GA4 + BigQuery: Export, schéma, requêtes SQL et cas d'usage

Les coûts BigQuery mentionnés correspondent aux tarifs Google Cloud Platform en vigueur en mai 2026 et peuvent évoluer. Vérifiez les tarifs actuels sur cloud.google.com/bigquery/pricing avant toute décision.

Pourquoi GA4 + BigQuery — et quand c'est vraiment nécessaire

L'interface GA4 standard couvre 80 % des besoins analytics d'un site web. Mais il y a 4 situations où elle atteint ses limites — et où l'export GA4 BigQuery devient indispensable.

GA4 BigQuery cost — coût réel de l'export en 2026

La réponse courte : l'export GA4 vers BigQuery est gratuit à l'activation. Les coûts potentiels viennent de l'usage de la plateforme BigQuery elle-même.

GA4 BigQuery integration — activer l'export pas à pas

• 1
  Créer un projet Google Cloud Platform

  Sur console.cloud.google.com, créez un projet GCP ou utilisez un projet existant. Activez la facturation (obligatoire même pour l'usage dans les limites gratuites — une carte bancaire est requise). Dans APIs & Services → activez l'API BigQuery.

• 2
  Créer le lien BigQuery dans GA4

  GA4 → Admin → Liens de produits → BigQuery → Lier → Sélectionnez votre projet GCP. Choisissez la région (EU recommandée pour la conformité RGPD), la fréquence d'export, et les événements à exclure éventuellement.

• 3
  Vérifier le dataset dans BigQuery

  Une fois l'export activé, dans BigQuery → Explorer → votre projet → un dataset nommé analytics_XXXXXXXXX apparaît. Les tables events_YYYYMMDD se peuplent en général en début d'après-midi (selon le fuseau horaire de votre propriété GA4) — pas à minuit. Il n'y a pas de backfill automatique — les données antérieures à l'activation ne sont pas exportées.

• 4
  Vérifier les permissions

  Le compte de service Google Analytics doit avoir le rôle BigQuery Data Editor sur votre projet GCP. GA4 configure cela automatiquement lors de la création du lien — vérifiez dans GCP → IAM & Admin si des problèmes surviennent.

Schéma des données GA4 BigQuery — comprendre event_params et UNNEST

Structure des tables

L'export BigQuery GA4 crée deux types de tables dans votre dataset :

• events_YYYYMMDD — une table par jour (ex: events_20260508), données finales. C'est votre source de vérité pour le reporting.
• events_intraday_YYYYMMDD — données en cours de journée, mises à jour toutes les 15–30 minutes (nécessite l'export streaming). Attention : écart de 0,5 à 2 % entre intraday et les données quotidiennes finales — ne pas utiliser pour le reporting final ni l'attribution.

Chaque ligne = un événement. Colonnes principales :

Comprendre UNNEST — la clé de tout

La colonne event_params contient un tableau (ARRAY) de paires clé-valeur pour chaque événement. Pour accéder à une valeur spécifique, vous devez utiliser UNNEST :

-- Récupérer la page_location de tous les page_view
SELECT
  event_date,
  event_name,
  user_pseudo_id,
  (SELECT value.string_value
   FROM UNNEST(event_params)
   WHERE key = 'page_location') AS page_location
FROM `votre_projet.analytics_XXXXXXXXX.events_*`
WHERE event_name = 'page_view'
  AND _TABLE_SUFFIX BETWEEN '20260401' AND '20260508'
LIMIT 1000;

Le pattern (SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'NOM_PARAM') est la structure de base de 90 % des requêtes GA4 BigQuery. Pour les paramètres numériques, remplacez string_value par int_value ou float_value.

ga_session_id dans BigQuery GA4

Le ga_session_id BigQuery GA4 est stocké dans event_params sous la clé ga_session_id :

(SELECT value.int_value FROM UNNEST(event_params) WHERE key = 'ga_session_id') AS session_id

Combiné avec user_pseudo_id, il crée un identifiant de session unique : CONCAT(user_pseudo_id, '.', CAST(session_id AS STRING)).

GA4 BigQuery queries — requêtes SQL prêtes à l'emploi

Remplacez votre_projet.analytics_XXXXXXXXX par vos identifiants réels.

Requête 1 — Sessions par canal (source / medium)

SELECT
  traffic_source.medium AS medium,
  traffic_source.source AS source,
  COUNT(DISTINCT CONCAT(user_pseudo_id, '.', 
    CAST((SELECT value.int_value FROM UNNEST(event_params) WHERE key = 'ga_session_id') AS STRING)
  )) AS sessions
FROM `votre_projet.analytics_XXXXXXXXX.events_*`
WHERE _TABLE_SUFFIX BETWEEN '20260401' AND '20260508'
  AND event_name = 'session_start'
GROUP BY medium, source
ORDER BY sessions DESC
LIMIT 50;

Requête 2 — Revenus e-commerce avec déduplication des transactions

SELECT
  (SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'transaction_id') AS transaction_id,
  (SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'currency') AS currency,
  (SELECT value.double_value FROM UNNEST(event_params) WHERE key = 'value') AS revenue,
  event_date,
  device.category AS device,
  traffic_source.medium AS medium
FROM `votre_projet.analytics_XXXXXXXXX.events_*`
WHERE _TABLE_SUFFIX BETWEEN '20260401' AND '20260508'
  AND event_name = 'purchase'
-- Déduplication élégante avec QUALIFY — une seule ligne par transaction_id
QUALIFY ROW_NUMBER() OVER (
  PARTITION BY (SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'transaction_id')
  ORDER BY event_timestamp ASC
) = 1
ORDER BY event_date DESC;

