Un test montre +3 % d'augmentation de la conversion. Cela semble convaincant - jusqu'à ce que l'on vérifie les données dans BigQuery. Car ce que les rapports GA4 cachent souvent : Le résultat est basé sur des utilisateurs modélisés, des sessions échantillonnées et des données lissées.
L'effet ? Une apparente victoire au test qui n'en est pas une.
Pour prendre des décisions éclairées, il ne faut pas se fier aux tableaux de bord prédigérés. Il faut au contraire comprendre ce qui s'est réellement passé.
La fausse sécurité est plus dangereuse que l'insécurité !
Table des matières
Google Analytics 4 vs. BigQuery
GA4 et BigQuery accèdent au même ensemble de données, mais ce qu'ils en font est fondamentalement différent.
GA4 utilise des méthodes probabilistes, comme HyperLogLog++, pour estimer le nombre d'utilisateurs en cas de trafic élevé. Cela permet d'économiser la charge de calcul, mais a pour conséquence que les chiffres clés tels que les utilisateurs ou les conversions sont légèrement gonflés. A partir d'environ 12.000 visiteurs par variante, les chiffres d'utilisateurs et de conversions indiqués s'écartent parfois sensiblement des valeurs réelles.
Si le même test est analysé dans BigQuery, l'image est différente : l'uplift se réduit, la significativité diminue. Pourquoi ? Parce que BigQuery travaille avec les données brutes réelles, et non avec des valeurs estimées.
| BigQuery | Google Analytics 4 |
|---|---|
|
Enregistre les données brutes des événements |
Affiche les données traitées et agrégées
|
|
Les données sont toujours non échantillonnées (non basées sur un échantillon) |
Peut utiliser l'échantillonnage dans des rapports
|
|
Les données sont organisées en tableaux quotidiens, avec un schéma d'événements |
Les données sont affichées dans des rapports prédéfinis et des explorations personnalisables |
|
SQL est nécessaire pour interroger et analyser les données |
Utilise une interface utilisateur graphique |
|
Les données sont exportées le jour suivant (peut prendre jusqu'à 72h) |
Les données peuvent prendre jusqu'à 48 heures pour être traitées
|
|
Gratuit (dans les limites prédéfinies) |
Gratuit (avec mise à niveau vers GA4 360)
|
En bref
GA4 simplifié - BigQuery précisé.
Ce qui est important Il ne s'agit pas seulement de GA4. De nombreux outils d'A/B testing travaillent également avec des données modélisées et lissées. C'est précisément pour cette raison que le principe de base est le suivant : faire confiance aux données brutes et remettre en question les surfaces lisses.
Comme on peut vite se tromper : Un exemple concret
Cet exemple provient d'un test A/B autour d'une refonte de la Buybox. L'objectif était d'optimiser le guidage des utilisateurs et d'augmenter le taux de conversion. La variante testée est représentée ci-dessous.
Ce test illustre parfaitement la différence entre GA4 et BigQuery.
Les chiffres clés ci-dessous ont été calculés avec Google Analytics 4 et donnent un aperçu de la performance des variantes testées :
Les indicateurs suivants ont été calculés à l'aide de BigQuery évalués :
Tester BigQuery avec Varify.io
Gratuit et entièrement sans SQL
Si tu utilises Varify, tu n'as pas besoin de t'occuper toi-même de SQL.
Une fois que tu as connecté Varify à BigQuery, soit via notre configuration automatique, soit en sélectionnant la bonne source de données, les données de l'expérience sont automatiquement synchronisées - y compris les expositions, les conversions et les affectations de variantes.
Tu trouveras plus de détails à ce sujet dans cet article de blog :
Conclusion
Une bonne évaluation de test ne commence pas par le tableau de bord, mais par la question de savoir si tu peux faire confiance aux chiffres. Pour prendre des décisions fondées, il faut être clair sur la base de données et contrôler son interprétation. GA4 fournit des visualisations rapides. BigQuery fournit des réponses solides.
Si tu veux comprendre ce qui est vraiment important dans une analyse d'expérience fiable et comment tu peux éviter les erreurs typiques, cela vaut la peine de jeter un coup d'œil au livre blanc.
Tous les Infos, Exemples et la Modèles tu trouveras des informations compactes et pratiques dans le livre blanc complet :
👉 Télécharger gratuitement ici
Références individuelles
- Analytics‑Toolkit.com (2020): The Perils of Using Google Analytics User Counts in A/B Testing. Published 2020 (updated September 2022 & January 2023). [Accessed on: 21.07.2025]
