{"id":16251,"date":"2025-01-15T11:16:28","date_gmt":"2025-01-15T11:16:28","guid":{"rendered":"https:\/\/datama.io\/differences-mise-a-jour-ga4-bigquery-copy\/"},"modified":"2026-01-29T15:46:10","modified_gmt":"2026-01-29T15:46:10","slug":"ga4-bigquery-fresh_daily","status":"publish","type":"post","link":"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/","title":{"rendered":"GA4 et BigQuery : vers des donn\u00e9es plus compl\u00e8tes avec les tables Fresh daily ?"},"content":{"rendered":"\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Dans notre pr\u00e9c\u00e9dent article, nous avons explor\u00e9<\/span> les comportements des tables partitionn\u00e9es en intraday et interday dans GA4 et leur \u00e9volution<\/span><\/a>. Aujourd\u2019hui, nous nous int\u00e9ressons \u00e0 une option disponible pour les comptes GA4 360 dans BigQuery : les tables \u201cFresh daily<\/b>\u201d. Celles-ci offrent des mises \u00e0 jour plus fr\u00e9quentes et atteignent plus rapidement un niveau de compl\u00e9tion pertinent, se positionnant comme une alternative aux tables intraday pour les entreprises cherchant des insights les plus frais possible.<\/span><\/span><\/p>

Dans cet article, nous allons comparer la \u00ab\u00a0Fresh daily\u00a0\u00bb aux tables intraday et interday en termes de disponibilit\u00e9, de fr\u00e9quence de mise \u00e0 jour et de compl\u00e9tude,<\/b> pour mieux comprendre laquelle de ces options r\u00e9pond le mieux aux exigences des analyses de performance en \u201ctemps r\u00e9el\u201d.<\/span><\/span><\/p>

Notre analyse porte essentiellement sur les m\u00e9triques, mais nous \u00e9tudierons \u00e9galement la compl\u00e9tion de dimensions li\u00e9es \u00e0 l\u2019attribution des sessions (source, medium, campagne\u2026).<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

M\u00e9thodologie<\/h2>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Pour \u00e9valuer la performance des tables \u00ab\u00a0Fresh daily\u00a0\u00bb, intraday et interday dans GA4, nous avons men\u00e9 une analyse sur une semaine compl\u00e8te (du 29\/09 au 03\/10). <\/span><\/p>

Chaque jour, nous avons extrait et compar\u00e9 des donn\u00e9es de 5 \u00e9v\u00e9nements cl\u00e9s :<\/span><\/p>

  • Sessions<\/span><\/li>
  • Purchases (transactions)<\/span><\/li>
  • Begin checkout<\/span><\/li>
  • Revenus<\/span><\/li>
  • Reach search (custom event)<\/span><\/li><\/ul>
    \u00a0<\/div>

    Nous avons \u00e9galement programm\u00e9 une requ\u00eate<\/b> pour suivre l\u2019\u00e9volution de ces \u00e9v\u00e9nements heure par heure sur trois jours suppl\u00e9mentaires (du 18\/10 au 20\/10), ce qui nous permet d\u2019analyser les diff\u00e9rences de compl\u00e9tude des donn\u00e9es au fur et \u00e0 mesure qu\u2019elles sont mises \u00e0 jour dans chaque type de table.<\/span><\/span><\/p>

    Ce suivi nous aide \u00e0 comprendre la rapidit\u00e9 et la pr\u00e9cision avec lesquelles chaque table fournit des informations. En observant ces donn\u00e9es sur plusieurs jours et \u00e0 diff\u00e9rentes heures, nous avons pu mesurer la compl\u00e9tude <\/b>de chaque type de table, les variations entre elles<\/b> et leur utilit\u00e9 respective pour diff\u00e9rents cas d\u2019usage<\/b>.<\/span><\/span><\/span><\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

    \n\t\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    R\u00e9sultats et analyse<\/h2>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    1- Compl\u00e9tude des Donn\u00e9es<\/h3>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    L’analyse a r\u00e9v\u00e9l\u00e9 des diff\u00e9rences importantes en termes de compl\u00e9tude entre les 3 types de tables GA4. \u00c0 J+1, les tables \u00ab\u00a0Fresh daily\u00a0\u00bb atteignent un taux de compl\u00e9tude moyen de 95 % \u00e0 99 %<\/strong>, tandis que les tables intraday stagnent entre 53 % et 76 %. En revanche, les tables interday, disponibles un peu plus tard, garantissent la compl\u00e9tude \u00e0 100 % mais prennent plusieurs jours pour \u00eatre enti\u00e8rement mises \u00e0 jour.
    <\/span><\/p>

