Analyser GA4 avec l’IA : les 5 pièges qui faussent les réponses de Claude

Analyser GA4 avec une IA comme Claude donne des chiffres justes, mais des conclusions souvent fausses. L’IA ne connaît ni votre contexte métier, ni votre modèle d’attribution, ni vos réglages de modélisation, ni le type de segment ou d’entonnoir que vous voulez analyser. Si vous ne le précisez pas, elle choisit à votre place.

Au SEO Square de Semji, Luc et Anthony, analystes chez Boryl, ont branché Claude sur les données GA4 d’un site e-commerce. Sur chaque cas testé, un prompt débutant et un prompt expert donnent les mêmes chiffres. Les recommandations, elles, sont opposées.

La conférence complète en vidéo :

Comment avons-nous testé Claude sur GA4 ?

Nous avons posé les mêmes questions deux fois à Claude : une fois avec un prompt simple, une fois avec un prompt qui contient notre expertise GA4. Les conditions étaient les mêmes pour chaque test :

– Modèle Claude Sonnet 5.5, en conversation privée, sans aucune instruction enregistrée sur le compte ;

– Données du troisième trimestre 2026 d’un site e-commerce, anonymisé ;

– Trois analyses classiques : les sources d’acquisition, les segments, l’entonnoir de conversion.

Pour connecter Claude à GA4, nous avons utilisé deux connecteurs MCP. Le MCP, pour Model Context Protocol, est un standard ouvert qui permet à un assistant IA d’interroger directement un outil tiers. Plus besoin d’exporter un CSV : Claude lit la donnée à la source.

– Le MCP GA4 lit la propriété comme vous la voyez dans l’interface, avec les mêmes réglages ;

– Le MCP BigQuery lit l’export brut des événements GA4 dans BigQuery.

Premier constat, plutôt rassurant : dans la grande majorité des cas, les volumes et les taux renvoyés par Claude correspondent à ceux de l’interface. Le problème n’est pas le calcul. C’est l’interprétation.

Un prérequis avant tout : un tracking fiable. Si la collecte est fausse, l’analyse le sera aussi, quel que soit le prompt. C’est le premier point que nous contrôlons lors d’un audit de tracking GA4.

Piège 1 : pourquoi l’IA a-t-elle besoin de votre contexte métier ?

Sans contexte, Claude doit deviner. Et il devine plutôt bien, ce qui rend l’erreur difficile à repérer.

Prenons une baisse de trafic sur plusieurs jours. Claude peut y voir une vraie baisse de la demande. Mais si vos pages étaient indisponibles pendant ces trois jours, la conclusion est fausse, et seul un document d’incidents permet de le savoir.

Ce que nous donnons à l’IA avant toute analyse :

• Une description de l’entreprise et de son offre ;
• La stratégie marketing en cours et ses objectifs ;
• La saisonnalité et les promotions récentes ;
• Le plan de taggage ;
• L’historique des incidents techniques du site et du tracking.

Chaque information retirée du doute, c’est une hypothèse de moins que l’IA doit trancher seule.

Piège 2 : pourquoi Claude surestime-t-il le paid search ?

Notre premier test portait sur les sources d’acquisition, sans doute le rapport le plus consulté de GA4. Le prompt était volontairement simple : analyser les sources et donner des recommandations pour le quatrième trimestre.

La réponse était propre. Un tableau synthétique, des ratios identiques à l’interface, des anomalies signalées. Claude a même noté de lui-même qu’il n’avait pas accès aux coûts publicitaires, et ne pouvait donc pas calculer de retour sur investissement.

Sa recommandation : augmenter le budget paid search, réduire ou optimiser le paid social et le cross-network.

Le problème vient du modèle d’attribution. Imaginons un acheteur qui vient trois fois sur le site :

1. Une première fois depuis une publicité Meta ;
2. Une deuxième fois depuis un lien donné par ChatGPT ;
3. Une troisième fois depuis une annonce Google, où il achète.

En dernier clic, la totalité de la vente revient à l’annonce Google. Sans consigne, c’est le plus souvent ce modèle que l’IA retient. Il n’est ni bon ni mauvais, c’est un angle de vue. Mais il pénalise les sources de début de parcours, et l’IA doit en avoir conscience avant de recommander quoi que ce soit.

Avec le prompt expert, les chiffres sont restés les mêmes. La conclusion a changé. Claude a creusé et constaté que le paid search de ce client était surtout du trafic de marque, qui récolte une demande créée en amont par d’autres canaux. Il a ensuite tenté d’estimer l’effet du paid social sur le chiffre d’affaires par une méthode de corrélation.

	Prompt débutant	Prompt expert
Paid search	Augmenter le budget	Ne pas toucher au budget, c’est surtout de la marque
Paid social	Réduire ou optimiser	Trop tôt pour conclure, tester d’abord
Chiffres utilisés	Identiques	Identiques

La seconde réponse est celle que vous pouvez défendre devant une direction.

Piège 3 : données modélisées, que voit vraiment le MCP GA4 ?

