Google Analytics MCP: Ein lokales Server-Tool zur Verbindung von GA4-Daten mit großen Modellen

Google Analytics MCP (Model Context Protocol) ist ein Open-Source-Tool, das es Nutzern ermöglicht, Google Analytics 4 (GA4) Daten mit großen Modellen (z.B. Claude, Cursor, etc.) über einen lokalen Server zu verbinden. Es bietet Datenabfrage- und Verwaltungsfunktionen über die Google Analytics Admin API und Data API. Benutzer können den Server lokal ausführen und Daten wie Website-Traffic und Nutzerverhalten mit Hilfe von natürlicher Sprachverarbeitung analysieren. Das Projekt wird auf GitHub gehostet, vom Google Analytics-Team gepflegt und unterstützt eine Python-Umgebung, die für Entwickler und Datenanalysten geeignet ist. Der Code wird häufig aktualisiert, zuletzt im Juli 2025, und die Community ist sehr aktiv.

Funktionsliste

• Erhalten Sie Google Analytics-Konto- und -Eigenschaftsinformationen.
• Abfrage von Details zu bestimmten Eigenschaften, wie Konfiguration und Einstellungen.
• Links zu Google Ads-Konten auflisten.
• Führen Sie GA4-Datenberichte mit Unterstützung für benutzerdefinierte Dimensionen und Metriken aus.
• Abrufen der wichtigsten Berichtsdimensionen für ein bestimmtes Attribut, einschließlich benutzerdefinierter Dimensionen.
• Abrufen der wichtigsten Berichtsmetriken für bestimmte Attribute, einschließlich benutzerdefinierter Metriken.
• Enthält eine Liste von Standarddimensionen und -indikatoren für eine einfache Datenanalyse.
• Unterstützung für Abfragen in natürlicher Sprache, kombiniert mit großen Modellen zur Bearbeitung komplexer Datenanforderungen.

Hilfe verwenden

Einbauverfahren

Um Google Analytics MCP zu verwenden, müssen die Nutzer den Server in ihrer lokalen Umgebung installieren und konfigurieren. Nachfolgend finden Sie die detaillierten Installations- und Nutzungsschritte:

1. Vorbereiten der Umgebung
   • Stellen Sie sicher, dass Python 3.10 oder höher auf Ihrem System installiert ist. Führen Sie den folgenden Befehl aus, um die Version zu überprüfen:

     python --version
     python3 --version
     

   • MontagepipUnd überprüfen Sie die Version:

     pip --version
     pip3 --version
     

2. Klon-Lager
   Klonen Sie das Google Analytics MCP-Repository lokal mit Git:

   git clone https://github.com/googleanalytics/google-analytics-mcp.git
   cd google-analytics-mcp
   

3. Erstellen einer virtuellen Umgebung
   Um Abhängigkeitskonflikte zu vermeiden, empfiehlt es sich, eine virtuelle Python-Umgebung zu erstellen:

   python3 -m venv venv
   source venv/bin/activate  # Linux/Mac
   venv\Scripts\activate     # Windows
   

4. Installation von Abhängigkeiten
   Installieren Sie die erforderlichen Abhängigkeiten für das Projekt in der virtuellen Umgebung:

   pip install -r requirements.txt
   

5. Konfigurieren der Google Analytics-Anmeldeinformationen
   • Erstellen Sie ein Servicekonto in der Google Cloud Console, um die Google Analytics Data API zu aktivieren.
   • Laden Sie die JSON-Schlüsseldatei für das Dienstkonto herunter und notieren Sie den Pfad als/path/to/your/service-account-key.json.
   • Setzen von UmgebungsvariablenGOOGLE_APPLICATION_CREDENTIALS::

     export GOOGLE_APPLICATION_CREDENTIALS="/path/to/your/service-account-key.json"  # Linux/Mac
     set GOOGLE_APPLICATION_CREDENTIALS="path\to\your\service-account-key.json"     # Windows
     

   • Optional: Bearbeiten~/.gemini/settings.jsonfügen Sie den Pfad für die Anmeldeinformationen hinzu:

     {
     "mcpServers": {
     "analytics-mcp": {
     "command": "pipx",
     "args": ["run", "--spec", "git+https://github.com/googleanalytics/google-analytics-mcp.git", "google-analytics-mcp"],
     "env": {
     "GOOGLE_APPLICATION_CREDENTIALS": "/path/to/your/service-account-key.json"
     }
     }
     }
     }
     

6. Operationsserver
   Verwenden Sie den folgenden Befehl, um den MCP-Server zu starten:

   pipx run --spec git+https://github.com/googleanalytics/google-analytics-mcp.git google-analytics-mcp
   

   oder in einer virtuellen Umgebung ausgeführt werden:

   python -m ga4_mcp_server
   

7. Testverbindung
   Führen Sie den folgenden Code aus, um die GA4-Anmeldedaten zu überprüfen:

   import os
   from google.analytics.data_v1beta import BetaAnalyticsDataClient
   os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = "/path/to/your/service-account-key.json"
   client = BetaAnalyticsDataClient()
   print("✅ GA4 credentials working!")
   

   Wenn Sie "✅ GA4 credentials working!" sehen, ist die Konfiguration erfolgreich.