    En se penchant sur des \u00e9v\u00e9nements sp\u00e9cifiques, nous constatons que la compl\u00e9tude varie en fonction du type de donn\u00e9es collect\u00e9es. Par exemple :<\/span><\/p>

    • Custom m\u00e9triques et autres m\u00e9triques standards<\/strong> : Le taux de compl\u00e9tude des donn\u00e9es \u201cFresh daily\u201d se rapproche de 100 % d\u00e8s J+1, d\u00e9passant les intraday avec un \u00e9cart de pr\u00e8s de 25 %.<\/span><\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
      \n\t\t\t\t
      \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
      \n\t\t\t\t
      \n\t\t\t\t\t\t\t\t\t

      Niveau de compl\u00e9tion des m\u00e9triques standard et Custom sur les tables Fresh daily et Intraday \u00e0 J+1 (par rapport \u00e0 l\u2019interday, notre base 100)<\/span><\/i><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

      \n\t\t\t\t
      \n\t\t\t\t\t\t\t\t\t
      • Purchases : Pour cet \u00e9v\u00e9nement, l’\u00e9cart est encore plus marqu\u00e9. Les donn\u00e9es Fresh daily sont quasiment compl\u00e8tes \u00e0 J+1, tandis que celles des tables intraday se compl\u00e8tent beaucoup plus lentement, rendant ces derni\u00e8res peu fiables pour des rapports pr\u00e9coces ou des d\u00e9cisions op\u00e9rationnelles. <\/strong> <\/strong><\/span><\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t

        Niveau de compl\u00e9tion des Purchases sur les tables Fresh daily et Intraday \u00e0 J+1 (par rapport \u00e0 l\u2019interday, notre base 100)<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t

        Cette 1\u00e8re analyse nous laisse \u00e0 penser qu\u2019\u00e0 J+1, on ne peut pas se fier \u00e0 l\u2019intraday contrairement \u00e0 la fresh daily qui se rapproche des 100%.<\/span><\/p>

        Toutefois, il convient d\u2019abord d\u2019examiner l\u2019\u00e9volution de la donn\u00e9e \u00e0 J0 (notamment \u00e0 des fins de d\u00e9tection d\u2019anomalie) ainsi que jusqu\u2019\u00e0 J+2 pour \u00e9tablir les \u201ccycles de vie\u201d de chaque type de table.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t

        2 – Evolution de la donn\u00e9e sur les 3 types de tables de J0 \u00e0 J+2<\/h3>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t

        Pour pouvoir comparer les tables fresh daily et intraday chacune par rapport \u00e0 l\u2019interday et leur \u00e9volution durant la J0, nous avons r\u00e9cup\u00e9r\u00e9 le timestamp et compar\u00e9 le volume des donn\u00e9es \u00e0 intervalles \u00e9quivalents.\u00a0<\/span><\/p>

        En reprenant les sessions et les purchases, voici ce que l\u2019on obtient:<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t

        Niveau de compl\u00e9tion des m\u00e9triques Session sur les tables Fresh daily et Intraday \u00e0 J0 (par rapport \u00e0 l\u2019interday, notre base 100, \u00e0 timestamp \u00e9quivalent)<\/span><\/i><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t

        Niveau de compl\u00e9tion des m\u00e9triques Purchases sur les tables Fresh daily et Intraday \u00e0 J0 (par rapport \u00e0 l\u2019interday, notre base 100, \u00e0 timestamp \u00e9quivalent)<\/span><\/i><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t

        Pour les Sessions, on observe que la fresh daily est \u00e0 +99% d\u00e8s le d\u00e9but, ce qui la rend plus fiable que l\u2019intraday, sauf sur la premi\u00e8re moiti\u00e9 de la journ\u00e9e (mais avec un \u00e9cart < \u00e0 1%).<\/span><\/p>

        Pour les Purchases en revanche, la fresh daily est toujours plus fiable et plus compl\u00e8te, avec des \u00e9carts cons\u00e9quents.<\/span><\/p>

        Quid de l\u2019attribution des sessions source et medium ?<\/strong><\/b><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t

        Niveau de compl\u00e9tion de l\u2019attribution des traffic medium sur les tables Fresh daily et Intraday \u00e0 J0 (par rapport \u00e0 l\u2019interday, notre base 100, \u00e0 timestamp \u00e9quivalent)<\/span><\/i><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t

