Cycles de vente longs : pourquoi l’interface GA4 vous laisse rapidement sans mémoire
Un cycle de vente est le temps entre un premier contact (visite, téléchargement, webinar) et la signature. En B2B, il peut dépasser 60, 120, voire 180 jours — et, dans certains secteurs (industrie, services IT complexes, conseil, achats publics), s’étaler sur 6 à 12 mois. Le problème est simple : si vos données web ne couvrent que quelques mois exploitables, vous ne pouvez plus relier une signature d’aujourd’hui aux points de contact d’il y a six mois. Vous finissez alors par piloter au ressenti ou au « dernier clic ».
GA4 conserve beaucoup d’informations dans ses rapports standards, mais les analyses avancées sont limitées par la rétention des données utilisées dans les Explorations, notamment lorsqu’elles reposent sur des données au niveau utilisateur ou événement. Sur de nombreuses propriétés, la rétention paramétrable est plafonnée à 2 ou 14 mois, selon la configuration. Certaines offres, comme Google Analytics 360, peuvent proposer des durées plus longues. Google précise que cette rétention concerne les données utilisateur et événement disponibles dans les Explorations ; elle n’est pas la durée de conservation des données agrégées des rapports standards (Google Analytics – Data retention). Concrètement, dès que vous voulez répondre à des questions de direction (délai moyen avant signature, rôle du contenu evergreen, récurrence des canaux, effet des campagnes sur une fenêtre de 9 mois), vous pouvez vous heurter à un plafond temporel.
Autre angle mort : GA4 est un outil d’analyse, pas un entrepôt de données. Les définitions peuvent évoluer (groupes de canaux, règles d’attribution), des filtres internes changent, et vous ne maîtrisez pas finement les règles de transformation. Or, pour décider où mettre le prochain euro, vous avez besoin d’un historique stable, interrogeable et joignable à votre CRM et à votre facturation.
Mini-scénario typique en B2B : une entreprise génère des leads via le SEO, LinkedIn Ads et des webinars. Les deals signés en novembre proviennent parfois d’un premier contact au printemps. Sans historique suffisamment long et réconciliable avec le CRM, vous risquez de :
- surinvestir dans les leviers de fin de parcours (retargeting, branded search) ;
- sous-investir dans les leviers d’amorçage (contenus de fond, webinars) faute de conversions visibles à court terme ;
- mal estimer votre CAC, car le coût est immédiat mais la signature arrive bien plus tard.
C’est exactement l’intérêt de l’export GA4 vers BigQuery : conserver l’historique pour analyser les cycles de vente.
GA4 et BigQuery : ce que vous gagnez en conservant l’historique brut
BigQuery est l’entrepôt de données de Google Cloud. L’export GA4 vers BigQuery copie vos événements (page_view, form_submit, purchase, etc.) dans des tables quotidiennes. Google décrit cet export comme un accès aux données « event-level » (au niveau événement), plus granulaires que celles de l’interface, avec la possibilité d’effectuer vos propres requêtes (GA4 BigQuery Export). Vous récupérez une matière première que vous pouvez conserver aussi longtemps que votre politique de conservation le prévoit, au lieu de dépendre des fenêtres de rétention de l’interface.
Techniquement, l’export standard produit des tables du type events_YYYYMMDD et parfois events_intraday_YYYYMMDD. Elles contiennent notamment :
event_timestamp(horodatage),event_name(type d’événement) ;user_pseudo_id(identifiant associé à l’instance de l’application ou au navigateur) etuser_idsi vous l’implémentez ;- des champs imbriqués
event_params(ex.ga_session_id,page_location, paramètres UTM, identifiants de contenu) ; - des champs liés à l’acquisition (
traffic_source,collected_traffic_source, selon la configuration et la version du schéma).
Ce que vous gagnez concrètement, au-delà du « stockage » :
- Rejouer le passé : reconstruire une sessionisation, des segments et des règles métier (ex. définition interne d’un « lead qualifié marketing ») à partir des données sources conservées, même si vos catégories changent.
- Réconcilier : joindre les événements web aux objets CRM (leads, opportunités, clients), puis aux objets financiers (factures, MRR, marge), au lieu de vous limiter aux conversions web.
- Documenter : tracer vos transformations (SQL versionné, tables « business ») et stabiliser vos définitions de KPI d’une année sur l’autre.
Troisième bénéfice, très opérationnel : vous pouvez recalculer votre attribution et vos segments quand votre métier change. Exemple : vous décidez que « Partner » doit être un canal à part, ou que certaines campagnes doivent être regroupées pour suivre un coût d’acquisition client (CAC) cohérent. Le CAC peut se définir simplement comme les dépenses commerciales et marketing attribuables à l’acquisition divisées par le nombre de nouveaux clients signés. Sans historique, vous ne pouvez pas réécrire le passé. Avec BigQuery, vous pouvez le recalculer — à condition d’avoir conservé les données sources (événements, coûts et CRM) et de formaliser une règle d’attribution interne.
