Comment optimiser la gestion du transfert Google Ads vers BigQuery

Le transfert Google Ads vers BigQuery permet une analyse approfondie de vos données marketing. Optimiser ce transfert, c’est accélérer les backfills, gérer plusieurs comptes efficacement, maîtriser le coût et personnaliser vos extractions pour un ROI maximal (source : documentation Google Cloud).

3 principaux points à retenir.

Segmenter vos backfills accélère l’import de données historiques importantes.
Utiliser l’ID MCC centralise les données multi-comptes, simplifiant le pilotage.
Automatiser via Cloud Shell sécurise la mise à jour des conversions longues et réduit les manipulations manuelles.

Comment réduire le temps de backfill des données Google Ads

Réduire le temps de backfill des données depuis Google Ads vers BigQuery est crucial pour maintenir une performance optimale. La méthode la plus efficace consiste à diviser le backfill en intervalles plus courts, généralement de 6 à 8 mois. Pourquoi ? Parce qu’un trop grand nombre de jobs simultanés peut provoquer des erreurs et des échecs dans l’importation.

Pour illustrer, prenons un backfill de 8 mois. Au lieu de tout traiter d’un coup, segmentons-le en quatre intervalles de 2 mois. Cela veut dire que vous allez lancer quatre jobs, de manière échelonnée, avec un intervalle d’environ 8 minutes entre chaque lancement. Cette stratégie est essentielle pour optimiser le processus, réduisant non seulement le temps d’importation, mais améliorant également la fiabilité.

Durée originale divisée : 8 mois.
Segments : 4 périodes de 2 mois.
Intervalle entre chaque job : 8 minutes.

En planifiant de cette manière, vous pouvez réduire le temps de backfill d’approximativement 6 jours à seulement 35 heures. Presque un gain de 70% ! Cependant, il est impératif de respecter les limites imposées par Google. En général, il est recommandé de ne pas exécuter plus de 10 jobs simultanément. Dépasser ce seuil peut engendrer des perturbations au niveau du transfert, et même des échecs d’exécution de vos jobs. Il est donc essentiel de surveiller le nombre de process actifs et de réajuster votre stratégie d’échelonnement en conséquence.

En résumé, pour un backfill efficace, segmentez vos tâches, restez en deçà de la limite de jobs simultanés, et vous verrez une amélioration significative, tant en termes de rapidité que de succès de vos imports. Ne laissez pas la gestion des données être un gouffre de temps ; planifiez intelligemment et agissez stratégiquement.

Comment gérer plusieurs comptes Google Ads efficacement

Gérer plusieurs comptes Google Ads depuis BigQuery peut devenir une vraie galère si chaque compte est transféré de manière séparée. Imaginez le temps perdu à jongler entre les différents accès et la multiplicité des requêtes. La solution savoureuse ? Utiliser un compte MCC (My Client Center), qui regroupe plusieurs comptes sous la même bannière. Pourquoi c’est plus efficace ? Tout simplement parce que cela centralise la gestion et facilite l’accès à toutes les données. Avec un MCC, vous pouvez visualiser les performances de tous vos comptes en un coup d’œil, et ça, c’est un vrai gain de temps.

Pour configurer votre source de données dans BigQuery, commencez par récupérer l’ID de votre compte MCC. Vous le trouverez dans l’interface Google Ads, sous ‘Mon compte’ > ‘MCC’. Cela vous permettra de centraliser vos transferts et d’avoir un contrôle accru. Ce rapprochement des données devient une bouée de sauvetage, surtout lorsque des décisions stratégiques doivent être prises rapidement et que chaque minute compte.

Coté gestion des datasets dans BigQuery, l’utilisation du MCC facilite le travail avec des tables qui sont logiquement regroupées, et cela rend les joins et les analyses croisées beaucoup plus simples. Ces optimisations permettent une meilleure expérience utilisateur sur n’importe quel tableau de bord que vous créez.

