Comment bâtir une stratégie de mesure web utile ?

Une stratégie de mesure web utile part des actions qui créent du business, pas d’une liste de KPIs. Je vais cadrer où commence l’analytics web, où il s’arrête, et comment relier GA4, GTM, BigQuery ou PostHog sans tout mélanger.

Qu’est-ce qu’on veut vraiment mesurer ?

On veut mesurer les actions visiteurs qui rapprochent l’entreprise d’un contact identifiable, puis d’un client. C’est ça le vrai sujet. Pas les sessions pour les sessions. Pas un taux d’engagement posé dans un dashboard GA4 parce qu’il faut bien mettre un chiffre quelque part.

Une stratégie de mesure web, ce n’est pas une liste de métriques. Ce n’est pas non plus un plan de taggage isolé dans GTM, ni un tableau de bord GA4 rempli de courbes que personne ne sait interpréter. C’est un plan clair qui dit quelles actions le site cherche à provoquer, comment on les détecte, dans quels outils on les collecte, et à quel moment on passe la main aux données produit ou ventes.

Je vois souvent des équipes commencer par choisir des KPIs comme les sessions, le taux d’engagement ou les conversions. Le problème, c’est qu’elles n’ont pas encore répondu à une question simple : à quoi sert vraiment le site ? Et une deuxième, tout aussi importante : où s’arrête l’analytics web ?

Ces deux questions changent tout. Un site SaaS ne cherche pas les mêmes comportements qu’un média. Un ecommerce ne mesure pas la même intention qu’un site B2B qui veut générer des leads. Dans un cas, on veut peut-être une création de compte. Dans un autre, une lecture récurrente. Dans un autre, un ajout au panier. Dans un autre encore, une demande de démo avec un email pro.

Découvrez égalementSouveraineté des données quelle différence avec résidence ?

La bonne logique suit le visiteur anonyme. Il arrive. Il consulte. Il s’engage. Il montre une intention. Puis, parfois, il laisse une identité. GA4 et GTM servent bien à collecter ces signaux web. BigQuery devient utile pour garder la donnée brute et la retravailler proprement. PostHog, lui, peut être plus adapté quand on veut suivre les usages produit après identification, par exemple ce que fait un utilisateur connecté dans une app.

Avant de tracker plus, je préfère décider ce qui mérite vraiment d’être observé. Sinon, on produit juste du bruit, et j’ai rarement vu un client prendre une meilleure décision grâce à plus de bruit.

Où l’analytics web s’arrête ?

L’analytics web s’arrête au moment où le visiteur devient identifiable. C’est la frontière la plus simple à garder en tête, et franchement elle évite beaucoup de débats inutiles.

J’aime bien utiliser le modèle du nœud papillon, ou bow tie. À gauche, on observe des comportements anonymes. Au centre, la personne se déclare. À droite, on suit ce qu’elle fait comme utilisateur, prospect, client ou compte.

L’aile gauche, c’est la zone naturelle de l’analytics web. On y trouve les impressions hors site, les vues de landing pages, les clics, le scroll, l’engagement, les signaux d’intention, puis la création de contact. Là, GA4 a sa place. GTM aussi, pour gérer les tags. Le server-side tracking peut aider quand on veut plus de contrôle sur la collecte. BigQuery devient utile quand on veut historiser, croiser avec d’autres sources, ou arrêter de dépendre uniquement des rapports prêts à l’emploi.

Découvrez égalementComment faire du suivi anonyme sans données perso ?

Le nœud central, c’est le moment où quelqu’un donne un email, soumet un formulaire, crée un compte, ou déclenche un identifiant exploitable. Ce point est critique. Il permet de raccrocher une visite anonyme à une suite métier. Mais il faut le traiter proprement. Consentement clair, identifiant stable, doublons maîtrisés, qualité de donnée correcte. Sinon, on crée juste une illusion de précision.

L’aile droite, elle, change de nature. On parle d’onboarding, d’essai, d’activation, d’usage des fonctionnalités, d’adoption, d’expansion, de rétention, de revenu par compte. Ce n’est plus vraiment de l’analytics web classique. Là, on a besoin d’outils produit, CRM, ventes, data warehouse, ou analytics engineering. PostHog est un bon exemple pour analyser les funnels produit, la rétention et l’usage des fonctionnalités après identification.

Observation terrain : quand une équipe essaie de faire répondre GA4 à toutes les questions de rétention ou de LTV, elle finit souvent avec des rapports approximatifs. Ce n’est pas forcément GA4 qui est mauvais. C’est le périmètre qui est flou.

Quelles étapes suivre dans le funnel ?

Il faut suivre les étapes qui montrent une progression réelle, pas tous les micro-événements possibles. Je vois souvent des plans de tracking avec 80 clics suivis, mais personne ne sait quoi faire avec. Le bon funnel, côté gauche du bow tie, ressemble plutôt à ça : off-platform, landing page views, engagement, intent, contact creation, puis identité comme point de jonction.