        Ici encore le taux de compl\u00e9tion des donn\u00e9es est largement en faveur de la fresh daily \u00e0 J0, l\u2019intraday \u00e9tant \u00e0 des volumes globalement tr\u00e8s bas.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t

        Niveau de compl\u00e9tion de l\u2019attribution des traffic source sur les tables Fresh daily et Intraday \u00e0 J0 (par rapport \u00e0 l\u2019interday, notre base 100, \u00e0 timestamp \u00e9quivalent)<\/span><\/i><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t

        3) Dur\u00e9e de compl\u00e9tion et disponibilit\u00e9 de la donn\u00e9e <\/h3>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t

        En suivant les tables sur plusieurs jours, nous avons identifi\u00e9 les d\u00e9lais de compl\u00e9tude et les moments de disponibilit\u00e9 pour chaque type de table. Voici ce que l\u2019on observe :\u00a0<\/span><\/p>

        • Intraday<\/b> : Ces tables sont g\u00e9n\u00e9r\u00e9es quelques avant les \u201cFresh daily\u201d. Elles restent actives environ 1,5 jour avant de basculer en table interday.<\/span><\/li><\/ul>

          Un point d\u2019attention est le \u00ab\u00a0latency gap\u00a0\u00bb : apr\u00e8s suppression des tables intraday et avant la disponibilit\u00e9 des interday, il peut subsister une p\u00e9riode d\u2019incompl\u00e9tude o\u00f9 seule la Fresh daily offre des donn\u00e9es proches de la r\u00e9alit\u00e9. Par exemple, le d\u00e9lai entre la fin de l’intraday et la publication des donn\u00e9es interday peut laisser un \u00e9cart de pr\u00e8s de 1 % dans les Fresh daily pour certains indicateurs, mais cet \u00e9cart est encore plus variable pour l\u2019intraday.<\/em><\/p>

          • Fresh daily<\/b> : Ces tables atteignent 99 % de compl\u00e9tude en 24h et restent quasi compl\u00e8tes, bien qu’elles n\u2019atteignent jamais les 100 % des tables interday. Elles sont disponibles environ une demi-journ\u00e9e avant les interday, offrant un aper\u00e7u anticip\u00e9 des performances.<\/span><\/li><\/ul>

            Nos requ\u00eates programm\u00e9es nous permettent d\u2019\u00e9tablir les dates de cr\u00e9ation, de suppression et de compl\u00e9tion des 3 types de tables que nous pouvons r\u00e9sumer avec ce sch\u00e9ma :<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

            \n\t\t\t\t
            \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
            \n\t\t\t\t
            \n\t\t\t\t\t\t\t\t\t

            Heure de cr\u00e9ation et de compl\u00e9tion de la donn\u00e9e pour les tables Fresh daily, interday et intraday<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

            \n\t\t\t\t
            \n\t\t\t\t\t\t\t\t\t2 moyens d\u2019obtenir ces informations :<\/b>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
            \n\t\t\t\t
            \n\t\t\t\t\t\t\t\t\t

            Pour maximiser l\u2019efficacit\u00e9 des analyses en temps r\u00e9el, deux m\u00e9thodes permettent de suivre la cr\u00e9ation et la compl\u00e9tude des tables Fresh daily, intraday et interday :<\/span><\/p>

            1. Requ\u00eate sur les m\u00e9tadonn\u00e9es de tables<\/strong><\/b> : \u00a0La requ\u00eate suivante permet d’identifier les dates de cr\u00e9ation et de modification des tables. Cependant, elle ne s\u2019applique pas aux tables intraday, qui sont temporaires et ne peuvent \u00eatre r\u00e9cup\u00e9r\u00e9es qu\u2019en direct.<\/span><\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

