Par Bastien Geneix
Le web analytics regroupe les techniques qui mesurent le comportement des visiteurs d’un site : pages vues, sources de trafic, taux de conversion. Google Analytics reste l’outil le plus utilisé pour cette mesure, au point que beaucoup confondent le nom de la discipline avec celui du logiciel. Mais le web analytics ne se résume pas à un outil posé sur un site : bien construit, il dit précisément ce qu’une équipe marketing peut décider, et à partir de quel niveau de fiabilité.
La plupart des contenus sur le sujet s’arrêtent à la définition ou au choix d’un logiciel de mesure. Cet article prend l’angle inverse. Nous détaillons ce que chaque niveau de mesure permet réellement de décider, qui doit lire cette donnée une fois qu’elle existe, et pourquoi une partie de votre trafic échappe déjà à la mesure avant même d’être analysée. Ces questions structurent notre travail chez Hint avec les équipes marketing, en particulier lorsqu’un dispositif de mesure existe déjà mais que personne ne sait vraiment quoi en faire.
Qu’est-ce que le web analytics, concrètement ?
Le web analytics consiste à collecter, mesurer et analyser les données de navigation d’un site pour comprendre comment il est utilisé et orienter des décisions marketing. Concrètement, cela couvre trois familles de données : le trafic (nombre de visiteurs, sources d’acquisition, appareils utilisés), le comportement (pages consultées, temps passé, parcours de navigation) et la conversion (formulaires remplis, achats finalisés, appels déclenchés). Cette distinction change directement la manière dont on interprète un chiffre : un pic de trafic sans conversion associée ne se lit pas de la même façon qu’un pic de conversions sur un trafic stable.
Ces données sont collectées par un outil de mesure d’audience, le plus souvent via des balises posées avec un gestionnaire de balises comme Google Tag Manager, puis restituées dans un tableau de bord. La donnée brute ne vaut rien seule : elle prend son sens une fois rapprochée d’un objectif business, générer des demandes de devis, vendre en ligne, ou faire connaître une marque.
Web analytics ou Google Analytics : pourquoi on confond les deux
Google Analytics est l’outil de mesure d’audience le plus répandu, ce qui explique pourquoi son nom est devenu, dans l’usage courant, un synonyme du web analytics lui-même. Sa version actuelle, Google Analytics 4, a remplacé l’ancienne Universal Analytics et repose sur un modèle de mesure par événements plutôt que par simples pages vues.
Le web analytics reste pourtant une discipline plus large que ce seul outil. D’autres plateformes existent et répondent à des besoins différents, comme Matomo, qui permet un hébergement des données en propre, ou Piano Analytics, solution d’origine française utilisée par des médias et de grands comptes. Le choix d’un outil dépend du volume de trafic, des contraintes de conformité et de la manière dont l’entreprise souhaite héberger ses données, pas d’une hiérarchie de qualité entre les solutions. Peu importe l’outil retenu, l’enjeu reste le même : consolider des données fiables dans un seul endroit pour éviter que chaque service ne travaille sur des chiffres différents.
Que permet réellement de décider le web analytics, palier par palier ?
Le web analytics ne devient utile à la décision qu’à partir d’un certain niveau de maturité : un simple tag posé sans plan ne permet de dire que « nous avons du trafic », rien de plus. Plus le dispositif monte en maturité, plus il permet d’arbitrer un budget ou de couper une action qui ne fonctionne pas.
| Palier | Ce qui est en place | Ce que ça permet de décider |
|---|---|---|
| 1. Suivi minimal | Un tag de page vue posé sans plan de taggage, souvent copié depuis un tutoriel | Constater qu’il y a du trafic, sans savoir d’où il vient ni ce qu’il produit |
| 2. Suivi structuré | Un plan de taggage avec les événements clés identifiés (formulaire envoyé, clic sur un CTA, ajout au panier) | Savoir quelles pages génèrent des conversions, sans encore comparer les canaux entre eux |
| 3. Suivi orienté décision | Segmentation par source d’acquisition, tunnel de conversion suivi, rapprochement avec un objectif chiffré | Arbitrer entre deux canaux publicitaires, couper une campagne qui ne convertit pas, prioriser une page à corriger |
| 4. Pilotage budgétaire sur la donnée | Données croisées avec le CRM, first party data exploitée, tableau de bord partagé avec la direction | Réallouer un budget marketing en continu et fixer des objectifs chiffrés par canal, pas seulement en fin de trimestre |
La plupart des sites que nous auditons se situent entre le palier 1 et le palier 2 : la donnée existe, mais personne ne l’a reliée à une décision concrète. Passer au palier 3 ne demande généralement pas plus d’outils, mais un travail de structuration : un plan de taggage clair, des objectifs définis en amont, et un rythme de lecture régulier. Ce constat n’est pas propre à un secteur particulier : que le site vende en ligne, génère des demandes de devis ou informe une audience, la logique des quatre paliers reste la même, seule la nature des événements suivis change.
