Google a ajouté dans GA4 une brique qui change la nature du produit. Jusqu’ici, Analytics servait surtout à regarder dans le rétroviseur. Avec les plans budgétaires cross-canal, Google commence à lui faire jouer un rôle de planification média. La fonctionnalité est sortie en bêta le 16 janvier 2026, avec une disponibilité encore limitée selon les propriétés. Elle a d’ailleurs été lancée assez discrètement, principalement via la documentation d’aide.
Le pitch officiel est simple : GA4 vous aide à prévoir si vos budgets médias payants sont sur la bonne trajectoire, puis à simuler une meilleure répartition entre canaux pour maximiser conversions, revenus ou ROI. En clair, Google propose deux outils : un plan de projection pour suivre l’atterrissage attendu de vos budgets en cours, et un planificateur de scénarios pour tester plusieurs répartitions futures.
Sur le papier, c’est séduisant. Dans la réalité, il faut rester lucide. Parce que ce que Google met à disposition ici n’est pas un arbitrage miracle. C’est un modèle statistique, nourri par vos données d’attribution et vos imports de coûts, avec toutes les limites que cela implique. La doc de Google le dit elle-même : les sorties sont des estimations, pas des garanties de performance.
Formez-vous à Google Analytics !
Maîtriser Google Analytics est crucial pour comprendre votre audience, optimiser vos campagnes, améliorer l'expérience utilisateur et mesurer vos conversions... Gagnez du temps avec nos formations Google Analytics.
Qu’est-ce que les plans budgétaires cross-canal GA4 apporte vraiment ?
Le vrai intérêt de cette nouveauté n’est pas “l’IA qui optimise vos budgets”. Cette phrase est du décor. Le vrai intérêt, c’est ailleurs.
D’abord, GA4 rapproche enfin trois briques qui vivaient trop souvent séparées : mesure, attribution et planification. Le budget n’est plus pensé dans un tableur à côté de la donnée de conversion. Il est projeté dans l’outil même où l’on observe les performances. C’est un changement important, et plusieurs acteurs du marché le lisent comme le signe d’un GA4 plus tourné vers la décision que vers le simple reporting.
Ensuite, l’outil ne se limite pas à Google Ads. Google positionne clairement cette brique sur le cross-canal, avec import de données de campagne non Google via les intégrations ou les imports manuels. C’est indispensable, sinon l’exercice n’aurait aucun sens. Un outil de budgétisation qui “optimise” seulement l’écosystème Google serait juste un tunnel propriétaire de plus.
Enfin, l’interface force une discipline utile : définir une période, un KPI cible, une allocation, et regarder l’écart entre le prévu et le réalisé. Beaucoup d’équipes ne manquent pas de dashboards. Elles manquent d’un cadre concret pour décider où couper, où renforcer, et à quel moment réviser une hypothèse média. Sur ce point, l’outil peut être utile, surtout pour des équipes qui bricolent encore leurs arbitrages mensuels à l’intuition.
Là où le discours de Google mérite d’être bien compris.
Le premier point critique, c’est le niveau d’exigence en données. Pour être éligible, il faut au moins 12 mois de données de conversion, 12 mois de données de campagne, et ces données doivent couvrir au moins deux canaux, dont Google et un non-Google. En plus, seuls les canaux payants entrent dans les résultats de budgétisation. Les canaux organiques sont exclus.
Dit autrement : si votre organisation a un tracking instable, des imports de coûts incomplets, des nomenclatures UTM bancales, des regroupements de canaux bricolés, ou six mois d’historique propre seulement, oubliez. Vous n’avez pas un moteur de décision. Vous avez une jolie interface branchée sur une donnée trop faible pour soutenir un arbitrage budgétaire sérieux.
Le deuxième point critique, c’est la dépendance au regroupement de canaux principal. Google précise que la budgétisation repose sur votre primary channel group. Si vous changez sa définition, vos plans et vos modèles peuvent mettre jusqu’à deux jours à se mettre à jour. Et si ce regroupement n’est plus compatible avec les exigences de données, vous pouvez perdre l’éligibilité.
