Quelles limites de Google Analytics 4 pour vos données ?

Google Analytics 4 limite surtout votre lecture des données sur 5 points : trafic IA, historique, collecte, fiabilité des rapports et conformité. Je vois souvent le même problème : GA4 donne des signaux utiles, mais pas toujours assez propres pour piloter sereinement un business.

GA4 comprend-il vraiment le trafic IA ?

GA4 identifie une partie du trafic IA, mais ça ne suffit pas à comprendre ce que les assistants IA font réellement avec un site.

L’arrivée tardive de cette identification dans GA4, annoncée pour mai 2026, répond à un vrai besoin. Jusque-là, beaucoup de visites liées aux agents IA restaient noyées dans des sources techniques, des referrals bizarres, ou du trafic difficile à lire. C’est mieux que rien, clairement. Mais le sujet ne s’arrête pas à “Un robot est passé”.

Ce que je veux savoir, moi, c’est quelle IA est venue, quelles pages elle a consultées, combien de temps elle a exploré le site, ce qu’elle a potentiellement recommandé ensuite, et si ça a déclenché des visites humaines derrière. Je veux aussi comprendre si mon contenu est assez structuré pour être repris correctement. Parce qu’un assistant IA ne lit pas un site comme un humain. Il extrait, résume, compare, puis influence une décision ailleurs.

La vraie différence est là. Mesurer une visite IA, c’est compter un passage. Comprendre son impact business, c’est relier ce passage à une intention, une recommandation, puis peut-être à une conversion.

Découvrez égalementComment trouver un bottleneck de funnel avec GA4 ?

Par exemple, un assistant IA consulte une fiche produit, un article comparatif ou une page de destination. Quelques heures plus tard, un utilisateur arrive directement sur le site avec une intention beaucoup plus avancée. Il connaît déjà l’offre, il compare moins, il va plus vite. Si l’outil analytics ne relie pas ces signaux, on sous-estime complètement le rôle de l’IA dans l’acquisition. On croit que la visite humaine sort de nulle part, alors qu’elle a peut-être été préparée par une recommandation IA.

Sur le terrain, avec des clients SEO et analytics, je vois déjà que le trafic ne vient plus seulement de Google Search classique. Les assistants IA commencent à influencer la découverte. Le problème, c’est que les reportings standards racontent encore une histoire trop ancienne. Ils montrent des sessions, des canaux, des conversions, mais pas toujours les nouveaux chemins de décision.

Matomo devient intéressant sur ce point. Il propose une approche plus orientée analyse des assistants IA, avec la capacité de distinguer certains agents IA et d’analyser les visites associées aux recommandations. Ce n’est pas magique, et ça dépend toujours de la qualité des signaux disponibles, mais c’est plus proche de la question business que je me pose.

Pourquoi l’historique pose problème ?

Le vrai problème, c’est que GA4 ne permet pas de reprendre proprement l’historique Universal Analytics dans la même continuité de reporting. Et ça, pour beaucoup d’équipes, c’est là que la douleur commence vraiment.

Le passage de Universal Analytics à GA4 n’a pas seulement changé l’interface. Le modèle de données a changé aussi. Avant, Universal Analytics raisonnait beaucoup avec les sessions, les pages vues, les parcours assez classiques. GA4, lui, fonctionne avec une logique centrée sur les événements. Un événement, c’est une action mesurée : une page vue, un clic, un scroll, un achat, une connexion, peu importe. Sur le papier, c’est plus flexible. Dans la vraie vie, ça casse pas mal de comparaisons simples.

Découvrez égalementComment créer un tableau de bord Google Analytics ?

Vous voulez comparer votre trafic SEO de novembre avec celui de novembre l’année dernière ? Votre taux de conversion e-commerce sur deux saisons ? La performance d’une campagne média par rapport à une ancienne campagne ? Là, ça devient vite moins propre. Les métriques ne sont pas toujours calculées pareil, les sessions ne se comportent pas exactement de la même façon, et certains indicateurs ont changé de définition.