Le palier 4 suppose aussi de sécuriser la donnée dans la durée, notamment via la first party data collectée directement par l’entreprise plutôt que via des cookies tiers de plus en plus filtrés par les navigateurs et les bandeaux de consentement. C’est un chantier distinct du web analytics au sens strict, mais les deux se rejoignent au moment de brancher les tableaux de bord sur les décisions budgétaires. Ce dernier palier suppose aussi une gouvernance déjà en place : sans les paliers 2 et 3 solidement posés, croiser des données avec un CRM ne fait que déplacer la confusion vers un système plus complexe.
Donnée quantitative ou qualitative : que mesure chacune, et pourquoi il faut les deux ?
Le web analytics repose sur deux familles de données complémentaires, la quantitative et la qualitative : aucune des deux ne suffit seule à comprendre un comportement. La première, la web analyse, mesure des faits chiffrés ; la seconde, l’UX analytics, explique le ressenti derrière ces chiffres. Confondre les deux revient à voir un symptôme sans jamais en comprendre la cause profonde.
| Quantitative, la web analyse | Qualitative, l’UX analytics | |
|---|---|---|
| Ce qu’elle cherche | Comprendre les comportements par les faits | Comprendre les comportements selon la vision des clients |
| Comment | Mesurer les événements et interactions | Observation, interviews, enregistrements de sessions |
| Question type | « Combien de fois un utilisateur a fait X, sur quel support ? » | « Pourquoi avez-vous quitté cette page, que s’est-il passé ? » |
Un cas type illustre ce croisement. Une page d’atterrissage reçoit 26 000 visites, mais seulement 1 200 accèdent à la page produit, soit plus de 95 % de perte dès cette première marche du parcours ; 1 000 entrent ensuite dans le tunnel d’achat, et 800 achètent. La donnée quantitative montre précisément où le parcours casse, ici entre la landing page et la page produit, pas plus loin dans le tunnel. La donnée qualitative propose ensuite les hypothèses à tester : une proposition de valeur pas claire, un prix qui freine, un appel à l’action peu visible, un ciblage publicitaire imprécis, un manque de réassurance, des bénéfices mal compris, ou une ergonomie qui gêne la lecture. Le quantitatif indique où chercher, le qualitatif indique quoi tester, et les deux se lisent ensemble.
Qui doit lire la donnée une fois qu’elle est collectée ?
Un dispositif de mesure sans personne clairement chargée de le lire finit presque toujours par être abandonné, avant même que la qualité de la donnée collectée ne soit en cause. C’est la première cause d’échec d’un projet web analytics que nous observons chez les équipes marketing : l’outil est posé, personne ne l’ouvre. Ce constat vaut aussi bien pour une petite structure que pour un grand compte : la taille de l’équipe change la manière d’organiser cette lecture, pas sa nécessité.
L’expert en web analytics Avinash Kaushik a formulé dès 2006 une règle restée une référence du secteur : pour 10 dollars investis dans l’outil et son implémentation, il recommande d’investir 90 dollars dans les analystes qui l’exploitent (Kaushik, 2006). Vingt ans plus tard, ce déséquilibre reste le piège le plus courant : les entreprises budgétisent l’outil, rarement le temps humain qui doit le lire.
Concrètement, la lecture de la donnée ne doit pas reposer sur une seule personne isolée dans un service technique. Une équipe marketing a besoin d’un rituel simple, une revue hebdomadaire ou bimensuelle des indicateurs qui comptent pour elle, et d’une personne identifiée pour l’animer. Dans les organisations qui pilotent aussi des tests d’optimisation de la conversion, cette lecture régulière alimente directement le backlog de tests : c’est la donnée collectée qui indique quelle page mérite d’être retravaillée en priorité. Dans une approche Done-With-You, l’objectif est justement de transmettre cette compétence de lecture aux équipes internes plutôt que de la garder captive d’un prestataire.
Sans cette lecture régulière, un tableau de bord devient un rapport qu’on consulte une fois par trimestre, sans qu’aucune décision n’en découle. Le web analytics n’est alors qu’une dépense d’outil, pas un levier de pilotage.
Comment lire un chiffre sans en tirer une fausse conclusion ?
Le premier niveau, en web analytics, consiste à aller chercher la donnée ; l’expertise commence seulement quand on en tire des hypothèses à vérifier, pas une conclusion toute faite.