            \n\t\t\t\t
            \n\t\t\t\t\t\t\t
            \n\t\t\t
            \n\t\t\t\t\n\t\t\t\t\tSELECT\r\n  table_id AS table_name,\r\n  FORMAT_TIMESTAMP('%Y-%m-%d', DATETIME(TIMESTAMP_MILLIS(creation_time), \"America\/New_York\")) AS creation_date,\r\n  FORMAT_TIMESTAMP('%H:%M', DATETIME(TIMESTAMP_MILLIS(creation_time), \"America\/New_York\")) AS creation_time,\r\n  FORMAT_TIMESTAMP('%Y-%m-%d', DATETIME(TIMESTAMP_MILLIS(last_modified_time), \"America\/New_York\")) AS last_modified_date,\r\n  FORMAT_TIMESTAMP('%H:%M', DATETIME(TIMESTAMP_MILLIS(last_modified_time), \"America\/New_York\")) AS last_modified_time\r\nFROM\r\n  `nameofyourdataset.__TABLES__`\r\nWHERE\r\n  (table_id LIKE 'events_fresh_202409%' OR table_id LIKE 'events_fresh_202410%')\r\n  AND DATETIME(TIMESTAMP_MILLIS(creation_time), \"America\/New_York\") BETWEEN DATETIME('2024-09-19 00:00:00') AND DATETIME('2024-10-31 23:59:59')\r\nORDER BY\r\n  table_name ASC;<\/xmp>\n\t\t\t\t<\/code>\n\t\t\t<\/pre>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-21392c2 elementor-widget elementor-widget-text-editor\" data-id=\"21392c2\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<b><strong>2. Suivi par requ\u00eates planifi\u00e9es<\/b><span style=\"font-weight: 400;\"> : En cr\u00e9ant des requ\u00eates planifi\u00e9es toutes les heures, on peut d\u00e9tecter les moments de cr\u00e9ation et de suppression des tables (lorsque la requ\u00eate programm\u00e9e ne tombe plus en erreur) , en particulier les intraday. Ce suivi peut aussi permettre d\u2019\u00e9viter les erreurs li\u00e9es aux requ\u00eates trop pr\u00e9coces sur des donn\u00e9es incompl\u00e8tes.<\/span>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d4a0102 elementor-widget elementor-widget-image\" data-id=\"d4a0102\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/datama.io\/wp-content\/uploads\/2024\/11\/fresh_graph_6.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-b6d4aa8 elementor-widget elementor-widget-text-editor\" data-id=\"b6d4aa8\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><em>Statut de notre requ\u00eate schedul\u00e9e, jusqu\u2019\u00e0 arriver en KO lorsque la table fresh daily n\u2019existe plus dans BigQuery.<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3f73b52 elementor-widget elementor-widget-text-editor\" data-id=\"3f73b52\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2>Enseignements et questions-cl\u00e9s<\/h2>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-43e5e36 elementor-widget elementor-widget-text-editor\" data-id=\"43e5e36\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Une des interrogations majeures de notre analyse concerne la pr\u00e9cision des tables Fresh daily compar\u00e9e \u00e0 celle des tables interday, en particulier lorsque la Fresh daily atteint un niveau de compl\u00e9tude proche de 100 %. Les questions suivantes se posent alors :<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-7f542ca elementor-widget elementor-widget-text-editor\" data-id=\"7f542ca\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<strong><b>Lorsque la Fresh daily est compl\u00e8te, correspond-elle \u00e0 100 % de la donn\u00e9e interday ?<\/b>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0a59b9e elementor-widget elementor-widget-text-editor\" data-id=\"0a59b9e\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Pour r\u00e9pondre \u00e0 cette question, nous avons compar\u00e9 les taux de compl\u00e9tion des \u00e9v\u00e9nements dans les tables Fresh daily et interday. Nous observons que, bien que la Fresh daily atteigne souvent plus de 99 % de compl\u00e9tude, elle ne correspond pas toujours exactement aux 100 % garantis par les tables interday. Cette l\u00e9g\u00e8re diff\u00e9rence pourrait \u00eatre significative dans des contextes o\u00f9 une pr\u00e9cision maximale est requise, comme les rapports de cl\u00f4ture ou les audits de performance.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3178eab elementor-widget elementor-widget-text-editor\" data-id=\"3178eab\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<strong><b>A quel moment pourrait-elle \u00eatre consid\u00e9r\u00e9e comme fiable et se substituer \u00e0 l\u2019interday ?