Requête 3 — Taux d'engagement (bounce rate GA4 BigQuery)

WITH sessions AS (
  SELECT
    CONCAT(user_pseudo_id, '.', 
      CAST((SELECT value.int_value FROM UNNEST(event_params) WHERE key = 'ga_session_id') AS STRING)
    ) AS session_id,
    MAX(CASE WHEN event_name = 'user_engagement' THEN 1 ELSE 0 END) AS is_engaged,
    MAX(CASE WHEN (SELECT value.int_value FROM UNNEST(event_params) WHERE key = 'engagement_time_msec') > 10000 
             THEN 1 ELSE 0 END) AS long_engagement,
    COUNT(DISTINCT (SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'page_location')) AS pages_viewed
  FROM `votre_projet.analytics_XXXXXXXXX.events_*`
  WHERE _TABLE_SUFFIX BETWEEN '20260401' AND '20260508'
  GROUP BY session_id
)
SELECT
  COUNT(*) AS total_sessions,
  SUM(CASE WHEN is_engaged = 1 OR long_engagement = 1 OR pages_viewed >= 2 THEN 1 ELSE 0 END) AS engaged_sessions,
  ROUND(100 * SUM(CASE WHEN is_engaged = 1 OR long_engagement = 1 OR pages_viewed >= 2 THEN 1 ELSE 0 END) / COUNT(*), 2) AS engagement_rate,
  ROUND(100 - 100 * SUM(CASE WHEN is_engaged = 1 OR long_engagement = 1 OR pages_viewed >= 2 THEN 1 ELSE 0 END) / COUNT(*), 2) AS bounce_rate
FROM sessions;

Requête 4 — Default channel grouping GA4 BigQuery

SELECT
  CASE
    WHEN traffic_source.medium = 'organic' AND traffic_source.source IN ('google','bing','yahoo','baidu','duckduckgo') THEN 'Organic Search'
    WHEN traffic_source.medium IN ('cpc','ppc','paidsearch') THEN 'Paid Search'
    WHEN traffic_source.medium = 'email' THEN 'Email'
    WHEN traffic_source.medium IN ('social','social-network','social-media','sm') THEN 'Organic Social'
    WHEN traffic_source.medium = 'referral' THEN 'Referral'
    WHEN traffic_source.medium = '(none)' AND traffic_source.source = '(direct)' THEN 'Direct'
    WHEN REGEXP_CONTAINS(traffic_source.medium, r'^(display|cpm|banner)$') THEN 'Display'
    ELSE 'Unassigned'
  END AS default_channel_grouping,
  COUNT(DISTINCT user_pseudo_id) AS users,
  COUNT(DISTINCT CONCAT(user_pseudo_id, '.',
    CAST((SELECT value.int_value FROM UNNEST(event_params) WHERE key = 'ga_session_id') AS STRING)
  )) AS sessions
FROM `votre_projet.analytics_XXXXXXXXX.events_*`
WHERE _TABLE_SUFFIX BETWEEN '20260401' AND '20260508'
  AND event_name = 'session_start'
GROUP BY 1
ORDER BY sessions DESC;

Requête 5 — Landing pages avec taux de conversion

WITH session_data AS (
  SELECT
    CONCAT(user_pseudo_id, '.',
      CAST((SELECT value.int_value FROM UNNEST(event_params) WHERE key = 'ga_session_id') AS STRING)
    ) AS session_id,
    MIN(CASE WHEN event_name = 'session_start'
         THEN (SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'page_location')
         END) AS landing_page,
    MAX(CASE WHEN event_name = 'purchase' THEN 1 ELSE 0 END) AS converted
  FROM `votre_projet.analytics_XXXXXXXXX.events_*`
  WHERE _TABLE_SUFFIX BETWEEN '20260401' AND '20260508'
  GROUP BY session_id
)
SELECT
  REGEXP_REPLACE(landing_page, r'\?.*$', '') AS landing_page_clean,
  COUNT(*) AS sessions,
  SUM(converted) AS purchases,
  ROUND(100 * SUM(converted) / COUNT(*), 2) AS purchase_conversion_rate
FROM session_data
WHERE landing_page IS NOT NULL
GROUP BY landing_page_clean
HAVING sessions >= 50
ORDER BY sessions DESC
LIMIT 30;

Cas d'usage business — ce que GA4 + BigQuery permet vraiment

GA4 BigQuery Looker Studio — connexion et dashboards

Dans Looker Studio → Créer → Source de données → BigQuery → sélectionnez votre projet, dataset et table. Pour les rapports de production, utilisez une vue BigQuery ou une table matérialisée plutôt que la table brute — les requêtes seront plus rapides et moins coûteuses. Pour les équipes qui ne maîtrisent pas SQL, des outils comme dbt permettent de créer et maintenir ces vues de façon structurée.

GA4 seul vs GA4 + BigQuery — quand basculer

Questions fréquentes