Si votre site utilise le Google Consent Mode en mode avancé, GA4 peut modéliser une partie des utilisateurs qui ont refusé les cookies. Un réglage de la propriété, l’identité pour les rapports, permet d’inclure ou d’exclure ces données modélisées.

Le MCP GA4 n’a pas accès à l’administration de la propriété. Il ne sait donc pas quel réglage est actif.

Le risque est concret. Vous analysez le premier trimestre avec les données modélisées. Au deuxième, quelqu’un désactive l’option et oublie de la remettre. Claude verra une forte baisse de trafic, alors que seul le périmètre a changé.

Nous recommandons trois réflexes :

• Toucher à ce réglage le moins possible ;
• Noter chaque changement, avec sa date ;
• Indiquer à l’IA, dans le prompt, le mode utilisé pour la période analysée.

Côté BigQuery, la situation est inverse : l’export ne contient que les données consenties, sans modélisation. Pour analyser vos sources avec le MCP BigQuery, vous avez trois options :

• Travailler sur les données consenties uniquement, avec des volumes incomplets ;
• Remodéliser vous-même les données, à vos risques ;
• Rester sur le MCP GA4, ce que nous recommandons si vous débutez.

Piège 4 : segments, quel revenu l’IA calcule-t-elle vraiment ?

Deuxième test : comparer le revenu des utilisateurs qui ont visité le blog à celui des autres. Claude a rendu un tableau propre. Mais dans les petites lignes, il précisait que le revenu du segment blog avait été estimé, et qu’un export BigQuery serait nécessaire pour un chiffre exact.

Sur le segment blog, l’estimation était proche de l’interface. Sur le segment des non-visiteurs du blog, les écarts étaient plus importants. Avec le MCP BigQuery, les chiffres correspondaient à ceux de l’exploration GA4. Pour une analyse de segments, nous préférons donc le MCP BigQuery.

Le second piège est plus vicieux : GA4 propose trois types de segments, et ils ne comptent pas le même revenu.

– Segment utilisateur : un visiteur lit le blog au jour 0 et achète au jour 30. L’achat est compté ;

– Segment session : le même achat au jour 30 n’est pas compté. Il faut lire le blog et acheter dans la même session ;

– Segment événement : seuls les achats réalisés sur une page de blog sont comptés.

Sans consigne, Claude a choisi le segment utilisateur. C’était défendable, mais ce n’était peut-être pas la question posée. Interrogé ensuite sur les trois types avec le MCP BigQuery, il a sorti les trois chiffres sans difficulté. L’IA a accès à la donnée. Elle ne peut pas deviner ce que vous voulez mesurer.

Piège 5 : entonnoir ouvert ou fermé, pourquoi le taux de conversion double-t-il ?

Troisième test : l’entonnoir de conversion, de la session à l’achat, en passant par la liste de produits, la fiche produit et le panier. Dans l’exploration GA4, le taux global était de 4,6 %, avec environ 70 % d’abandon entre la liste de produits et la fiche produit.

Claude, via le MCP GA4, a rendu exactement les mêmes chiffres, avec des recommandations pertinentes sur les pages de liste. Mais il ne précisait pas quel type d’entonnoir il avait calculé.

Par défaut, l’exploration GA4 affiche un entonnoir fermé. Claude a fait de même, sans le dire.

• Entonnoir fermé : un utilisateur n’est compté à une étape que s’il est passé par toutes les étapes précédentes. C’est le parcours idéal ;
• Entonnoir ouvert : un utilisateur est compté dès qu’il atteint une étape, d’où qu’il vienne. Par exemple, un visiteur qui arrive directement sur une fiche produit depuis Google Shopping.

Nous avons ajouté une seule phrase au prompt : donner l’entonnoir en vue fermée, puis en vue ouverte. En vue ouverte, le taux global passait à 8,4 %. Presque le double, pour un paramètre que personne n’avait précisé.

Aucune des deux vues n’est fausse. La vue fermée sert à optimiser le parcours idéal, la vue ouverte à comprendre les comportements réels. Mais une décision prise sur la mauvaise vue peut être trop optimiste, ou partir dans la mauvaise direction. Ici, le MCP GA4 suffit.

MCP GA4 ou MCP BigQuery : lequel choisir pour chaque analyse ?

Analyse	Point de vigilance	Connecteur recommandé
Sources d’acquisition	Modèle d’attribution, données modélisées	MCP GA4
Segments	Type de segment, revenu estimé	MCP BigQuery
Entonnoir de conversion	Vue ouverte ou fermée	MCP GA4
Croisement avec CRM, régies, back-office	Données réunies dans un entrepôt	MCP BigQuery

Brancher Claude sur GA4 prend quelques minutes. Le configurer pour qu’il raisonne comme un analyste prend plus de temps, et ce travail n’est jamais terminé. Chaque usage révèle un ajustement à faire. Pour gagner du temps sur cette base, nous avons mis à disposition le prompt qui crée votre assistant GA4 : il guide l’installation des connecteurs, pose les questions de contexte, puis génère un assistant qui intègre ces garde-fous.