Le modèle de données minimal pour relier visites, leads et ventes réelles
L’erreur classique est de se lancer dans un « data warehouse » ambitieux, puis de ne jamais en tirer un KPI utile. Pour analyser un cycle de vente, vous avez besoin d’un modèle minimal autour de trois objets : sessions web, leads (CRM), opportunités et ventes (CRM ou ERP). Le principe : rattacher les points de contact web au lead, puis au client.
Côté GA4, user_id peut être une clé utile si vous le mettez en place de manière appropriée. En revanche, user_pseudo_id peut changer selon l’appareil ou le navigateur. Sans user_id, vous pouvez quand même analyser les données à l’échelle de la session et du canal, mais le chaînage web → CRM devient plus fragile.
Dans un contexte B2B, une approche pragmatique consiste à :
- Capturer un identifiant côté site au moment d’un formulaire (ex.
user_pseudo_id,ga_session_idet les UTM). - Envoyer cet identifiant dans le CRM dans des champs dédiés (ID de session, source/medium/campaign, page d’arrivée, horodatage), si cela est compatible avec vos obligations de conformité et vos règles de collecte.
- Rapprocher ensuite les données BigQuery (GA4) et le CRM à l’aide de ces identifiants.
Astuce simple qui évite beaucoup de pertes : stocker au moins deux informations temporelles dans le CRM au moment de la création du lead :
- date et heure de création du lead (CRM) ;
- date et heure de l’événement web associé (
form_submit) ou de la session associée.
Cela aide à gérer les cas où le lead est créé plus tard (import, enrichissement) que l’action web initiale.
C’est le même esprit que la synchronisation des conversions et du CRM décrite ici : Conversions optimisées Google Ads : synchroniser HubSpot et le CRM. L’objectif n’est pas « d’avoir plus de data », mais de pouvoir répondre à la question : quels canaux génèrent des clients, à quel coût et avec quel délai ?
Pour garder le modèle minimal lisible, vous pouvez viser ce triptyque de tables « business », souvent suffisant au départ :
| Table (vue « métier ») | Granularité | Champs clés (exemples) | Objectif |
|---|---|---|---|
web_sessions |
1 ligne / session | date, ga_session_id, user_id/user_pseudo_id, source/medium/campaign, page d’arrivée |
Analyser l’acquisition et les parcours |
crm_leads |
1 ligne / lead | lead_id, date de création, statut, ga_session_id/UTM captés, segment |
Relier acquisition → lead |
crm_deals / sales |
1 ligne / opportunité ou vente | deal_id, montant, marge, date de signature, étape, lead_id |
Relier lead → revenu |
Exemple simplifié de logique SQL BigQuery pour reconstruire une notion de « première source » à partir des événements. Ici, on illustre un first touch observé sur le périmètre de données disponible et à identifiant constant. La requête utilise les informations de source collectées sur l’événement session_start ; elle ne reconstitue pas les sources manquantes et ne garantit pas une attribution complète.
-- Exemple : première session observée par utilisateur (approche "observed first touch")
WITH sessions AS (
SELECT
user_pseudo_id,
(SELECT value.int_value
FROM UNNEST(event_params)
WHERE key = 'ga_session_id') AS ga_session_id,
MIN(event_timestamp) AS session_start_ts,
ANY_VALUE(collected_traffic_source.manual_source) AS source,
ANY_VALUE(collected_traffic_source.manual_medium) AS medium,
ANY_VALUE(collected_traffic_source.manual_campaign_name) AS campaign
FROM `PROJET.DATASET.events_*`
WHERE event_name = 'session_start'
GROUP BY 1, 2
),
first_touch AS (
SELECT
user_pseudo_id,
ARRAY_AGG(STRUCT(session_start_ts, source, medium, campaign)
ORDER BY session_start_ts ASC LIMIT 1)[OFFSET(0)] AS ft
FROM sessions
GROUP BY user_pseudo_id
)
SELECT
user_pseudo_id,
ft.source, ft.medium, ft.campaign,
TIMESTAMP_MICROS(ft.session_start_ts) AS first_touch_time
FROM first_touch;
Ce n’est pas « la vérité absolue » : si l’utilisateur change d’appareil, vous pouvez perdre le lien. Mais cette approche peut être exploitable pour éclairer des arbitrages budgétaires, à condition de tenir compte de ses limites. Pour améliorer la mesure, vous pouvez travailler sur la collecte d’un user_id (quand c’est pertinent) et le passage systématique d’identifiants web vers le CRM, dans le respect des règles applicables.