Off-platform, c’est ce qui se passe avant l’arrivée sur votre site. Impressions, clics publicitaires, visibilité d’une campagne, portée LinkedIn, emailing ouvert ou cliqué. Le signal compte parce qu’il explique la pression marketing en amont. Mais attention, tout n’est pas observable dans votre web analytics. GA4 ne verra pas une impression LinkedIn si elle reste dans LinkedIn.

Landing page views, c’est l’arrivée. Sessions, pages vues d’entrée, source, campagne, qualité du trafic. Ici, je cherche à savoir si le trafic acheté ou gagné arrive au bon endroit. Une session ne vaut pas grand-chose seule, mais une session qualifiée sur une page cohérente avec la campagne, ça commence à parler.

Découvrez égalementPII et données personnelles quelle différence ?

Engagement, c’est le premier signe d’intérêt. Scroll depth, clic sur un CTA important, lecture vidéo, interaction avec un simulateur ou un module. Un scroll profond ne prouve pas qu’un prospect va acheter. Mais sur une page longue, il aide à lire si le contenu est vraiment consommé.

Intent, c’est le moment où le comportement se rapproche du business. Vue pricing, clic sur demande de démo, consultation répétée de pages offres, retour sur une page à forte intention. Une vue pricing est souvent plus utile qu’une page vue générique, parce qu’elle dit “je compare, je projette, je me rapproche d’une décision”.

Contact creation, c’est le vrai changement de statut. Formulaire rempli, inscription newsletter, création de compte, prise de rendez-vous. Là, on sort de l’audience anonyme. Puis vient l’identité : email, user ID, contact CRM. C’est le point de jonction entre mesure web et relation commerciale.

Pour que ça tienne, les événements doivent être propres. GA4 repose sur un modèle événementiel, donc je préfère des noms lisibles comme generate_lead pour un lead, sign_up pour une inscription, view_item ou view_promotion si le contexte s’y prête. Les paramètres donnent le contexte : page_type, form_name, content_group, traffic_source. Les noms bricolés comme click_button_12 finissent toujours mal. Trois mois après, plus personne ne sait ce que ça veut dire.

Pourquoi ne pas partir de l’attribution ?

Parce que l’attribution reconstruit le passé, elle ne définit pas ce que le site doit provoquer. C’est utile, oui, mais ce n’est pas le point de départ d’une stratégie de mesure.

L’attribution sert à analyser la contribution des canaux. Google Ads, SEO, email, social, affiliation, tout ça peut être comparé pour comprendre ce qui participe à la conversion. Mais avant de demander “quel canal a converti ?”, il faut déjà savoir ce qu’on appelle une conversion. Un achat ? Une demande de démo ? Un formulaire commencé ? Un compte créé ? Une prise de rendez-vous qualifiée ?

Et là, souvent, ça coince. Beaucoup d’équipes regardent l’attribution alors que les bases ne sont pas claires :

• La conversion finale n’est pas toujours bien définie.
• Le point d’identification du visiteur arrive trop tard, ou n’est pas suivi correctement.
• Les étapes intermédiaires mélangent des signaux forts et des clics sans valeur.
• Le funnel n’est pas aligné avec ce que le business veut vraiment provoquer.

Dans ce cas, on optimise des rapports propres sur une mesure fragile. Ça donne une impression de précision, mais ce n’est pas forcément utile.

Il faut aussi accepter une chose simple : les parcours visiteurs sont incomplets par nature. Le consentement peut manquer. Le navigateur peut bloquer une partie du tracking. Une personne peut découvrir sur mobile et acheter sur desktop. Certaines campagnes sont vues sans être cliquées. Certaines conversions arrivent plusieurs jours plus tard. Ce n’est pas dramatique. C’est juste la réalité. La mesure web est une approximation structurée, pas une caméra parfaite.

C’est pour ça que je préfère utiliser l’attribution après le cadrage. D’abord, je définis le funnel gauche, c’est-à-dire les étapes avant la conversion visible. Ensuite, je clarifie les événements clés, ceux qui traduisent une vraie intention. Puis je regarde le passage vers l’identité : email, compte, lead, client. Là, l’attribution devient intéressante. Elle aide à comparer les sources qui amènent des visiteurs engagés, des intentions fortes, ou des créations de contacts.

J’ai eu le cas chez un client qui voulait arbitrer ses budgets au dernier clic. Le débat tournait en rond entre SEO, paid et email. Le vrai problème était ailleurs : les clics décoratifs étaient mélangés avec les événements d’intention. Un clic sur un visuel valait autant qu’un clic sur “demander un devis”. Une fois les étapes clarifiées, les discussions marketing sont devenues beaucoup plus simples.

Ma règle est simple : attribution pour lire les canaux, stratégie de mesure pour piloter le business.

Comment relier web, produit et ventes ?

Il faut relier les données autour du moment d’identification, sans forcer un seul outil à tout faire. Le point de jonction du bow tie, c’est l’identifiant qui permet de passer du visiteur anonyme au contact connu : email, user_id, account_id, lead_id, customer_id, peu importe le nom, tant qu’il colle à votre métier.