<\/b>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0990cbc elementor-widget elementor-widget-text-editor\" data-id=\"0990cbc\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Pour des usages orient\u00e9s sur la rapidit\u00e9 de d\u00e9cision, la table Fresh daily pourrait \u00eatre consid\u00e9r\u00e9e comme fiable d\u00e8s qu\u2019elle approche les 99 % de compl\u00e9tude, soit 24h apr\u00e8s sa cr\u00e9ation. Elle offre ainsi une solution plus rapide que l\u2019interday, disponible une demi-journ\u00e9e \u00e0 un jour plus tard. <\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f45a9a2 elementor-widget elementor-widget-text-editor\" data-id=\"f45a9a2\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<strong><b>Si je souhaite monitorer la donn\u00e9e sur la journ\u00e9e en cours, quelle table dois-je utiliser ?<\/b>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9bf919a elementor-widget elementor-widget-text-editor\" data-id=\"9bf919a\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">La disponibilit\u00e9 anticip\u00e9e peut \u00eatre particuli\u00e8rement avantageuse pour les analyses de performance continue et les alertes d\u2019anomalies.<\/span><\/p><p><span style=\"font-weight: 400;\">Quelle est alors la meilleure table choisir \u00e0 un instant T ?<\/span><\/p><p><span style=\"font-weight: 400;\">Nous avons vu pr\u00e9c\u00e9demment que l\u2019intraday \u00e9tait cr\u00e9\u00e9 en moyenne 1h30 avant la fresh daily. Si c\u2019est la disponibilit\u00e9 imm\u00e9diate de la donn\u00e9e qui est recherch\u00e9e, il est pr\u00e9f\u00e9rable de s\u2019appuyer sur l\u2019intraday.<\/span><\/p><p><span style=\"font-weight: 400;\">Toutefois, la donn\u00e9e intraday est loin d\u2019\u00eatre pr\u00e9cise, comme nous avons pu le voir avec les purchases notamment.<\/span><\/p><p><span style=\"font-weight: 400;\">C\u2019est pourquoi, dans la mesure du possible, il est donc pr\u00e9f\u00e9rable de se reposer sur la fresh daily, disponible quelques heures plus tard, mais plus compl\u00e8te et plus fiable, en attendant l\u2019apparition de l\u2019interday.\u00a0\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">Par ailleurs, si vous souhaitez analyser les canaux d\u2019acquisition, la donn\u00e9e intraday est prohib\u00e9e car non fiable sur ces dimensions, \u00e0 la diff\u00e9rence du Fresh daily et de l\u2019interday. <\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-00603e9 elementor-widget elementor-widget-text-editor\" data-id=\"00603e9\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<h2>Conclusion<\/h2>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0221aa6 elementor-widget elementor-widget-text-editor\" data-id=\"0221aa6\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><span style=\"font-weight: 400;\">Notre \u00e9tude montre que les tables Fresh daily offrent une alternative efficace aux tables intraday pour des besoins analytiques \u201crapides\u201d (il faudra malgr\u00e9 tout patienter quelques heures), notamment en mati\u00e8re de reporting de revenu et de canaux d&rsquo;acquisition. Bien qu&rsquo;elles n&rsquo;atteignent pas les 100 % de compl\u00e9tude des interday, leur proximit\u00e9 (souvent sup\u00e9rieure \u00e0 99 %) et leur disponibilit\u00e9 anticip\u00e9e les rendent pr\u00e9cieuses pour les entreprises souhaitant une meilleure r\u00e9activit\u00e9 pour leurs analyses.<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-7ef78b6 e-flex e-con-boxed e-con e-parent\" data-id=\"7ef78b6\" data-element_type=\"container\" data-e-type=\"container\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-973d567 elementor-widget elementor-widget-text-editor\" data-id=\"973d567\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><b>Mise \u00e0 jour juin 2025 :<\/b><\/p><p>R\u00e9cemment, nous avons observ\u00e9 certaines tendances dans les donn\u00e9es GA4 import\u00e9es dans BigQuery. Tout d&rsquo;abord, les donn\u00e9es \u00ab fra\u00eeches \u00bb ne changent pas de mani\u00e8re significative au fil du temps. Quelle que soit l&rsquo;heure \u00e0 laquelle nous extrayons les donn\u00e9es le lendemain, ou m\u00eame deux jours plus tard, les variations sont minimes, de l&rsquo;ordre de 0,02 %. Cependant, lorsque l&rsquo;on compare les donn\u00e9es fra\u00eeches aux donn\u00e9es de l&rsquo;\u00e9v\u00e9nement GA4, les diff\u00e9rences deviennent plus notables, avec une moyenne d&rsquo;environ 2 % pour la plupart des indicateurs. En particulier, deux indicateurs pr\u00e9sentent des \u00e9carts plus importants : Les \u00ab sessions rebondissantes \u00bb et leur compl\u00e9ment, les \u00ab sessions non rebondissantes \u00bb, qui peuvent varier de 5 \u00e0 6 %.