Ce n’est pas juste une frustration d’analyste qui aime ses tableaux bien rangés. Une direction marketing a besoin de repères. Une équipe e-commerce a besoin de comprendre si une baisse vient du marché, du tracking, du site ou d’un changement d’outil. Sans contexte historique solide, on prend plus facilement de mauvaises décisions.

GA4 ne propose pas de mécanisme natif pour importer les anciennes données Universal Analytics directement dans les rapports GA4. Vous pouvez conserver des exports, brancher BigQuery si vous l’aviez prévu, archiver des rapports, mais ça ne crée pas automatiquement une continuité exploitable dans l’interface GA4.

Une approche plus confortable existe côté Matomo. Avec un plugin d’import, on peut réunir des données Universal Analytics et GA4 dans une même plateforme, et retrouver un peu de contexte pour comparer les périodes. Tout ne devient pas magique, surtout si l’ancien tracking était mal configuré ou si certaines données manquent, mais c’est déjà beaucoup plus lisible.

Chez certains clients, le plus pénible n’a pas été d’installer GA4, c’était d’expliquer pourquoi les chiffres ne racontaient plus exactement la même histoire qu’avant.

• Quelles données historiques faut-il absolument garder ?
• Quelles métriques peut-on vraiment comparer entre Universal Analytics et GA4 ?
• Quelles ruptures de mesure faut-il documenter pour éviter les mauvaises interprétations ?
• Quel outil utiliser pour consolider les données et garder une lecture cohérente ?

Les quotas de GA4 bloquent-ils l’analyse ?

Découvrez égalementPourquoi Google Analytics fausse vos données web ?

Les quotas GA4 ne bloquent pas toute l’analyse, mais ils forcent vite des compromis dès qu’un tracking devient riche ou très personnalisé.

GA4 impose des plafonds sur ce qu’on peut collecter et exploiter proprement. Pour une propriété GA4 standard, Google documente notamment jusqu’à 25 paramètres personnalisés par événement collecté, 50 dimensions personnalisées à portée événement et 25 dimensions personnalisées à portée utilisateur. Avec Google Analytics 360, certains quotas montent, oui, mais on change aussi de budget.

Ce que ça change en vrai ? On ne peut pas toujours envoyer toute la richesse métier dans GA4. Si je suis sur un site e-commerce et que je veux suivre la catégorie produit, la marque, la marge, le stock, le type de promo, le niveau de fidélité, la disponibilité magasin, la personnalisation affichée, l’univers produit, le canal CRM, le score d’appétence et d’autres attributs, je dois choisir. Et ce choix n’est pas juste technique. Il touche le marketing, le produit, le CRM et la data.

Le piège classique, je l’ai vu chez un client retail, c’est de se dire “on ajoutera les dimensions plus tard”. Sauf que dans GA4, si j’ajoute une dimension personnalisée après coup, je n’ai pas l’historique avant sa création. Les données existaient peut-être dans les événements bruts, mais elles ne sont pas disponibles comme dimension exploitable dans les rapports GA4 sur le passé. C’est souvent là que les équipes comprennent que le plan de marquage doit être pensé sérieusement avant l’implémentation.

L’impact business est assez direct :

• Moins de granularité dans les analyses.
• Des segments plus pauvres ou moins fiables.
• Des arbitrages permanents entre les besoins marketing, produit, CRM et data.
• Une dépendance possible à GA360 pour augmenter certains quotas, avec un coût élevé.

Matomo est généralement moins contraignant sur les dimensions personnalisées et les paramètres d’événements. Cette liberté est utile quand on veut garder un modèle analytics très fin, surtout dans les organisations qui ont déjà une vraie culture data et qui savent quoi faire de cette précision.

Je préfère toujours réduire un tracking mal pensé plutôt que tout envoyer partout. Mais je n’aime pas qu’un outil m’oblige à supprimer des signaux importants juste parce que le modèle standard est trop serré.

Peut-on faire confiance aux rapports GA4 ?

On peut utiliser les rapports GA4, oui. Mais il faut savoir à quel moment on regarde une mesure observée, une estimation, ou une vue partielle des données. C’est là que beaucoup de mauvaises décisions commencent.