Côté web, je garde une architecture simple. GTM collecte les événements. GA4 sert à analyser les campagnes, les parcours et les comportements avant conversion. BigQuery peut recevoir les exports GA4 et devenir une base de travail pour recroiser proprement les données. Côté produit ou ventes, PostHog, le CRM, l’outil d’onboarding, la base produit ou le data warehouse prennent le relais après identification.

Le choix des outils compte moins que la clarté du périmètre. GA4 n’a pas besoin de devenir un CRM. Le CRM n’a pas besoin de suivre tous les clics du site. Chacun son rôle, avec des identifiants propres au milieu. Chez un client SaaS, on avait trois chiffres différents pour les démos demandées. Le problème n’était pas l’outil. C’était trois formulaires, deux noms d’événements, et aucun lead_id stable.

Les points de vigilance sont assez terre à terre, mais ils évitent beaucoup de dégâts :

• Le consentement doit être respecté, surtout avant de relier une donnée anonyme à une personne.
• Les événements doivent garder les mêmes noms et les mêmes définitions partout.
• Les formulaires doivent être dédupliqués, sinon une relance devient vite deux leads fantômes.
• Les horodatages doivent être fiables, avec le bon fuseau horaire.
• Les paramètres de campagne doivent être conservés jusqu’au CRM quand c’est utile.
• Le client_id ou le user_id peut circuler seulement si c’est autorisé et cadré.
• Les données anonymes et les données personnelles doivent rester séparées quand elles n’ont pas besoin d’être fusionnées.

Je pars toujours des objectifs business. Je liste les actions attendues, je les place dans le bow tie, puis je choisis l’outil qui mesure chaque action. Ensuite je définis l’événement, ses paramètres, son identifiant, et je documente tout dans un plan de mesure vivant. Ce document doit être lisible par marketing, produit, sales et data. Sinon il ne servira pas.

Une bonne stratégie de mesure ne cherche pas à tout voir. Elle rend les arbitrages plus rapides, parce que chacun sait d’où viennent les chiffres et ce qu’ils veulent vraiment dire.

Et si on arrêtait de mesurer sans savoir pourquoi ?

Une bonne stratégie de mesure web commence par une question simple : qu’est-ce que le site doit provoquer chez un visiteur anonyme. Le bow tie aide à tracer la frontière proprement. À gauche, je mesure l’acquisition, l’engagement, l’intention et la création de contact. Au centre, je repère le moment d’identification. À droite, je passe sur des logiques produit, ventes, adoption, rétention et revenu.

GA4, GTM, BigQuery ou PostHog ont chacun leur place, mais aucun outil ne remplace le cadrage. Le vrai bénéfice pour vous, c’est une mesure plus lisible, plus fiable, et surtout plus utile pour décider.

FAQ

• Qu’est-ce qu’une stratégie de mesure web ?
  C’est un plan qui définit les actions importantes des visiteurs, la façon de les mesurer, les outils utilisés et le moment où la donnée web passe vers les données produit ou ventes. Ce n’est pas juste une liste de KPIs dans un dashboard.
• Pourquoi utiliser le modèle bow tie en analytics ?
  Le bow tie aide à séparer ce qui se passe avant et après l’identification. À gauche, on suit les visiteurs anonymes. Au centre, on repère le moment où la personne devient identifiable. À droite, on analyse l’onboarding, l’adoption, la rétention ou le revenu.
• GA4 suffit-il pour mesurer tout le parcours client ?
  GA4 est très utile pour l’analyse web et marketing, surtout avant l’identification. Mais pour l’usage produit, la rétention, l’adoption ou la LTV, il faut souvent compléter avec un outil produit, un CRM, BigQuery ou un vrai data warehouse.
• Quelle est la différence entre métrique et stratégie de mesure ?
  Une métrique décrit un chiffre, comme une session, un clic ou un formulaire soumis. Une stratégie explique pourquoi ce chiffre compte, où il se situe dans le parcours, comment il est collecté et quelle décision il doit aider à prendre.
• Faut-il commencer par l’attribution marketing ?
  Je préfère commencer par le parcours et les actions business importantes. L’attribution peut ensuite aider à lire la contribution des canaux. Si on part directement de l’attribution, on risque d’optimiser des sources sans savoir si les bons comportements sont vraiment mesurés.

A propos de l’auteur

Je suis Franck Scandolera, expert et formateur en tracking avancé server-side, analytics engineering, automatisation No/Low Code avec n8n, intégration de l’IA en entreprise et SEO/GEO. J’accompagne des équipes marketing, data et produit chez des clients comme Logis Hôtel, Yelloh Village, BazarChic, la Fédération Française de Football ou Texdecor.

Je dirige l’agence webAnalyste et l’organisme Formations Analytics. Si vous voulez remettre à plat votre stratégie de mesure, votre tracking GA4, votre data pipeline ou vos automatisations IA, contactez-moi, je peux vous aider à construire quelque chose de propre et exploitable.

Franck Scandolera

⭐ 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.