<\/p><p>Par cons\u00e9quent, si vous souhaitez obtenir des r\u00e9sultats vraiment coh\u00e9rents, vous devez choisir de baser vos indicateurs soit uniquement sur le tableau des donn\u00e9es fra\u00eeches, soit uniquement sur le tableau des donn\u00e9es \u00e9v\u00e9nementielles GA4.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Dans notre pr\u00e9c\u00e9dent article, nous avons explor\u00e9 les comportements des tables partitionn\u00e9es en intraday et interday dans GA4 et leur \u00e9volution. Aujourd\u2019hui, nous nous int\u00e9ressons \u00e0 une option disponible pour les comptes GA4 360 dans BigQuery : les tables \u201cFresh daily\u201d. Celles-ci offrent des mises \u00e0 jour plus fr\u00e9quentes et atteignent plus rapidement un niveau [&hellip;]<\/p>\n","protected":false},"author":32,"featured_media":16700,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"content-type":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[139],"tags":[231,232,161,234,233,235],"class_list":["post-16251","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-articles-fr","tag-bigquery-2","tag-fresh-daily","tag-google-analytics-fr","tag-interday-2","tag-intraday-2","tag-partitioned-tables-2"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.1.1 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>GA4 et BigQuery : vers des donn\u00e9es plus compl\u00e8tes avec les tables Fresh daily ? - Datama<\/title>\n<meta name=\"description\" content=\"Si vous collectez des donn\u00e9es dans GA4, vous utilisez certainement des exports vers BigQuery. Vous avez donc peut-\u00eatre d\u00e9j\u00e0 remarqu\u00e9 qu&#039;\u00e0 un moment donn\u00e9, les donn\u00e9es n&#039;\u00e9taient pas exactement les m\u00eames entre les 2 outils. Cet article montre comment les donn\u00e9es \u00e9voluent dans le temps (tables intraday et interday).\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"GA4 et BigQuery : vers des donn\u00e9es plus compl\u00e8tes avec les tables Fresh daily ? - Datama\" \/>\n<meta property=\"og:description\" content=\"Si vous collectez des donn\u00e9es dans GA4, vous utilisez certainement des exports vers BigQuery. Vous avez donc peut-\u00eatre d\u00e9j\u00e0 remarqu\u00e9 qu&#039;\u00e0 un moment donn\u00e9, les donn\u00e9es n&#039;\u00e9taient pas exactement les m\u00eames entre les 2 outils. Cet article montre comment les donn\u00e9es \u00e9voluent dans le temps (tables intraday et interday).\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/\" \/>\n<meta property=\"og:site_name\" content=\"Datama\" \/>\n<meta property=\"article:published_time\" content=\"2025-01-15T11:16:28+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-01-29T15:46:10+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datama.io\/wp-content\/uploads\/2025\/01\/Image_Article-FreshDaily.png\" \/>\n\t<meta property=\"og:image:width\" content=\"3440\" \/>\n\t<meta property=\"og:image:height\" content=\"2016\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Cl\u00e9ment Gu\u00e9rin\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@datama_solution\" \/>\n<meta name=\"twitter:site\" content=\"@datama_solution\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"Cl\u00e9ment Gu\u00e9rin\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"6 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/\"},\"author\":{\"name\":\"Cl\u00e9ment Gu\u00e9rin\",\"@id\":\"https:\/\/datama.io\/fr\/#\/schema\/person\/47e25db1d2f94324121b71eff6dea298\"},\"headline\":\"GA4 et BigQuery : vers des donn\u00e9es plus compl\u00e8tes avec les tables Fresh daily ?\",\"datePublished\":\"2025-01-15T11:16:28+00:00\",\"dateModified\":\"2026-01-29T15:46:10+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/\"},\"wordCount\":1944,\"publisher\":{\"@id\":\"https:\/\/datama.io\/fr\/#organization\"},\"image\":{\"@id\":\"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/datama.io\/wp-content\/uploads\/2025\/01\/Image_Article-FreshDaily.png\",\"keywords\":[\"BigQuery\",\"Fresh daily\",\"Google Analytics\",\"Interday\",\"Intraday\",\"Partitioned tables\"],\"articleSection\":[\"Articles\"],\"inLanguage\":\"fr-FR\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/\",\"url\":\"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/\",\"name\":\"GA4 