Ça paraît technique. En réalité, c’est central. Beaucoup d’équipes personnalisent leurs channel groups pour mieux lire leur activité. Très bien. Mais si cette couche devient le socle d’un modèle prédictif, chaque modification de définition n’est plus un simple réglage de reporting. C’est une modification du terrain statistique sur lequel repose la recommandation budgétaire.
Le troisième point critique, c’est la nature du modèle lui-même. Google indique que la budgétisation s’appuie sur l’attribution basée sur les données historique de la propriété comme entrée principale d’un modèle de régression bayésien, inspiré de Meridian. Meridian, de son côté, est présenté par Google comme un framework de modélisation basé sur l’inférence causale bayésienne.
Dit plus simplement : Google part de ce qu’il “croit” déjà savoir sur vos canaux via l’attribution data-driven, puis le combine à ce que les données lui apprennent pour estimer les effets médias et quantifier l’incertitude. C’est sophistiqué. Mais il y a un problème évident : si votre attribution d’entrée est déjà discutable, votre projection héritera d’une partie de cette fragilité.
Et Google n’ignore pas du tout ce problème. Ses propres travaux sur Meridian insistent sur la calibration du modèle à l’aide de résultats d’expériences incrémentales ou de connaissances métier, justement parce qu’un modèle bayésien dépend fortement de ses priors et de la qualité des hypothèses injectées. Google écrit même que des données bruyantes et des priors mal calibrés peuvent conduire à de mauvais résultats, et recommande d’utiliser des expériences d’incrémentalité comme base solide pour guider le modèle.
C’est probablement le point le plus important de tout le sujet. Le produit GA4 donne l’impression d’une réponse simple : “importez vos coûts, laissez le modèle vous dire comment répartir le budget”. La réalité méthodologique racontée par Google est beaucoup moins magique : un bon modèle d’allocation budgétaire repose aussi sur de la calibration, de la validation, et idéalement des tests incrémentaux.
Outil de pilotage ou d’illusion ?
C’est ici que le regard critique devient utile.
Le risque n’est pas que l’outil soit “mauvais”. Le risque, c’est qu’il soit utilisé trop tôt et pris trop au sérieux. Google dit lui-même que les intervalles de confiance peuvent être larges quand les fluctuations ne sont pas expliquées par la saisonnalité ou les jours fériés, ce qui signifie que le comportement du canal a changé et que le modèle a besoin de plus de données pour réapprendre les nouvelles tendances.
Traduction : marché plus instable, changement d’enchères, nouvelle créa, promo agressive, variation du mix produit, pression concurrentielle, évolution du site, problème de tracking… et la courbe devient plus incertaine. Or ce sont précisément ces contextes-là où les équipes cherchent des réponses rapides sur les budgets. Le modèle aide moins quand l’environnement se met à bouger fort.
Autre limite importante : les plans de scénarios sont figés dans leurs hypothèses de création. Google précise que si vous ouvrez votre plan en milieu de période, vous voyez la même courbe de réponse que celle générée au moment de la création. Pour avoir une courbe mise à jour, il faut créer un nouveau plan.
Ça change beaucoup de choses. Un décideur pourrait croire consulter une recommandation “vivante”. En réalité, il consulte souvent un instantané calculé à partir d’un état de marché passé. Ce n’est pas absurde. Mais ce n’est pas non plus de l’optimisation temps réel.
Les conditions pour que l’outil soit utile
Ce produit peut devenir intéressant dans un cadre assez précis.
Il faut d’abord une hygiène de données stricte :
- imports de coûts fiables ;
- canaux correctement mappés ;
- conversions stables ;
- cohérence entre ce que vos plateformes dépensent et ce que GA4 comprend ;
- historique suffisant sur au moins un an.
Il faut ensuite accepter que l’outil soit un assistant de décision, pas une vérité statistique finale. Un bon usage consiste à s’en servir pour générer des hypothèses : “que se passe-t-il si je retire 15 % à ce canal et que je renforce celui-ci ?”, “quel canal semble plafonner plus vite ?”, “où la projection décroche-t-elle de ma cible ?” Là, l’outil a du sens.
