASET dans la partie droite de l’explorateur de dataset.
  • Saisissez l’ID du Dataset. L’ID doit être nommé au format suivant: analytics_ <ID de propriété GA>. L’ID de propriété GA est disponible dans les paramètres de Google Analytics. C’est différente de l’identifiant du code de suivi ! Ici, vous ne devez avoir que des chiffres.
  • Vous pouvez également choisir le lieu

Étape 5 – Configurer l’export

Dans la console Firebase, cliquez sur Paramètres du projet et cliquez à nouveau sur Intégrations. Cette fois, dans la zone BigQuery, cliquez sur Lien.

Suivez les différentes étapes en cliquant sur suivant et en vous assurant de bien lire les différents textes.

  • Cliquez sur Lier à BigQuery lorsque vous êtes prêt.

Le lendemain de la création de ce lien, vous devriez voir une nouvelle table dans l’ensemble de données préfixée par events_, qui contiendra toutes les données pour chaque jour de l’exportation, et vous pouvez commencer à exécuter ces requêtes sur vos données brutes en un rien de temps!

Étape 6 – Créer un Data Studio avec une source BigQuery

Créez à présent un reporting Data Studio et choisissez comme source de données le connecteur BigQuery.

Ci-dessous la requête utilisée, pour remonter les données en user scope (nous requêtons pour ce faire le “user_pseudo_id”) des 4 étapes du tunnel d’achat du client :

Le reporting final (ce type de visualisation était le souhait du client) donnera ce résultat

Conclusion

Le fait d’être en mesure de faire des exports BigQuery «gratuitement» est formidable. Cet accès à la data brute ouvre des possibilités infinies. Nous aurions pu utiliser les possibilités ouvertes par les rapports Analysis disponibles avec GA4, mais nous n’aurions pas pu le présenter dans Google Data Studio. Ici, nous gardons le contrôle complet sur quelles données nous avons analysées.