et BigQuery : vers des donn\u00e9es plus compl\u00e8tes avec les tables Fresh daily ? - Datama\",\"isPartOf\":{\"@id\":\"https:\/\/datama.io\/fr\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/datama.io\/wp-content\/uploads\/2025\/01\/Image_Article-FreshDaily.png\",\"datePublished\":\"2025-01-15T11:16:28+00:00\",\"dateModified\":\"2026-01-29T15:46:10+00:00\",\"description\":\"Si vous collectez des donn\u00e9es dans GA4, vous utilisez certainement des exports vers BigQuery. Vous avez donc peut-\u00eatre d\u00e9j\u00e0 remarqu\u00e9 qu'\u00e0 un moment donn\u00e9, les donn\u00e9es n'\u00e9taient pas exactement les m\u00eames entre les 2 outils. Cet article montre comment les donn\u00e9es \u00e9voluent dans le temps (tables intraday et interday).\",\"breadcrumb\":{\"@id\":\"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/#primaryimage\",\"url\":\"https:\/\/datama.io\/wp-content\/uploads\/2025\/01\/Image_Article-FreshDaily.png\",\"contentUrl\":\"https:\/\/datama.io\/wp-content\/uploads\/2025\/01\/Image_Article-FreshDaily.png\",\"width\":3440,\"height\":2016},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\/\/datama.io\/fr\/accueil\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"GA4 et BigQuery : vers des donn\u00e9es plus compl\u00e8tes avec les tables Fresh daily ?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datama.io\/fr\/#website\",\"url\":\"https:\/\/datama.io\/fr\/\",\"name\":\"Datama\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/datama.io\/fr\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datama.io\/fr\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/datama.io\/fr\/#organization\",\"name\":\"Datama\",\"url\":\"https:\/\/datama.io\/fr\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/datama.io\/fr\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/datama.io\/wp-content\/uploads\/2023\/12\/cropped-Logo-Datama.png\",\"contentUrl\":\"https:\/\/datama.io\/wp-content\/uploads\/2023\/12\/cropped-Logo-Datama.png\",\"width\":400,\"height\":100,\"caption\":\"Datama\"},\"image\":{\"@id\":\"https:\/\/datama.io\/fr\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/x.com\/datama_solution\",\"https:\/\/www.linkedin.com\/company\/datama\/\",\"https:\/\/www.youtube.com\/channel\/UCoxfesECCiubm0XLCXcN3TA\/featured\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/datama.io\/fr\/#\/schema\/person\/47e25db1d2f94324121b71eff6dea298\",\"name\":\"Cl\u00e9ment Gu\u00e9rin\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"GA4 et BigQuery : vers des donn\u00e9es plus compl\u00e8tes avec les tables Fresh daily ? - Datama","description":"Si vous collectez des donn\u00e9es dans GA4, vous utilisez certainement des exports vers BigQuery. Vous avez donc peut-\u00eatre d\u00e9j\u00e0 remarqu\u00e9 qu'\u00e0 un moment donn\u00e9, les donn\u00e9es n'\u00e9taient pas exactement les m\u00eames entre les 2 outils. Cet article montre comment les donn\u00e9es \u00e9voluent dans le temps (tables intraday et interday).","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/","og_locale":"fr_FR","og_type":"article","og_title":"GA4 et BigQuery : vers des donn\u00e9es plus compl\u00e8tes avec les tables Fresh daily ? - Datama","og_description":"Si vous collectez des donn\u00e9es dans GA4, vous utilisez certainement des exports vers BigQuery. Vous avez donc peut-\u00eatre d\u00e9j\u00e0 remarqu\u00e9 qu'\u00e0 un moment donn\u00e9, les donn\u00e9es n'\u00e9taient pas exactement les m\u00eames entre les 2 outils. Cet article montre comment les donn\u00e9es \u00e9voluent dans le temps (tables intraday et interday).","og_url":"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/","og_site_name":"Datama","article_published_time":"2025-01-15T11:16:28+00:00","article_modified_time":"2026-01-29T15:46:10+00:00","og_image":[{"width":3440,"height":2016,"url":"https:\/\/datama.io\/wp-content\/uploads\/2025\/01\/Image_Article-FreshDaily.png","type":"image\/png"}],"author":"Cl\u00e9ment Gu\u00e9rin","twitter_card":"summary_large_image","twitter_creator":"@datama_solution","twitter_site":"@datama_solution","twitter_misc":{"\u00c9crit par":"Cl\u00e9ment Gu\u00e9rin","Dur\u00e9e de lecture estim\u00e9e":"6 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/#article","isPartOf":{"@id":"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/"},"author":{"name":"Cl\u00e9ment