GA4 n’est pas “faux” par défaut. Il applique des mécanismes qui ont souvent une logique technique ou privacy. Le souci, c’est que l’interface présente parfois les chiffres avec une assurance qui donne envie de les lire comme des données brutes, complètes, définitives. Dans un comité de pilotage, personne n’a envie de découvrir après coup que le rapport était échantillonné, filtré ou partiellement modélisé.

L’échantillonnage, c’est quand GA4 ne calcule pas un rapport sur 100 % des événements disponibles, mais sur une partie représentative. Ça arrive surtout dans certaines explorations ou requêtes complexes, quand les volumes dépassent les seuils de l’outil. C’est pratique pour répondre vite, mais ça peut devenir fragile quand on cherche une anomalie fine.

La cardinalité, c’est le nombre de valeurs différentes dans une dimension. Par exemple des milliers d’URLs, de mots-clés internes, de noms de produits ou de paramètres de campagne. Quand il y en a trop, GA4 peut regrouper les valeurs rares dans une ligne other. Vous pensez analyser le détail, mais une partie est rangée dans un seau commun.

Les seuils de données peuvent aussi masquer des infos quand Google estime qu’un rapport risque d’exposer indirectement l’identité d’utilisateurs. C’est cohérent côté confidentialité, mais côté pilotage, ça peut créer des trous difficiles à expliquer.

Les données modélisées arrivent notamment avec le consentement. Si une partie des utilisateurs refuse le tracking, GA4 peut reconstruire certains comportements avec des modèles statistiques. Ce n’est pas inutile. Mais ce n’est plus exactement la même chose qu’une donnée observée.

J’ai déjà vu une équipe couper une landing page parce que son taux de conversion semblait mauvais sur un segment de campagne. En recroisant avec le CRM et le back-office, on s’est rendu compte que le segment était trop faible, partiellement agrégé, et que les ventes arrivaient avec un délai. La décision aurait été mauvaise.

Matomo peut être une alternative intéressante parce qu’il est souvent utilisé sans échantillonnage dans les rapports de référence. Ça renforce la confiance, surtout quand l’équipe veut auditer chaque visite et garder une donnée plus contrôlable. Le choix dépend quand même de l’hébergement, du volume, des compétences internes et de votre gouvernance data.

Pour les décisions importantes, je croise toujours GA4 avec les exports, les logs serveur, le CRM, le back-office ou un outil analytics plus maîtrisable. Un seul outil ne doit jamais devenir la vérité absolue.

• Ligne other présente dans un rapport.
• Seuils de données appliqués ou données masquées.
• Explorations lentes, complexes ou échantillonnées.
• Écarts importants entre rapports GA4, exports et outils métier.
• Conversions indiquées comme modélisées ou influencées par le consentement.

GA4 est-il vraiment conforme au RGPD ?

GA4 peut être configuré avec plus de précautions que les anciennes implémentations, mais une installation standard ne suffit pas à garantir une conformité RGPD solide. C’est le point que je vois souvent sous-estimé. Beaucoup pensent que “GA4 = nouvelle version = problème réglé”. Non. GA4 donne plus de réglages privacy, mais c’est à l’entreprise de les activer, de les documenter, et de justifier sa base légale.

Plusieurs autorités européennes ont déjà jugé des implémentations Google Analytics non conformes au RGPD, surtout à cause des transferts de données vers les États-Unis. On a vu des décisions en Autriche, en France avec la CNIL, et en Italie avec le Garante. Il faut rester précis : ces décisions concernaient des configurations et un contexte juridique donnés, principalement autour de Universal Analytics, l’ancienne version de Google Analytics. Mais elles ont laissé une trace durable. Depuis, Google Analytics est regardé avec beaucoup plus de méfiance en Europe.

Les points sensibles sont assez concrets. Le consentement doit être réel avant le dépôt de cookies non essentiels. Les adresses IP, les identifiants utilisateur, les IDs publicitaires ou les paramètres d’URL peuvent devenir des données personnelles. La durée de conservation doit être maîtrisée. La documentation doit être propre. Les rôles entre responsable de traitement et sous-traitant doivent être clairs. Et surtout, il faut se demander qui contrôle réellement la donnée, où elle part, et dans quel but elle est réutilisée.