Maintenant, que faire si l’accès au MCC n’est pas disponible ? Eh bien, cela reste possible, mais un peu moins élégant. Vous devrez gérer plusieurs transferts distincts pour chaque compte, ce qui engendre des doublons et complexifie la structure. Ces actions supplémentaires ralentissent le processus de collecte des données et rendent la maintenance opérationnelle plus lourde. En somme, envisagez le MCC comme votre bouclier contre la complexité : il simplifie, il optimise et il facilite votre travail au quotidien.

Pour des informations détaillées sur l’utilisation des comptes MCC, je vous conseille de jeter un œil à la documentation de Google ici.

Comment automatiser les mises à jour et limiter les tables importées

L’automatisation des mises à jour et le contrôle des tables importées dans BigQuery à partir de Google Ads sont des enjeux cruciaux pour maintenir une gestion efficace des données. Utiliser Cloud Shell pour automatiser les backfills permet d’assurer que même les conversions longues sont bien gérées. Voici comment procéder.

Pour commencer, il vous faut récupérer l’identifiant du transfert Google Ads. Pour cela, connectez-vous à votre console Google Cloud et naviguez jusqu’à BigQuery. Une fois dans l’interface, accédez à votre projet et recherchez le transfert concerné. L’identifiant est généralement affiché sur la page de configuration du transfert.

Ensuite, vous devez autoriser Cloud Shell. Si vous ne l’avez pas déjà fait, activez-le en cliquant sur l’icône de Cloud Shell dans la barre supérieure de votre interface Google Cloud. Cloud Shell offre un environnement de ligne de commande tout-en-un qui vous permet d’interagir facilement avec vos ressources Google Cloud.

Le script pour programmer un backfill simple pourrait ressembler à ceci :

#!/bin/bash
# Remplacez 'your_transfer_id' et 'your_project_id' par votre ID respectif
bq mk --transfer_config --project_id=your_project_id \
  --data_source=google_ads \
  --target_dataset=your_dataset \
  --display_name="Google Ads Transfer" \
  --params='{"transferId":"your_transfer_id"}' \
  --schedule="every 24 hours"

Avec ce script, vous pouvez automatiser le backfill de vos données à une fréquence souhaitée. Mais attention : un backfill trop fréquent peut vite engendrer des coûts inutiles. Programmez-le de manière judicieuse.

Un autre aspect à considérer est le filtrage des tables à importer. Grande capacité de stockage ne rime pas toujours avec utilité. Par exemple, vous pourriez vouloir exclure des tables volumineuses qui ne vous intéressent pas, comme ClickStats. Pour réduire la complexité et la charge, vous pouvez ajuster les paramètres de votre script et sélectionner uniquement les tables pertinentes.

Enfin, un conseil précieux : nommez vos datasets et transferts de manière claire et cohérente. Cela facilitera grandement la maintenance et la gestion de vos ressources à long terme. Pour plus d’informations sur les transferts, consultez cette documentation.

Quel est le coût et comment tirer parti du reporting personnalisé Google Ads

Le coût de transfert de Google Ads vers BigQuery peut varier considérablement selon le volume de données que vous manipulez et les exigences de stockage de BigQuery. Pour estimer ce coût, il est essentiel d’abord de comprendre comment évaluer la taille de vos datasets. Utilisez la commande suivante en SQL pour mesurer la taille des tables dans BigQuery :


SELECT
  table_id,
  ROUND(SUM(size_bytes) / (1024 * 1024), 2) AS size_mb
FROM
  `your-project-id.your_dataset.INFORMATION_SCHEMA.TABLES`
GROUP BY
  table_id

Avec cela, vous pouvez rapidement voir combien d’espace chaque table utilise. BigQuery facture en fonction des requêtes et du stockage, donc connaître la taille de vos datasets est crucial pour éviter les surprises sur votre facture.

