Tutoriel
Looker Studio lent : diagnostic par symptôme et remèdes
Looker Studio lent ? Diagnostiquez le symptôme (ouverture, filtre, quota GA4, chiffres figés) avant de choisir cache, extraction ou table BigQuery.
Dans ce tutoriel
Pour accélérer un rapport Looker Studio lent, identifiez d’abord son symptôme, car chacun appelle un remède différent. Je distingue quatre cas : ouverture lente, filtre lent, erreur de quota et chiffres figés. Quand le modèle de données est en cause, je le reprends dans ma mission de consultant GA4.
Google a renommé Looker Studio en « Data Studio » le 16 avril 2026, selon ses notes de version officielles. Ce guide garde le nom Looker Studio, comme ma fiche outil, à réviser si le nom d’usage change.
Avant de commencer
- Accès éditeur au rapport et à la configuration de ses sources
- Un chiffre de référence sur une période témoin, relevé dans GA4 ou BigQuery
- Accès au projet Google Cloud si la source est BigQuery
Ce que Google fixe comme limites
Avec le connecteur GA4, quatre limites encadrent le diagnostic. Je les lis sur les pages officielles, pas dans les résumés des fournisseurs. Les valeurs ci-dessous viennent de la documentation des quotas de l’API Google Analytics Data, lue le 18 novembre 2026.
| Limite (propriété GA4 standard) | Valeur officielle |
|---|---|
| Jetons par propriété et par jour | 200 000 |
| Jetons par propriété et par heure | 40 000 |
| Jetons par projet et par propriété, par heure | 14 000 |
| Requêtes simultanées par propriété | 10 |
Google indique que la plupart des requêtes coûtent 10 jetons ou moins. Le coût monte avec le nombre de lignes, de dimensions, la longueur de la plage de dates et la cardinalité des dimensions, par exemple pagePath. Plusieurs articles de fournisseurs citent encore 1 250 jetons par heure et 25 000 par jour : ces chiffres ne correspondent pas à la page officielle, je ne les reprends donc pas.
Diagnostiquer par symptôme
L’arbre ci-dessous relie chaque symptôme à son remède. Il sert de point de départ, puis la procédure en quatre étapes sert à confirmer la cause.
Un symptôme, un remède principal. Appliquez-le seul, puis mesurez le temps d’ouverture du rapport.
-
Noter le symptôme et l’heure
Ouverture, filtre, erreur de quota ou chiffres figés. Un symptôme daté se compare aux heures de rafraîchissement de la source, ce qui évite de corriger le mauvais réglage.
-
Compter les sources et les graphiques par page
Chaque ouverture de page relance les requêtes de chaque graphique. Notez le nombre de sources distinctes et de graphiques : c’est le premier multiplicateur que je contrôle.
-
Relever la plage de dates et les dimensions
Une plage longue et une dimension à forte cardinalité, comme
pagePath, font monter le coût de chaque requête selon la documentation officielle des quotas. -
Choisir un seul remède dans l’arbre
Appliquez le remède de la ligne correspondante, puis mesurez le temps d’ouverture sur la même page. Si la cause n’est pas confirmée, ne cumulez pas les remèdes : vous ne saurez plus lequel a agi.
Remède 1 : alléger la page
Moins de graphiques et de sources par page réduit les requêtes à chaque ouverture. Je regroupe les graphiques qui lisent la même propriété GA4 sur une seule source réutilisée. Je déplace aussi les calculs complexes dans la source plutôt que de les répéter dans chaque graphique, car une formule dupliquée finit par diverger.
Remède 2 : régler la fraîcheur des données
Looker Studio stocke temporairement en mémoire les requêtes et leurs résultats, pendant la durée de fraîcheur choisie. Les options vont de 1 à 50 minutes ou de 1 à 12 heures selon le connecteur, et la valeur par défaut est de 12 heures pour BigQuery. Un éditeur peut rafraîchir à tout moment, et un délai d’une minute s’applique entre deux rafraîchissements.
Pour GA4, la page officielle se contredit : un tableau propose des options de 1, 4 ou 12 heures, une autre section indique que la fréquence ne se modifie pas. Je vérifie donc l’option réellement proposée dans la configuration de votre source.
