Scenario Planner Google Analytics : budgétisation cross-canal

Avant-propos

Google Analytics a lancé une nouvelle fonctionnalité accessible dans la section Publicité > Budgétisation cross-canal. Elle regroupe deux modules complémentaires : un plan de projection pour suivre le pacing d'un budget en cours, et un planificateur de scénarios (Scenario Planner) pour simuler des allocations futures. La feature est en bêta et n'est pas déployée sur tous les comptes à l'heure où nous écrivons cette note (mai 2026).

Vue d'ensemble de la section Budgétisation cross-canal dans Google Analytics, avec le menu Budget (Vue d'ensemble, Projection, Planificateur de scénarios) — La feature vit dans Publicité > Budget de Google Analytics. Elle se décompose en Projection (suivi d'un budget en cours) et Planificateur de scénarios (simulation d'allocations futures).

L'objet annoncé par Google : permettre aux annonceurs de planifier leur budget media et de projeter des résultats en fonction de différents arbitrages entre leviers. Doc officielle : Cross-channel budgeting plans (Beta).

La feature en bref

La section regroupe deux modules :

Un Projection plan qui suit le pacing d'un budget en cours (rythme de consommation, conversions et revenue attendus, ROAS prévisionnel).
Un Scenario planner qui simule plusieurs allocations budgétaires à venir et compare les projections de chaque scénario (conversions, revenue, ROAS), avec des courbes de réponse par canal.

Les pré-requis

Pour que ça tourne, Google Analytics doit voir le coût de chacun de vos leviers payants. Pour les campagnes Google, la connexion Google Ads suffit, les coûts remontent automatiquement. Pour les régies hors Google (Meta, TikTok, Pinterest, Snap, Reddit), il faut importer les dépenses et impressions.

L'import se fait depuis Admin > Importation de données. Trois options :

Le connecteur natif de Google Analytics, en bêta sur Meta, TikTok, Pinterest, Snap et Reddit (lancé en octobre 2025). Un backfill historique jusqu'à 24 mois est annoncé selon plusieurs sources tierces, à vérifier sur la propriété concernée.
L'import via BigQuery, utile quand les dépenses sont déjà consolidées dans un dataset.
L'upload CSV.

Doc officielle pour l'import : Importer les coûts des régies dans Google Analytics.

Comment ça marche

Google Analytics utilise l'historique de votre propriété (12 mois minimum sur les canaux paid) et fait tourner un algorithme de régression bayésienne pour comprendre comment les variations de budget par canal font varier les conversions et le revenue. À partir de cet apprentissage, le modèle projette ce qui se passerait avec un mix budgétaire différent.

Le modèle s'inspire de Meridian, le MMM open source de Google. Il en diffère sur un point central : il est avant tout alimenté par l'attribution Data-Driven (DDA) de la propriété. La DDA sert de prior bayésien à la régression. Un MMM au sens strict (type Meridian) intègre quant à lui des variables externes (saisonnalité, macro), de l'adstock, du geo-level et de la calibration causale via des tests d'incrémentalité, briques absentes ici.

Sortie d'un plan de scénario dans Google Analytics : courbe de réponse revenue/coût, recommandation d'allocation par canal (Paid Other, Paid Search, Paid Video, Cross-network) et comparaison Optimisation vs Prévision — Le Planificateur de scénarios produit une courbe de réponse (revenue projeté en fonction du coût des annonces) et une recommandation d'allocation par groupe de canaux, avec un écart Optimisation vs Prévision par canal.

L'avis EdgeAngel

À la date de cette note (mai 2026), nous n'avons pas encore de cas client EdgeAngel sur lequel évaluer empiriquement les sorties du modèle. L'analyse ci-dessous repose sur la documentation Google et notre lecture méthodologique.

Un signal d'évolution sur le positionnement de Google Analytics

Google Analytics intègre désormais une couche de planification budgétaire dans son interface, à côté de ses fonctions historiques d'analyse de trafic et d'attribution. L'outil s'étend vers le pilotage publicitaire.

Un modèle qui hérite des biais de l'attribution Google Analytics

Le moteur apprend de la DDA. Or la DDA, par construction :

Sur-pondère les leviers proches de la conversion (bas de funnel, intention forte).
Mesure mieux le post-clic que le post-view.
Voit ce que le tag GA voit, donc ce qui transite par le navigateur après consentement.

Conséquences pour la simulation :

Les campagnes intentionnistes Google (Search, Performance Max orienté conversion) sont valorisées par la DDA, donc favorisées dans la simulation.
Demand Gen et YouTube sont également bien valorisés dès lors que la propriété reçoit les signaux engaged-view de Google Ads, qui permettent une attribution post-view dans GA.
À l'inverse, les leviers haut de funnel et les canaux dont les impressions et engagements ne remontent pas nativement dans Google Analytics verront leur contribution sous-estimée par le modèle. C'est le cas de Meta : la CAPI sert le reporting côté plateforme Meta, elle n'alimente pas l'attribution dans Google Analytics.

C'est notre conviction principale sur ce sujet : le Scenario Planner est utile pour des arbitrages sur les canaux que Google Analytics mesure correctement. Il atteint sa limite dès qu'il s'agit de comparer un canal bien tracké avec un canal que l'attribution GA sous-pondère par construction.

Dis EdgeAngel, du coup que faut-il faire ?

Activer la feature. L'activation est gratuite, l'import des coûts des régies est utile au-delà du seul Scenario Planner (rapports GA enrichis). Il faut tester les projections avec du recul sur les arbitrages haut de funnel.

Pour les annonceurs à budget media significatif, le sujet de la mesure d'efficacité passe par un vrai MMM. Les benchmarks publiés convergent sur des gains d'efficacité importants une fois la réallocation optimisée :

Une étude de cas sur le secteur bancaire documente +20 % d'efficacité marketing et +15 % d'acquisition client après réallocation budgétaire pilotée par MMM [5].
Sur un cas e-commerce omni-canal, la réallocation MMM remonte un +32 % de revenue incrémental [6].
Sur la plateforme Akulaku (étude de cas Meridian), une réoptimisation du budget à montant total inchangé projette +16 % de GMV [7].
Plusieurs sources convergent sur le fait qu'un gain de 5 % sur l'efficacité d'un budget de 100 K€ mensuels suffit à payer le projet MMM [8]. À l'échelle de budgets de plusieurs millions, l'effet de levier est mécanique.

Concrètement, sur un budget media annuel de 10 millions d'euros, un gain d'efficacité de 5 à 10 % sur la réallocation représente 500 K€ à 1 M€ par an. À ce niveau d'enjeu, la mesure ne se confie pas à un Scenario Planner alimenté par l'attribution GA. Elle se construit avec un MMM causal (type Meridian) et des tests d'incrémentalité (Causal Impact, GeoLift) pour calibrer les priors. C'est l'approche que nous déployons chez nos clients à fort budget media.

Pour aller plus loin sur ces approches, deux ressources EdgeAngel : notre note dédiée au Causal Impact (Causmos) et notre offre Marketing Mix Modeling et Meridian.

Sources et références

Un doute sur la place de cette feature dans votre stack de mesure ?

Si vous voulez challenger la place de la budgétisation cross-canal Google Analytics dans votre pilotage media, ou cadrer un projet de MMM ou de test d'incrémentalité sur vos canaux à fort enjeu, on regarde votre cas ensemble.

Contactez-nous