Il faut enfin le replacer dans une stack de mesure plus large. Google, via Meridian et ses documents de calibration, pousse lui-même l’idée qu’un bon dispositif de mesure ne repose pas sur un seul modèle. Il faut croiser attribution, modélisation et tests d’incrémentalité.
Ce que je ferais à votre place
Je ne vendrais pas ce sujet comme “GA4 sait maintenant où mettre votre budget”. C’est trop fort, donc faux dans beaucoup de cas.
Je le présenterais plutôt ainsi :
| Ce que l’outil est | Ce que l’outil n’est pas |
|---|---|
| Un outil de planification cross-canal basé sur vos données historiques | Un arbitre infaillible de la performance future |
| Un moyen de comparer plusieurs hypothèses budgétaires | Une preuve causale définitive |
| Un bon révélateur de vos trous de données | Un remplaçant des tests incrémentaux |
| Un raccourci utile pour préparer des arbitrages média | Un pilote automatique branché sur vos comptes |
Cette nuance compte. Parce qu’au fond, la nouveauté de Google est moins une révolution méthodologique qu’une industrialisation produit d’idées déjà connues dans le marketing measurement : modéliser les effets médias, quantifier l’incertitude, scénariser des allocations, et rapprocher ces calculs des outils opérationnels.
Le point de vue critique le plus solide
Le point de vue critique sérieux n’est pas “Google veut vous enfermer”. Même si la tentation de recentraliser la décision dans ses outils existe toujours.
Le vrai point de vue critique, c’est celui-ci : Google simplifie dans l’interface ce que la méthodologie rend complexe en arrière-plan.
L’interface dit : budget, conversions, revenus, ROI, scénarios.
La méthodologie dit : attribution historique, régression bayésienne, confiance du modèle, calibration, qualité des imports, limites de données, canaux payants seulement, courbes de réponse figées jusqu’au prochain recalcul.
Autrement dit, le danger n’est pas dans l’outil. Il est dans la lecture naïve de l’outil.
Faut-il s’y intéresser maintenant ?
Oui, clairement. Parce que cette fonctionnalité dit quelque chose d’important sur l’évolution de GA4 : Google veut faire d’Analytics un poste de pilotage publicitaire cross-canal, pas seulement un outil de constat.
Mais non, il ne faut pas l’avaler tel quel. Il faut l’évaluer avec une question simple : mes données sont-elles assez propres, assez stables et assez complètes pour que ce modèle mérite ma confiance ? Si la réponse est non, le bon chantier n’est pas la budgétisation. Le bon chantier, c’est votre fondation data.
Et c’est là que ce produit devient presque intéressant malgré lui : il agit comme un test de maturité. Si vous n’arrivez pas à l’utiliser correctement, ce n’est pas forcément que l’outil est mauvais. C’est peut-être qu’il révèle brutalement que votre mesure cross-canal n’était pas prête.
⭐ Analytics engineer, Data Analyst et Automatisation IA indépendant ⭐
- Ref clients : Logis Hôtel, Yelloh Village, BazarChic, Fédération Football Français, Texdecor…
Mon terrain de jeu :
- Data Analyst & Analytics engineering : tracking avancé (GA4, Matomo, Piano, GTM server, Tealium, Commander Act, e-commerce, CAPI, RGPD), entrepôt de données (BigQuery, Snowflake, PostgreSQL, ClickHouse), modèles (Airflow, dbt, Dataform), dashboards décisionnels (Looker, Power BI, Metabase, SQL, Python).
- Automatisation IA des taches Data, Marketing, RH, compta etc : conception de workflows intelligents robustes (n8n, App Script, scraping) connectés aux API de vos outils et LLM (OpenAI, Mistral, Claude…).
- Engineering IA pour créer des applications et agent IA sur mesure : intégration de LLM (OpenAI, Mistral…), RAG, assistants métier, génération de documents complexes, APIs, backends Node.js/Python.