Ce que vous pouvez enfin mesurer : délais, contribution marketing et rentabilité
Une fois l’historique GA4 conservé dans BigQuery, vous pouvez produire des indicateurs orientés décision, en cohérence avec vos KPI de direction. Rappel utile :
- Taux de conversion : nombre de leads (ou d’opportunités) / nombre de visites ou de sessions, selon le niveau que vous pilotez ;
- Payback : temps nécessaire pour récupérer votre coût d’acquisition grâce à la marge générée ;
- LTV (valeur vie client) : marge cumulée attendue sur la durée de vie d’un client.
Ces notions sont détaillées et reliées aux décisions budgétaires dans : KPI marketing : CAC, LTV/CAC, ROAS et taux de conversion et Ratio LTV/CAC : calcul, seuils et interprétation pour SaaS B2B.
Premier cas d’usage très concret : mesurer le délai entre premier contact et signature par canal ou par type de contenu. Plutôt que de raisonner uniquement en « conversions », vous raisonnez en time-to-close :
- délai médian (plus robuste que la moyenne quand quelques deals traînent) ;
- délai par segment (taille d’entreprise, pays, industrie, panier) ;
- délai par type d’amorce (SEO evergreen, livre blanc, webinar, comparatif interne, etc.).
Exemple chiffré (illustratif) : sur 12 mois, vous constatez que les leads issus du SEO ont un délai médian de 110 jours, ceux du retargeting de 45 jours, ceux d’un webinar de 150 jours, mais avec un panier moyen supérieur. Sans historique, vous auriez pu couper le webinar au bout de 30 jours faute de conversions visibles. Avec l’historique, vous pouvez arbitrer : maintenir le webinar si la marge finale compense le temps long et si la trésorerie supporte ce décalage.
Deuxième cas d’usage : sortir d’une attribution « last click » qui favorise mécaniquement les leviers de fin de parcours. L’objectif n’est pas d’imposer une « vérité unique », mais de comprendre la contribution des points de contact. En analytics, et particulièrement en B2B, la bonne question est souvent : qu’est-ce qui initie, qu’est-ce qui accélère, qu’est-ce qui clôture ? Dans la pratique, vous pouvez comparer trois lectures en parallèle :
- First touch (qui a initié) ;
- Last touch (qui a clôturé) ;
- linéaire ou basé sur une fenêtre (par exemple les 30, 60 ou 90 derniers jours).
Pour cadrer ces approches en B2B : Attribution marketing : mesurer la contribution des points de contact B2B.
Troisième cas d’usage : relier le marketing aux ventes réelles (factures, MRR, marge). C’est souvent le point de bascule, car un « lead » n’a pas la même valeur selon sa probabilité de clôture et le panier final. Si vous rapprochez BigQuery (GA4) avec vos dépenses médias et votre CRM, vous pouvez piloter des ratios de rentabilité concrets, comme expliqué dans ROI marketing : relier campagnes, leads et factures pour des KPI fiables et Centralisation des données publicitaires : rapprocher Meta, Google et ventes réelles.
Checklist de questions « comité de direction » que BigQuery peut aider à traiter, sans approximation liée à une fenêtre courte :
- Quel est le délai médian et le délai P75 (75e percentile) avant signature par canal ?
- Quelle part des clients signés a eu au moins deux visites sur 90 jours (par rapport à une seule) ?
- Quels contenus reviennent le plus souvent dans les parcours menant à une opportunité (pages vues avant sa création) ?
- Quel est le LTV/CAC par canal, une fois les clients réellement signés (et pas seulement les leads) ?
Mise en place pragmatique : check-list, coûts, qualité des données et RGPD
Côté opérationnel, la première règle est d’activer l’export BigQuery tôt, car GA4 ne reconstruit pas automatiquement tout votre passé dans BigQuery : l’export démarre à partir de son activation. Cela peut représenter plusieurs mois d’historique manquant sur un cycle long. Pour éviter l’effet « on s’en occupera plus tard », fixez un objectif simple : disposer d’au moins 12 mois glissants d’événements dans BigQuery, puis étendre cette durée selon vos besoins.
La deuxième règle est de contrôler la qualité du marquage avant d’investir du temps en SQL. Un audit de base GA4, GTM et des paramètres des plateformes peut éviter que des erreurs de suivi ne se propagent dans tout l’entrepôt : Audit PPC : contrôler GA4, GTM et les paramètres des plateformes publicitaires.
Check-list pragmatique, orientée « cycles de vente » :
- Tracking et collecte
- Événements réellement utiles :
generate_lead/form_submit, prises de rendez-vous, téléchargements clés, inscriptions à un webinar (éviter 50 micro-événements sans usage). - Paramètres de contenu : type de contenu, produit, verticale, langue, etc. (stables dans le temps).