GA4 a ajouté des options utiles : anonymisation IP par défaut, réglages de conservation, consent mode, désactivation de certains signaux publicitaires. C’est mieux. Mais ça ne transforme pas automatiquement l’outil en solution “RGPD ready”. Si votre bannière cookies est bancale, si vos événements envoient des emails en clair dans les URLs, ou si personne ne sait expliquer le plan de marquage, le risque reste là.

Matomo est souvent plus simple à défendre côté souveraineté, surtout en auto-hébergement ou avec une gouvernance claire. Vous gardez la propriété complète des données, vous choisissez l’hébergement, vous pouvez configurer un suivi sans cookies dans certains cas, et vous n’êtes pas automatiquement branché sur les mêmes flux publicitaires que l’écosystème Google.

Sur le terrain, quand je travaille sur du tracking server-side ou des plans de mesure, le sujet n’est jamais seulement technique. Il faut que le marketing, la data, le juridique et parfois la DSI se parlent. Sinon on finit avec un tracking qui mesure mal, ou pire, qui expose l’entreprise pour rien.

Le bon choix n’est pas forcément GA4 contre Matomo. Le bon choix, c’est l’outil qui colle à votre niveau de risque, à votre besoin d’analyse et à votre maturité data.

Alors, est-ce que GA4 suffit encore vraiment ?

GA4 reste utile, surtout si vous avez besoin d’un outil gratuit, connecté à l’écosystème Google et assez simple à déployer. Mais ses limites sont réelles : trafic IA encore peu exploitable, historique cassé, quotas de collecte, rapports parfois estimés, et conformité qui demande une vraie attention. Matomo devient intéressant quand vous voulez plus de contrôle, moins d’échantillonnage, une meilleure propriété des données et une lecture plus fine de certains signaux. Mon conseil est simple : ne choisissez pas par habitude. Choisissez selon vos décisions business. Le bénéfice pour vous, c’est un pilotage plus fiable, plus clair, et moins dépendant d’un reporting subi.

FAQ

• Quelles sont les principales limites de Google Analytics 4 ?
  Les principales limites de GA4 concernent la continuité historique avec Universal Analytics, les quotas sur les événements et dimensions, certains rapports échantillonnés ou modélisés, la lecture encore limitée du trafic IA et les sujets de conformité RGPD selon la configuration.
• GA4 permet-il d’analyser le trafic généré par l’IA ?
  GA4 commence à identifier une partie du trafic IA, mais identifier ne veut pas dire comprendre. Pour piloter sérieusement, il faut savoir quelle IA interagit avec le site, quelles pages sont utilisées, et si ces interactions génèrent ensuite des visites ou des conversions.
• Pourquoi les données Universal Analytics ne se comparent pas facilement avec GA4 ?
  Universal Analytics et GA4 n’utilisent pas le même modèle de données. UA était plus centré sur les sessions, GA4 sur les événements. Comme GA4 ne propose pas d’import historique natif complet depuis UA, les comparaisons long terme demandent souvent un travail de reconstruction.
• Les rapports GA4 sont-ils toujours exacts ?
  Ils sont utiles, mais pas toujours bruts ni complets. Selon les rapports, les volumes et les réglages de confidentialité, GA4 peut appliquer des seuils, de l’échantillonnage, de la modélisation ou regrouper certaines valeurs. Il faut donc lire les chiffres avec méthode.
• Matomo est-il une vraie alternative à GA4 ?
  Matomo peut être une vraie alternative si vous cherchez plus de contrôle sur les données, moins d’échantillonnage, une approche plus souveraine et des rapports plus détaillés sur certains usages comme le trafic IA. Le choix dépend surtout de vos besoins business, de votre maturité data et de vos contraintes RGPD.

A propos de l’auteur

Je suis Franck Scandolera, expert et formateur en tracking avancé server-side, analytics engineering, automatisation no-code et low-code avec n8n, intégration de l’IA en entreprise, SEO et GEO. J’accompagne des équipes marketing, data et digitales sur des sujets de mesure fiables et actionnables, avec des références 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 tracking, fiabiliser GA4, comparer avec Matomo ou construire une vraie gouvernance data, contactez-moi.

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.