Gu\u00e9rin","@id":"https:\/\/datama.io\/fr\/#\/schema\/person\/47e25db1d2f94324121b71eff6dea298"},"headline":"GA4 et BigQuery : vers des donn\u00e9es plus compl\u00e8tes avec les tables Fresh daily ?","datePublished":"2025-01-15T11:16:28+00:00","dateModified":"2026-01-29T15:46:10+00:00","mainEntityOfPage":{"@id":"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/"},"wordCount":1944,"publisher":{"@id":"https:\/\/datama.io\/fr\/#organization"},"image":{"@id":"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/#primaryimage"},"thumbnailUrl":"https:\/\/datama.io\/wp-content\/uploads\/2025\/01\/Image_Article-FreshDaily.png","keywords":["BigQuery","Fresh daily","Google Analytics","Interday","Intraday","Partitioned tables"],"articleSection":["Articles"],"inLanguage":"fr-FR"},{"@type":"WebPage","@id":"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/","url":"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/","name":"GA4 et BigQuery : vers des donn\u00e9es plus compl\u00e8tes avec les tables Fresh daily ? - Datama","isPartOf":{"@id":"https:\/\/datama.io\/fr\/#website"},"primaryImageOfPage":{"@id":"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/#primaryimage"},"image":{"@id":"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/#primaryimage"},"thumbnailUrl":"https:\/\/datama.io\/wp-content\/uploads\/2025\/01\/Image_Article-FreshDaily.png","datePublished":"2025-01-15T11:16:28+00:00","dateModified":"2026-01-29T15:46:10+00:00","description":"Si vous collectez des donn\u00e9es dans GA4, vous utilisez certainement des exports vers BigQuery. Vous avez donc peut-\u00eatre d\u00e9j\u00e0 remarqu\u00e9 qu'\u00e0 un moment donn\u00e9, les donn\u00e9es n'\u00e9taient pas exactement les m\u00eames entre les 2 outils. Cet article montre comment les donn\u00e9es \u00e9voluent dans le temps (tables intraday et interday).","breadcrumb":{"@id":"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/#primaryimage","url":"https:\/\/datama.io\/wp-content\/uploads\/2025\/01\/Image_Article-FreshDaily.png","contentUrl":"https:\/\/datama.io\/wp-content\/uploads\/2025\/01\/Image_Article-FreshDaily.png","width":3440,"height":2016},{"@type":"BreadcrumbList","@id":"https:\/\/datama.io\/fr\/ga4-bigquery-fresh_daily\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/datama.io\/fr\/accueil\/"},{"@type":"ListItem","position":2,"name":"GA4 et BigQuery : vers des donn\u00e9es plus compl\u00e8tes avec les tables Fresh daily ?"}]},{"@type":"WebSite","@id":"https:\/\/datama.io\/fr\/#website","url":"https:\/\/datama.io\/fr\/","name":"Datama","description":"","publisher":{"@id":"https:\/\/datama.io\/fr\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datama.io\/fr\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/datama.io\/fr\/#organization","name":"Datama","url":"https:\/\/datama.io\/fr\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/datama.io\/fr\/#\/schema\/logo\/image\/","url":"https:\/\/datama.io\/wp-content\/uploads\/2023\/12\/cropped-Logo-Datama.png","contentUrl":"https:\/\/datama.io\/wp-content\/uploads\/2023\/12\/cropped-Logo-Datama.png","width":400,"height":100,"caption":"Datama"},"image":{"@id":"https:\/\/datama.io\/fr\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/x.com\/datama_solution","https:\/\/www.linkedin.com\/company\/datama\/","https:\/\/www.youtube.com\/channel\/UCoxfesECCiubm0XLCXcN3TA\/featured"]},{"@type":"Person","@id":"https:\/\/datama.io\/fr\/#\/schema\/person\/47e25db1d2f94324121b71eff6dea298","name":"Cl\u00e9ment Gu\u00e9rin"}]}},"_links":{"self":[{"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/posts\/16251","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/users\/32"}],"replies":[{"embeddable":true,"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/comments?post=16251"}],"version-history":[{"count":97,"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/posts\/16251\/revisions"}],"predecessor-version":[{"id":17476,"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/posts\/16251\/revisions\/17476"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/media\/16700"}],"wp:attachment":[{"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/media?parent=16251"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/categories?post=16251"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datama.io\/fr\/wp-json\/wp\/v2\/tags?post=16251"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}