Également, pour des analyses plus approfondies, vous pouvez tirer parti de GAQL (Google Ads Query Language) pour créer des rapports personnalisés. Cela vous permet de demander des métriques qui ne sont pas disponibles par défaut dans le transfert standard. Pourquoi se contenter du basique quand on peut accéder à des données plus spécifiques, surtout pour les besoins marketing avancés ?

Voici un exemple de requête GAQL qui vous permettra de sortir des informations supérieures à celles du schéma générique :


SELECT
  campaign.id,
  campaign.name,
  ad_group.id,
  ad_group.name,
  metrics.clicks,
  metrics.cost_micros
FROM
  campaign
WHERE
  segments.date DURING LAST_30_DAYS

Avec cette requête, vous obtiendrez des détails sur les clics et le coût par campagne sur les 30 derniers jours, ce qui vous permet d’analyser votre retour sur investissement (ROI) de manière plus efficace.

En optimisant vos rapports ainsi, vous allez au-delà des limites imposées par les schémas standards. Cela ouvre la voie à des analyses plus IT et ROI-driven, essentielles dans le paysage concurrentiel actuel. Ne sous-estimez jamais la puissance de données bien structurées et de rapports adaptés à vos besoins stratégiques.

Faut-il se lancer maintenant dans l’optimisation du transfert Google Ads vers BigQuery ?

Optimiser le transfert Google Ads vers BigQuery est un levier puissant pour analyser finement vos campagnes et piloter vos investissements marketing. Segmenter les backfills réduit drastiquement les délais, un MCC simplifie la gestion multi-comptes, et l’automatisation via Cloud Shell évite les oublis et erreurs. En maîtrisant le coût et en personnalisant les extractions avec GAQL, vous gagnez en agilité et pertinence. Alors, pourquoi attendre pour transformer vos données Google Ads en un avantage compétitif décisif ?

FAQ

Quelle est la limite de temps recommandée pour un backfill Google Ads ?

Le backfill doit idéalement être segmenté en périodes de 6 à 8 mois maximum pour éviter les erreurs liées au nombre de jobs.

Comment gérer plusieurs comptes Google Ads dans BigQuery ?

Il est préférable d’utiliser l’ID MCC pour centraliser les données et éviter la multiplication des transferts et datasets.

Peut-on limiter les tables importées dans le transfert Google Ads ?

Oui, il est possible de filtrer les tables importées via des paramètres de transfert pour réduire le volume et simplifier les analyses.

Comment automatiser les backfills Google Ads ?

L’automatisation s’effectue via le Cloud Shell en récupérant l’ID transfert et en programmant des scripts pour lancer les backfills automatiquement.

Quels sont les coûts liés au transfert Google Ads vers BigQuery ?

Le coût dépend du volume de données transférées et stockées dans BigQuery. Il est possible d’estimer la taille des datasets à l’aide de requêtes SQL pour anticiper ces coûts.

A propos de l’auteur

Franck Scandolera est un Analytics Engineer et consultant indépendant basé à Brive‑la‑Gaillarde, expert en Web Analytics, Data Engineering et Automatisation. Responsable de l’agence webAnalyste et de ‘Formations Analytics’, il accompagne depuis plus de dix ans des agences, annonceurs e-commerce et collectivités. Sa maîtrise avancée de Google Ads, BigQuery et des automatisations no-code garantit des solutions précises, pragmatiques et orientées ROI.

Franck Scandolera

⭐ Expert et formateur en Tracking avancé, Analytics Engineering et Automatisation IA (n8n, Make) ⭐

Ref clients : Logis Hôtel, Yelloh Village, BazarChic, Fédération Football Français, Texdecor…

Mon terrain de jeu :

Data & Analytics engineering : tracking propre RGPD, entrepôt de données (GTM server, BigQuery…), modèles (dbt/Dataform), dashboards décisionnels (Looker, SQL, Python).
Automatisation IA des taches Data, Marketing, RH, compta etc : conception de workflows intelligents robustes (n8n, Make, 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.