Prenons un exemple : une page affiche un taux de rebond de 85 %. Trois autres chiffres permettent d’aller plus loin : une durée de visite de 0,30 seconde, un taux de défilement de 25 %, et une page qui n’est pas un article. Ensemble, ils pointent vers une conclusion provisoire, un trafic peu qualifié, avec deux hypothèses à tester : un ciblage publicitaire trop large, si aucune segmentation n’est liée à cette page, et un problème de compréhension, si personne ne clique sur le bouton d’action en haut de page.
Chez Hint, nous résumons cette discipline en une phrase : « analyser ne veut pas dire trouver la solution, mais émettre des hypothèses que l’on va vérifier ». L’image est volontairement médicale : un site internet se diagnostique comme un patient, par des questions, puis par des hypothèses qu’on confronte aux faits, jamais par une seule mesure lue isolément.
Pourquoi une partie de votre trafic échappe structurellement à la mesure ?
Une partie de votre trafic échappe à la mesure basée sur les cookies, non par une erreur technique mais parce qu’une fraction des visiteurs refuse ou ignore le bandeau de consentement affiché à leur arrivée sur le site.
En France, 71 % des visiteurs consentent aux cookies non essentiels (Didomi, rapport 2026 State of Data Privacy, données collectées en 2025). Cela signifie qu’environ 29 % du trafic reste invisible pour tout dispositif de mesure fondé uniquement sur des cookies : ces visiteurs existent, naviguent, convertissent parfois, mais aucun outil basé sur le seul consentement cookie ne les compte.
Cette perte n’est pas un défaut de configuration à corriger, c’est une conséquence structurelle du cadre de protection des données, rappelée notamment par la CNIL sur les solutions de mesure d’audience. Deux réponses existent pour la limiter sans la supprimer : ajuster le bandeau de consentement pour qu’il reste clair sans décourager l’acceptation, et déplacer une partie de la collecte côté serveur, qui dépend moins du blocage des cookies tiers par le navigateur. Nous détaillons cette seconde option dans notre article sur la collecte côté serveur.
La conformité de la collecte ne se limite pas au bandeau affiché : elle couvre aussi la durée de conservation des données, les sous-traitants utilisés et la base légale de chaque traitement. C’est un chantier que nous traitons séparément dans notre approche de la conformité de la collecte. Cette part invisible ne remet pas en cause l’intérêt du web analytics, mais elle doit être connue avant de trancher sur une différence de quelques points de conversion entre deux campagnes : un écart de faible amplitude peut simplement refléter des taux de consentement différents selon la source de trafic, pas une vraie différence de performance. Un dispositif de mesure honnête assume cette limite plutôt que de la dissimuler dans un chiffre arrondi : elle fait partie des informations à transmettre à toute personne qui doit décider à partir de ces données.
Par où commencer pour structurer sa mesure ?
Structurer sa mesure commence avant l’implémentation technique, par un document qui liste ce qui doit être suivi et pourquoi, avant de toucher au code du site.
Ce document s’appelle un plan de taggage : il liste les événements à mesurer (formulaire envoyé, ajout au panier, appel déclenché), les paramètres associés à chaque événement, et l’objectif business que chacun sert. Nous expliquons comment le construire dans notre article sur le document qui fixe ce qui est mesuré.
Une fois le plan de taggage validé, il doit être transmis à la couche technique qui transporte réellement les données du site vers les outils de mesure, ce qu’on appelle le data layer. C’est cette couche intermédiaire qui évite de dépendre d’un développeur à chaque modification de tracking. Nous détaillons son fonctionnement dans notre article sur la couche qui transporte les données.
Dans l’ordre, une mise en place solide suit généralement quatre étapes : définir les objectifs business à mesurer, rédiger le plan de taggage, implémenter le data layer et le conteneur de mesure, puis vérifier chaque événement avant de considérer le dispositif comme fiable. Sauter la première étape est l’erreur la plus fréquente : on pose un outil avant de savoir ce qu’on veut en tirer, et on se retrouve avec le palier 1 décrit plus haut. Cet ordre protège aussi le budget : reprendre un plan de taggage mal posé après coup coûte presque toujours plus cher que de le construire correctement dès le départ. Une fois ces quatre étapes posées, la priorité suivante consiste à choisir un nombre restreint d’indicateurs à suivre régulièrement, plutôt que d’ouvrir un tableau de bord qui affiche tout sans hiérarchie.
