Dashboard marketing sur mesure : réunir GA4, Ads et CRM en un seul écran

Le reporting marketing d'une PME ressemble souvent à ceci : un export GA4, un export Google Ads, les chiffres Meta récupérés à la main, un onglet LinkedIn, le tout collé dans un tableur le lundi matin, mis en forme, puis envoyé en PDF à la direction. Trois heures de travail, des chiffres déjà périmés à l'envoi, et des erreurs de copier-coller qui passent inaperçues jusqu'à la réunion où deux slides se contredisent.

Un dashboard bien construit remplace ce rituel : les données se collectent seules, les graphiques se mettent à jour en continu, et chacun regarde les mêmes chiffres. Cet article décrit comment s'en doter : l'architecture, le choix des graphiques (le point le plus négligé), et ce que l'IA apporte réellement au-delà du buzzword.

Le reporting qui dévore vos lundis

Le problème n'est pas le manque de données : c'est leur éparpillement. Une PME qui fait du marketing digital a typiquement :

GA4 pour le trafic et les conversions du site ;
Google Ads, Meta Ads, parfois LinkedIn Ads pour l'acquisition payante, chacun avec sa console et ses métriques maison ;
Un CRM (HubSpot, Pipedrive, Sellsy, Odoo…) où vivent les leads et les ventes réelles ;
Un outil d'emailing (Brevo, Mailchimp) avec ses propres statistiques ;
Et souvent une boutique en ligne ou un ERP qui détient le chiffre d'affaires qui fait foi.

Chaque outil rapporte sa part, aucun ne raconte l'histoire complète. La question qui intéresse la direction : « combien nous coûte un client selon le canal, et lequel mérite plus de budget ? » ne trouve sa réponse dans aucune console, parce qu'elle exige de croiser les dépenses publicitaires avec les ventes du CRM.

Le reporting du lundi, avant et avec l'IA

Votre processus aujourd'hui Ce que l'IA ajoute Ce qui disparaît

• GA4, Google Ads, Meta, CRM, emailing : vos outils restent en place On ne remplace aucun outil, on les branche.

× Exports manuels et collage dans un tableur chaque lundi

× Mise en forme et envoi d'un PDF déjà périmé

+ IA Connecteurs : collecte automatique chaque nuit via les API

+ IA Entrepôt : métriques définies une fois, les mêmes pour tout le monde

+ IA Dashboard à jour en continu, synthèse du lundi rédigée automatiquement

+ IA Dépense anormale ou tracking cassé ? Alerte immédiate

• La direction lit, l'équipe décide Le temps repart dans l'analyse, pas dans la collecte.

L'architecture d'un bon dashboard

Un dashboard fiable repose sur trois étages distincts. Les mélanger est l'erreur classique qui condamne les tableaux de bord bricolés.

1. La collecte automatisée

Chaque source expose une API : GA4 (Data API), Google Ads, Meta Marketing API, LinkedIn, les CRM et outils d'emailing. Des connecteurs interrogent ces API chaque nuit (ou chaque heure pour les campagnes actives) et déposent les données brutes dans un entrepôt. Plus personne n'exporte quoi que ce soit à la main.

2. L'entrepôt et la modélisation

Une base PostgreSQL suffit largement à l'échelle d'une PME : pas besoin de BigQuery pour quelques millions de lignes. C'est là que se fait le vrai travail : normaliser les noms de campagnes, faire correspondre les UTM aux canaux, dédupliquer les leads, et surtout définir une bonne fois les métriques. Que veut dire « lead qualifié » ? Le coût d'acquisition inclut-il les honoraires de l'agence ? Ces définitions, écrites et versionnées, sont ce qui met fin aux réunions où chacun a « ses » chiffres.

3. La visualisation

L'écran lui-même : une page web, responsive, accessible à toute l'équipe, avec des filtres par période, canal et campagne. Elle lit l'entrepôt, jamais les API directement : si Meta change son API, on corrige un connecteur, le dashboard ne bouge pas.