Jusqu’où aller au-delà de GA4 ?

GA4 n’est que la partie visible de vos données. Les régies publicitaires, le CRM et le back-office e-commerce répondent à des questions que GA4 seul ne peut pas traiter : rentabilité réelle des campagnes, cohortes, churn, attribution sur tout le cycle de vie client.

Quand ces sources sont réunies dans BigQuery, le MCP BigQuery permet à Claude de naviguer de l’une à l’autre. La même méthode s’applique alors : injecter l’expertise métier dans les consignes. C’est le travail que nous menons pour nos clients en data visualisation et entrepôt de données.

Ce qu’il faut retenir

• Claude restitue correctement les chiffres de GA4, ce sont ses conclusions qu’il faut encadrer ;
• Sans modèle d’attribution précisé, l’IA raisonne le plus souvent en dernier clic et surestime les canaux de fin de parcours ;
• Le MCP GA4 ne sait pas si vos rapports incluent les données modélisées, c’est à vous de le lui dire ;
• Pour les segments, précisez toujours le type, utilisateur, session ou événement, et préférez le MCP BigQuery ;
• Pour un entonnoir, demandez la vue fermée et la vue ouverte, l’écart peut aller du simple au double.

FAQ

Peut-on connecter Claude à Google Analytics 4 ?

Oui, de trois façons. La plus simple consiste à exporter un rapport en CSV ou en capture d’écran, mais l’analyse se limite à cet extrait. Le MCP GA4 connecte Claude directement à la propriété et lit les données comme l’interface. Le MCP BigQuery lui donne accès à l’export brut des événements. Les deux connecteurs s’installent en quelques minutes depuis l’application Claude Desktop.

Les analyses GA4 produites par Claude sont-elles fiables ?

Les chiffres le sont dans la grande majorité de nos tests : volumes et taux correspondent à l’interface GA4. Les conclusions le sont beaucoup moins sans consignes. Claude ne connaît ni votre contexte métier, ni votre modèle d’attribution, ni le type de segment ou d’entonnoir voulu. Avec ces précisions dans le prompt, ses recommandations deviennent défendables.

Quelle différence entre le MCP GA4 et le MCP BigQuery ?

Le MCP GA4 interroge la propriété avec ses réglages, y compris les données modélisées par le Consent Mode. Il convient bien aux sources d’acquisition et aux entonnoirs. Le MCP BigQuery interroge l’export brut, limité aux données consenties, mais permet des calculs exacts sur les segments et le croisement avec d’autres sources, comme un CRM ou les régies publicitaires.

Pourquoi les données BigQuery ne correspondent-elles pas à l’interface GA4 ?

L’export BigQuery de GA4 ne contient que les événements des utilisateurs qui ont accepté les cookies. L’interface, elle, peut inclure des données modélisées par le Google Consent Mode avancé pour estimer les utilisateurs qui ont refusé. Les volumes de sessions et de conversions sont donc souvent plus faibles dans BigQuery. Il faut le savoir avant de comparer deux analyses.

ChatGPT fonctionne-t-il aussi avec GA4 ?

Oui, des connecteurs MCP existent aussi pour ChatGPT et pour d’autres assistants. Nos tests ont été réalisés sur Claude, et nous n’avons pas encore assez de recul pour comparer les modèles entre eux. Les pièges décrits ici ne dépendent pas de l’outil : ils viennent de GA4 et de ce que le prompt précise, ou ne précise pas.

Combien de temps faut-il pour créer un assistant IA connecté à GA4 ?

L’installation d’un connecteur MCP prend quelques minutes, à condition d’avoir les accès à la propriété. Le paramétrage est plus long : contexte métier, règles d’attribution, réglages de modélisation, types de segments. Une base solide se pose au départ, puis l’assistant s’affine à l’usage. Notre prompt gratuit guide ces deux étapes.

Faut-il beaucoup de trafic pour analyser GA4 avec l’IA ?

Il n’existe pas de seuil universel. Ce qui compte, c’est le volume sur les segments que vous voulez étudier. Un petit site peut commencer, puisque le coût d’entrée est quasi nul. En cas de doute, vous pouvez demander à Claude d’évaluer si les volumes sont suffisants pour une conclusion significative avant de lancer l’analyse.

L’IA remplace-t-elle les tableaux de bord Looker Studio ?

Non, les deux se complètent. Un tableau de bord Looker Studio montre rapidement ce qui bouge et sert de voyant d’alerte. Quand une courbe chute, l’assistant IA connecté à GA4 aide à comprendre pourquoi, avec un niveau de détail que vous choisissez. Le tableau de bord détecte, l’IA explique.

Thomas Belhamri, co-fondateur de Boryl.
Tests et analyses réalisés par Luc, Web Analyst, et Anthony Rosinetti, Data Analyst chez Boryl, lors de leur conférence au SEO Square de Semji.