- Capture des UTM au moment de la conversion, pas seulement à l’arrivée.
- Identifiants
- Passage de
ga_session_idet/ouuser_pseudo_iddans les formulaires (champ caché), si cela est approprié au regard de vos obligations et règles de collecte. - Si possible, stratégie
user_id(identifiant technique pseudonymisé) pour les utilisateurs authentifiés ou connus. Il ne doit pas contenir directement d’informations personnelles identifiantes. - Export et gouvernance
- Dataset BigQuery localisé de manière cohérente avec vos contraintes (par exemple en région ou multi-région EU si vos politiques internes l’exigent).
- Droits d’accès : principe du moindre privilège (marketing ≠ administrateur du projet cloud).
- Tables « business »
- Une table de sessions (ou de points de contact) actualisée quotidiennement.
- Une table de rapprochement CRM (leads/opportunités) avec une clé claire.
Sur les coûts, raisonnez comme un dirigeant : coût de stockage + coût des requêtes + temps humain. BigQuery facture typiquement le stockage (au volume et à la durée) et les requêtes (selon le modèle de facturation, notamment le volume de données traité), avec des options de contrôle des coûts et de réservation. Les montants exacts dépendent de votre région et de votre modèle de facturation : partez sur un ordre de grandeur puis vérifiez sur la page officielle (BigQuery pricing).
Quelques réflexes concrets pour limiter la facture sans perdre en capacité d’analyse :
- Les tables
events_YYYYMMDDde l’export GA4 sont des tables quotidiennes suffixées par date, et non des tables partitionnées. Filtrez les dates dans vos requêtes (par exemple avec_TABLE_SUFFIX). - Créer des tables dérivées « business » plus légères (sessions, points de contact, conversions) au lieu d’interroger les données brutes en permanence.
- Éviter les
SELECT *sur des périodes longues (scanner « tout l’historique » pour un KPI hebdomadaire est une erreur fréquente). - Mettre en place des requêtes planifiées (scheduled queries) pour produire des agrégats quotidiens stables.
La qualité des données se joue souvent sur trois points : UTM, événements et déduplication.
- Les UTM (source, medium, campaign) doivent être normalisées, sinon vos canaux se déclinent en de nombreuses variantes difficiles à lire (ex.
linkedinvsLinkedInvslnkdn). Une règle simple : imposer des valeurs en minuscules et une nomenclature partagée. - Les événements doivent être stables dans le temps (mêmes noms, mêmes paramètres). Sinon, vous cassez la comparabilité « N vs N-1 ».
- La déduplication est cruciale quand vous importez des conversions depuis le CRM ou combinez plusieurs sources. Un bon réflexe : définir une « clé de conversion » (ex.
deal_iddu CRM + type d’événement) et refuser les doublons au moment de l’ingestion.
Enfin, il faut cadrer le sujet RGPD sans le contourner. L’export BigQuery ne doit pas devenir un « dépotoir » de données personnelles. Google rappelle que les données envoyées à Analytics ne doivent pas contenir d’informations personnelles directement identifiantes. Concrètement : évitez d’envoyer des emails, numéros de téléphone ou noms dans les paramètres d’événements. Préférez des identifiants techniques pseudonymisés et stockez les données CRM dans un environnement gouverné, avec gestion des accès, durées de conservation et traçabilité.
Impliquez votre DPO ou son équivalent dès que vous envisagez des rapprochements web ↔ CRM, afin de documenter les finalités, durées de conservation, accès et mesures de sécurité.
Plutôt que de multiplier les métriques, retenez une logique de pilotage : mesurer ce qui influence une décision (budget, priorités de contenu, effort commercial), puis améliorer la qualité de la mesure.
Indicateur à suivre la semaine prochaine
Mesurez un seul chiffre, facile à obtenir et parlant : le taux de rapprochement web → CRM.
- Numérateur : nombre de nouveaux leads CRM de la semaine qui ont un identifiant exploitable (au minimum
ga_session_idouuser_pseudo_id, idéalementuser_id). - Dénominateur : nombre total de nouveaux leads CRM de la semaine.
Pour rendre l’indicateur actionnable, segmentez-le, même simplement :
- par formulaire (contact, démo, contenu, webinar) ;
- par appareil (mobile/desktop) ;
- par source (SEO / ads / referral / direct).
Si vous êtes sous 60–70 %, votre priorité n’est pas d’écrire plus de SQL. C’est de fiabiliser la collecte (formulaires, marquage, passage d’identifiants, contrôle GTM/GA4). Ce taux conditionne la qualité de vos analyses de cycle de vente dans BigQuery et, par conséquent, la qualité de vos décisions d’investissement.