Hauptfunktionen

1. Abrufen von Konto- und Eigentumsinformationen
   ausnutzenget_account_summariesDas Tool fragt das Google Analytics-Konto und die Attributliste des Nutzers ab. Nach der Ausführung gibt der Server die Konto-ID, die Attribut-ID und andere Informationen zurück, die für einen schnellen Überblick über die Kontostruktur geeignet sind.
2. Operative Datenberichterstattung
   ausnutzenrun_reportDas Tool erstellt GA4-Berichte. Der Benutzer muss die Attribut-ID, den Datumsbereich, die Dimension und die Metriken angeben. Zum Beispiel die Abfrage des Landes/der Region und der aktiven Nutzerdaten für die letzten 7 Tage:

   {
   "propertyId": "properties/123456789",
   "dateRanges": [{"startDate": "7daysAgo", "endDate": "yesterday"}],
   "dimensions": [{"name": "country"}],
   "metrics": [{"name": "activeUsers"}]
   }
   

   Die Berichtsergebnisse werden im JSON-Format zurückgegeben und enthalten Daten für die angegebenen Dimensionen und Indikatoren.

3. Zugang zu Dimensionen und Indikatoren
   • ausnutzenget_dimensionsim Gesang antwortenget_metricsAbrufen der wichtigsten Dimensionen und Metriken eines Attributs, einschließlich benutzerdefinierter Dimensionen und Metriken.
   • ausnutzenget_standard_dimensionsim Gesang antwortenget_standard_metricsErhalten Sie eine Liste von Standarddimensionen und -metriken für GA4, die für Berichte über die Erstkonfiguration geeignet sind.
4. Abfrage in natürlicher Sprache
   MCP unterstützt die Verwendung natürlicher Sprache zur Abfrage von Daten über große Modelle wie Claude. Geben Sie zum Beispiel ein: "Vergleiche die durchschnittliche Sitzungslänge nach Gerätekategorie in den letzten 30 Tagen":
   • Der Server wandelt die Anfrage in einen API-Aufruf um und erstellt einen Bericht.
   • Die Ergebnisse werden zum leichteren Verständnis in Tabellen- oder JSON-Format dargestellt.

Featured Function Bedienung

1. Integration mit großen Modellen
   Der MCP-Server läuft lokal und ermöglicht es den Benutzern, GA4-Daten mit großen Modellen zu kombinieren. Geben Sie beispielsweise mit Claude oder Cursor einen natürlichsprachlichen Befehl wie "Zeige Seitenaufrufe nach Browser für die letzten 90 Tage" ein. Der Server analysiert den Befehl, ruft die GA4-API auf und gibt strukturierte Daten zurück.
2. Google Ads Link Management
   ausnutzenlist_google_ads_linksFragt Links zu Google Ads-Konten mit GA4-Attributen ab. Die zurückgegebenen Ergebnisse enthalten die Konto-ID und den Status des Links, so dass Vermarkter ihre Anzeigenplatzierungen optimieren können.
3. Anpassung der Dimensionen und Indikatoren
   Die Benutzer können auf dieget_dimensionsim Gesang antwortenget_metricsErhalten Sie benutzerdefinierte Dimensionen und Metriken, um personalisierte Berichte zu erstellen. Analysieren Sie zum Beispiel die Anzahl der Auslöser für ein bestimmtes Ereignis (z. B. ein "Kauf"-Ereignis).

caveat

• Vergewissern Sie sich, dass das Servicekonto über Berechtigungen für die Google Analytics Data API und Admin API verfügt.
• Überprüfen Sie die Internetverbindung. Der Server muss Zugang zur Google-API haben.
• Aktualisieren Sie den Code des Repositorys regelmäßig mit den neuesten Funktionen:

  git pull origin main
  

Anwendungsszenario

1. Analyse des Website-Verkehrs
   Webmaster nutzen MCP zur Abfrage von GA4-Daten, um Traffic-Quellen, Nutzerverhalten und Konversionen der letzten 30 Tage zu analysieren und so Website-Inhalte und Marketingstrategien zu optimieren.
2. Bewertung der Werbewirksamkeit
   Das Marketingteam arbeitet durchlist_google_ads_linksim Gesang antwortenrun_reportFunktionen zum Vergleich der Klick- und Konversionsraten verschiedener Anzeigenkampagnen und zur Anpassung des Platzierungsbudgets.
3. Datengesteuerte Produktoptimierung
   Produktmanager verwenden natürlichsprachliche Abfragen, um die Verweildauer der Nutzer und die Absprungraten auf bestimmten Seiten zu analysieren und das Nutzererlebnis zu optimieren.
4. Integrationstests für Entwickler
   Der Entwickler integriert den MCP-Server in das Datenanalysetool und testet API-Aufrufe und Datenrückgaben, um einen stabilen Systembetrieb zu gewährleisten.

QA

1. Wie kann ich meine GA4-Zugangsdaten sichern?
   Speichern Sie die Schlüsseldateien für Dienstkonten an einem sicheren Ort, um eine öffentliche Weitergabe zu vermeiden. Verwenden Sie Umgebungsvariablen oder~/.gemini/settings.jsonKonfigurieren Sie die Anmeldedaten, um ein Auslaufen zu verhindern.
2. Welche großen Modelle werden von MCP unterstützt?
   Unterstützung für MCP-Clients wie Claude, Cursor, Gemini CLI usw., mit der Möglichkeit der Erweiterung um weitere kompatible Modelle in der Zukunft.
3. Was soll ich tun, wenn meine Meldeanfrage fehlschlägt?
   Überprüfen Sie die Berechtigungen für Dienstkonten, den API-Aktivierungsstatus und die Netzwerkkonnektivität. Sicherstellen, dasspropertyIdRichtig, das Format für den Datumsbereich ist "JJJJ-MM-TT" oder "7TageAgo".
4. Wie kann ich unterstützte Dimensionen und Metriken anzeigen?
   ausnutzenget_standard_dimensionsim Gesang antwortenget_standard_metricseine Liste von Kriterien abrufen, oderget_dimensionsim Gesang antwortenget_metricsAbrufen von attributspezifischen benutzerdefinierten Dimensionen und Metriken.