La data quality : 7 contrôles à faire chaque mois

La qualité de vos données marketing se dégrade lentement et invisiblement. Au bout d’un an, une part importante des données collectées peut devenir inexploitable. Sans contrôle régulier, vous pilotez à l’aveugle. Voici les 7 contrôles à faire chaque mois.

Pourquoi la data quality est critique

Une donnée incorrecte ne fait pas que produire un mauvais rapport. Elle :

• Pollue les algorithmes Smart Bidding (Meta, Google)
• Fausse les décisions stratégiques
• Détruit la confiance dans les outils
• Génère du temps perdu en investigation

Les 7 contrôles mensuels

Contrôle 1 · Cohérence des conversions GA4

Comparer le total de conversions GA4 avec :

• Les conversions remontées dans Google Ads
• Les leads dans le CRM
• Le compteur côté outil emailing pour les formulaires

Écart de plus de 20% = enquête nécessaire.

Contrôle 2 · Doublons de conversions

Vérifier qu’une même action n’est pas comptée plusieurs fois (formulaire qui se soumet 2 fois, événement déclenché doublement).

Outil : DebugView GA4 + analyse des sessions Hotjar.

Contrôle 3 · Trafic interne

Vos employés naviguent sur votre site et polluent les stats. Vérifier que les filtres IP internes sont actifs.

Sur un mois, vérifier les visites depuis votre bureau. Pas de présence anormale.

Contrôle 4 · Bots et spam

Trafic anormal (visites de 0 seconde, depuis pays inhabituels, sur des URLs inexistantes). Signaux de bots à filtrer.

GA4 filtre une partie automatiquement. Pour le reste, exclusions manuelles à mettre en place.

Contrôle 5 · UTM mal paramétrés

Vérifier dans GA4 que les sources de trafic sont propres. Si vous voyez :

• Sources « (not set) » massives
• UTM avec majuscules incohérentes (Google vs google vs GOOGLE)
• Campagnes au nom obscur

Standardisation et correction à appliquer.

Contrôle 6 · Événements personnalisés fonctionnels

Tester manuellement les principaux événements custom : formulaire soumis, clic téléphone, téléchargement. Confirmer qu’ils remontent bien.

Surtout après mise en production de modifications du site.

Contrôle 7 · Sources de trafic anormales

Apparition soudaine d’une source de trafic non identifiée. Souvent du referrer spam ou des changements de tracking ailleurs.

À investiguer dès la détection.

La routine mensuelle de 1-2 heures

Heure 1 · Audit rapide

• Ouvrir GA4 sur les 30 derniers jours
• Comparaison avec période précédente
• Identification des anomalies (chutes, pics)
• Vérification des 7 contrôles ci-dessus

Heure 2 · Investigations et corrections

• Investigation des anomalies identifiées
• Corrections immédiates (filtres, exclusions)
• Notes pour les corrections plus profondes

Les outils pour automatiser les contrôles

Alertes GA4 personnalisées

GA4 propose des alertes automatiques : chute de trafic, conversion anormale, pic suspect. À configurer pour les KPI principaux.

Looker Studio avec seuils

Dashboard avec indicateurs colorés selon seuils (vert/orange/rouge). Permet de voir rapidement les anomalies.

Outils dédiés

• Google Analytics Anomaly Detection (intégré GA4)
• Outils tiers : DataDome, Anodot

Les signaux d’alerte typiques

• Chute brutale du trafic sur 24h (problème de tracking)
• Pic anormal d’une source (campagne non identifiée ou spam)
• Doublement soudain des conversions (probable doublons)
• Disparition d’un événement (régression site ou tracking cassé)
• Apparition de pays exotiques dans le trafic (bots ou attaque)

Les corrections les plus fréquentes

Filtres internes

Exclure IP du bureau, du dirigeant, des prestataires fréquents.

Filtres anti-spam

Liste de référents et hostnames suspects à exclure.

Standardisation UTM

Convention écrite, distribuée à toutes les équipes (interne et prestataires).

Maintenance des événements

Mise à jour des tags après modifications du site. Tests systématiques.

L’impact financier de la mauvaise data

Exemple illustratif sur un compte Google Ads avec un budget mensuel conséquent :

• Mauvaise data → optimisation Smart Bidding biaisée
• Performances dégradées de façon sensible
• Une fraction non négligeable du budget gaspillée chaque mois

Sur une année, cela représente un manque à gagner significatif imputable à une data quality médiocre.

Le KPI méta · la confiance dans les données

KPI qualitatif important : à quel point votre équipe se fie aux chiffres ?

• Si « on regarde les chiffres mais on agit à l’intuition » : data quality médiocre
• Si « on décide sur les chiffres sans questionner » : data quality bonne

Mesurer cette confiance en demandant à l’équipe régulièrement.

Quand passer à un consultant data

Indices :

• Données qui divergent fortement entre outils
• Tracking complexe (server-side, multi-domaines)
• Volume important (>500 K€/an de CA digital)
• Personne en interne capable de diagnostiquer

Coût : 1 000-5 000 € pour un audit data complet.

FAQ

Combien de temps prend l’audit mensuel ?

1-2 heures pour une PME. Routine intégrable au lundi matin par exemple.

Faut-il un consultant data en permanence ?

Non pour la routine. Oui ponctuellement pour les setups complexes et audits annuels.

L’IA peut-elle aider sur la data quality ?

De plus en plus. Détection d’anomalies par IA dans GA4 et outils dédiés. Mais l’humain reste nécessaire pour l’interprétation.

Sources

• Google · documentation Google Analytics & Google Ads (qualité des données, Smart Bidding, détection d’anomalies)
• Gartner (gouvernance et qualité des données)

Les chiffres cités sont des ordres de grandeur issus de sources publiques ; ils varient selon les secteurs, les sources et les périodes.