Trois points de vigilance restent déterminants, à tout niveau de maturité :
– une donnée fiable et vérifiée, sans quoi l’analyse porte sur le mauvais chiffre
– des interprétations documentées, avec une seule définition partagée par toute l’équipe
– une mesure intégrée à chaque évolution du site, pour qu’un tag cassé ne fausse rien
Web analytics : les questions qu’on pose le plus souvent
Faut-il un outil payant pour faire du web analytics ?
Non, un outil payant n’est pas indispensable pour démarrer. Google Analytics 4 est gratuit et couvre les besoins de la majorité des sites, avec des limites de rétention des données et d’échantillonnage qui apparaissent surtout à fort volume de trafic. Des alternatives existent aussi en dehors de l’offre gratuite de Google, comme Matomo ou Piano Analytics, avec des modèles économiques différents selon l’hébergement des données et le niveau de support recherché. Le choix dépend du volume de trafic et des contraintes de conformité de l’entreprise, pas d’un besoin de fonctionnalités premium pour un usage standard.
Comment mettre en place un suivi web analytics sur son site ?
La mise en place suit un ordre précis : définir les objectifs business à mesurer, rédiger un plan de taggage listant les événements à suivre, implémenter un data layer et un conteneur de balises comme Google Tag Manager, publier la configuration, puis vérifier chaque événement en conditions réelles avant de considérer les chiffres comme fiables. Sauter l’étape du plan de taggage est l’erreur la plus fréquente : les balises sont posées, mais personne ne sait ce qu’elles sont censées mesurer ni pourquoi. Un suivi fiable se construit dans cet ordre, jamais l’inverse.
Qu’est-ce que la règle des 10/90 en web analytics ?
La règle des 10/90 a été formulée par l’expert en web analytics Avinash Kaushik en 2006 : pour 10 dollars investis dans l’outil de mesure et son implémentation, il recommande d’en investir 90 dans les analystes qui exploitent ensuite cette donnée (Kaushik, 2006). Le message reste le même vingt ans après : la valeur d’un dispositif de mesure ne vient pas de l’outil choisi, mais du temps humain consacré à lire et interpréter ce qu’il produit. Beaucoup d’entreprises inversent ce ratio, en dépensant surtout sur l’outil et son paramétrage, sans budgéter le temps de lecture qui le rend utile.
Quels sont les deux grands types de web analytics ?
On distingue généralement le web analytics on-site, centré sur ce qui se passe directement sur le site (pages consultées, parcours, conversions), du web analytics off-site, qui mesure la présence et les échanges qui ont lieu en dehors du site : mentions de marque, discussions sur les réseaux sociaux, avis clients. La plupart des outils de mesure d’audience, dont Google Analytics, couvrent uniquement le volet on-site. Le volet off-site relève d’outils et de méthodes différents, souvent traités séparément dans une stratégie marketing globale.
Combien coûte un outil de mesure d’audience ?
Le coût varie fortement selon le volume de trafic à traiter, le nombre de fonctionnalités activées et le niveau de support demandé. La version gratuite de Google Analytics 4 couvre la majorité des sites sans coût direct, tandis que des plateformes conçues pour de gros volumes ou des besoins spécifiques de conformité, comme Piano Analytics ou Matomo dans certaines configurations, fonctionnent sur devis. Le budget outil reste généralement modeste comparé au temps humain nécessaire pour configurer et exploiter la donnée, ce qui rejoint la logique de la règle des 10/90.
Quels sont les piliers d’un dispositif de web analytics ?
Un dispositif de web analytics fiable repose sur quatre piliers : un plan de taggage qui définit ce qui est mesuré et pourquoi, un data layer qui transporte la donnée de façon stable, un outil de collecte correctement paramétré, et une gouvernance qui assigne clairement qui lit la donnée et à quel rythme. Les trois premiers piliers sont techniques et se corrigent avec un audit. Le quatrième, la gouvernance de lecture, est le plus souvent absent, alors qu’il conditionne si la donnée collectée sert un jour à une décision.
Le web analytics n’a de valeur que si quelqu’un décide quelque chose grâce à lui : couper une campagne, prioriser une page, réallouer un budget. Un dispositif bien structuré, avec un plan de taggage clair et une personne identifiée pour le lire, change concrètement ce niveau de décision, palier après palier. Ce sont ces choix, pas le nombre de graphiques affichés, qui distinguent un dispositif de mesure utile d’un dispositif qui tourne à vide.
Si votre mesure existe déjà mais ne sert à personne, ou si vous partez de zéro, nous pouvons regarder ensemble ce qui manque : découvrez notre travail sur le tracking et la mesure ou prenez contact pour en discuter. Pour aller plus loin sur ce que vous choisissez de suivre une fois la mesure en place, notre article sur les indicateurs qu’on décide de suivre prolonge directement cette réflexion.