Remède 3 : l’extraction de données
Une extraction est un instantané statique d’une source. Elle est limitée à 100 Mo : au-delà, elle échoue. Elle est aussi limitée à 750 000 lignes : au-delà, elle est tronquée. Elle ne se met à jour que si la mise à jour automatique est activée, avec un planning.
La page officielle ne cite pas GA4 explicitement. Elle parle des connecteurs « Analytics » qui exigent une plage de dates. Je teste donc l’extraction sur votre propriété avant de la proposer.
Remède 4 : export GA4 vers BigQuery et table agrégée
C’est le remède quand un rapport interroge trop de lignes à chaque clic. GA4 exporte chaque jour une table events_AAAAMMJJ, et une table agrégée réduit ces événements à une ligne par jour, source, appareil et page.
Ce qu’il faut savoir du schéma, selon la documentation officielle de l’export :
events_AAAAMMJJest créée par jour. Elle peut encore être mise à jour pendant trois jours, à cause des retards d’envoi.events_intraday_AAAAMMJJest alimentée en cours de journée, puis supprimée quand la table du jour est complète. Ses lignes n’ont pas les champs de source de trafic.event_dateest au format AAAAMMJJ, dans le fuseau horaire de la propriété. Les paramètres sont dansevent_params, un champ répété clé et valeur.traffic_sourcedécrit la source qui a acquis l’utilisateur, pas celle de la session.
Voici la requête que j’ai écrite à partir de ce schéma. Je ne l’ai pas exécutée sur une propriété : vérifiez-la sur un jour témoin avant de la planifier.
CREATE OR REPLACE TABLE `PROJET.DATASET.ga4_agregat_jour_page`
PARTITION BY jour AS
SELECT
PARSE_DATE('%Y%m%d', event_date) AS jour,
COALESCE(traffic_source.source, '(not set)') AS source,
COALESCE(traffic_source.medium, '(not set)') AS support,
device.category AS appareil,
(SELECT REGEXP_EXTRACT(ep.value.string_value, r'^[^?#]+')
FROM UNNEST(event_params) AS ep
WHERE ep.key = 'page_location') AS page,
COUNTIF(event_name = 'page_view') AS pages_vues,
COUNTIF(event_name = 'session_start') AS sessions,
COUNT(*) AS evenements
FROM `PROJET.DATASET.events_*`
WHERE _TABLE_SUFFIX BETWEEN
FORMAT_DATE('%Y%m%d', DATE_SUB(CURRENT_DATE(), INTERVAL 30 DAY))
AND FORMAT_DATE('%Y%m%d', DATE_SUB(CURRENT_DATE(), INTERVAL 4 DAY))
GROUP BY jour, source, support, appareil, page;
Dans cette table, source et support décrivent l’acquisition de l’utilisateur, pas celle de la session : nommez-les ainsi dans le rapport. Planifiez la requête chaque nuit, puis branchez le rapport sur la table agrégée. La fenêtre qui s’arrête à J-4 évite les jours encore incomplets. Pour la mise en place complète, voir le consultant GA4 et BigQuery et pourquoi connecter GA4 à BigQuery.
La table agrégée n’a d’intérêt que si elle se rafraîchit seule : la planification des requêtes et l’envoi des rapports relèvent de l’automatisation des rapports analytics.
Quand le rapport est rapide mais faux
Un rapport rapide peut afficher des chiffres inexacts. Si les totaux ne correspondent pas à GA4, le problème est en amont, et les erreurs courantes des dashboards Looker Studio reprennent les cas les plus fréquents. Pour les autres évolutions de l’outil en 2026, voir les nouveautés Looker Studio.
Si vous voulez qu’un expert reprenne le rapport, le service Expert Looker Studio décrit ce que je livre.
Pas suivant : ouvrez la source du rapport le plus lent, relevez son symptôme et son nombre de graphiques. Si l’erreur de quota revient après les deux premiers remèdes, le cadrage du consultant GA4 part de ce diagnostic.
Sources
- Looker Studio, fraîcheur des données, lue le 18 novembre 2026.
- Looker Studio, extraire les données pour des performances plus rapides, lue le 18 novembre 2026.
- Looker Studio, améliorer les performances, lue le 18 novembre 2026.
- Quotas de la Google Analytics Data API, lue le 18 novembre 2026.
- Schéma de l’export GA4 vers BigQuery, lu le 18 novembre 2026.
- Notes de version Looker Studio, lues le 18 novembre 2026, pour la date du renommage (16 avril 2026).