Choisir les bons graphiques : là où tout se joue

Un dashboard se juge à la vitesse à laquelle on y lit une réponse. Quelques règles issues de la pratique :

Les chiffres clés d'abord : quatre à six indicateurs en tuiles en haut (dépense, leads, coût par lead, CA attribué), chacun avec sa variation par rapport à la période précédente. Une tuile = une question.
Des courbes pour le temps : l'évolution du coût par lead ou du trafic se lit en courbe, avec la période de comparaison en trait discret derrière. Y ajouter un lissage sur 7 jours évite de paniquer sur le creux du dimanche.
Des barres pour comparer : budget par canal, leads par campagne : barres horizontales, triées, les plus grosses en haut. La comparaison se lit sans tourner la tête.
Un entonnoir pour le parcours : visites → leads → opportunités → clients, avec les taux de passage affichés. C'est le graphique que la direction retient.
Éviter les camemberts à douze parts et les jauges : un camembert au-delà de quatre segments est illisible ; une jauge occupe l'espace d'un chiffre pour dire moins. La sobriété n'est pas une posture esthétique, c'est de la lisibilité.

Et une seule palette : chaque canal garde sa couleur partout dans le dashboard. Quand Google Ads est bleu sur un graphique et orange sur le suivant, le lecteur re-décode chaque écran.

Ce que l'IA ajoute vraiment

Un bon dashboard n'a pas besoin d'IA pour exister. Mais trois ajouts changent l'usage au quotidien :

La synthèse en langage naturel

Chaque lundi matin, un résumé écrit arrive par email ou dans Slack : « Le coût par lead a baissé de 12 % cette semaine, porté par la campagne X ; le canal Meta décroche depuis mardi ; le CA attribué au SEO progresse. » C'est un modèle de langage qui lit les mêmes chiffres que le dashboard et rédige ce qu'un analyste écrirait. La direction lit la synthèse ; le dashboard sert à creuser.

La détection d'anomalies

Plutôt que d'attendre le reporting pour découvrir qu'un tracking est cassé ou qu'une campagne a brûlé son budget en 48 h, une surveillance statistique compare chaque métrique à son comportement habituel (saisonnalité comprise) et alerte quand quelque chose sort du cadre. Les heures de budget publicitaire gaspillées entre deux reportings sont souvent ce qui finance le projet.

Les questions ad hoc

« Combien de leads la campagne du salon a-t-elle générés, et combien ont signé ? » : plutôt que d'ajouter un graphique par question, une interface de question en langage naturel traduit la demande en requête sur l'entrepôt et répond avec le chiffre et le graphique appropriés. À réserver aux questions exploratoires : les indicateurs de pilotage, eux, restent fixes et définis.

Sur mesure ou outil existant ?

Il n'y a pas de réponse unique, et un conseil honnête commence par là :

Looker Studio (gratuit) est pertinent si vos sources sont surtout Google. Les connecteurs tiers vers Meta ou le CRM sont payants et le contrôle des définitions de métriques reste limité.
Metabase ou Grafana, auto-hébergés sur votre infrastructure, offrent d'excellents graphiques sur un entrepôt bien modélisé : c'est souvent le meilleur rapport effort/résultat, et les données restent chez vous.
Le sur mesure complet se justifie quand le dashboard devient un outil métier : intégration de vos règles d'attribution, écrans pour le comité de direction, accès clients, marque blanche. C'est un développement web classique, pas un projet pharaonique.

Dans tous les cas, la valeur est dans les deux premiers étages : la collecte automatisée et les métriques définies proprement. Un bel écran sur des données douteuses est un très bel objet inutile. Et l'ensemble (connecteurs, entrepôt, visualisation) peut tourner sur un hébergement français, ce qui règle au passage la question RGPD que pose l'export de vos données clients vers des outils tiers.

Un seul écran pour votre marketing

Dragnoc conçoit le pipeline complet : connecteurs, entrepôt, dashboard et couche IA, hébergés en France. On cadre le besoin lors d'un audit.

Discuter de votre reporting Découvrir la solution sur mesure

Dashboard marketing sur mesure : réunir GA4, Ads et CRM en un seul écran | Blog Dragnoc