Serveur MCP Google Analytics

Que fait le serveur MCP “Google Analytics” ?

Le serveur MCP Google Analytics permet l’intégration transparente des données Google Analytics 4 (GA4) avec des assistants IA et des outils de développement comme Claude, Cursor et Windsurf via le Model Context Protocol (MCP). Agissant comme passerelle entre les clients MCP et l’API GA4, il autorise les utilisateurs à interroger le trafic du site, le comportement utilisateur et les données analytiques en langage naturel, donnant accès à plus de 200 dimensions et métriques. Cela permet à des agents IA d’automatiser la génération de rapports, d’effectuer des analyses approfondies et de fournir des insights directement au sein des workflows développeur ou outils IA, simplifiant la prise de décision basée sur les données sans avoir à naviguer manuellement dans les tableaux de bord.

Liste des prompts

Aucun modèle de prompt spécifique n’est mentionné dans le dépôt.

Liste des ressources

Aucune ressource explicite n’est listée dans le dépôt.

Liste des outils

• Les informations sur les outils fournis dans le serveur (comme dans ga4_mcp_server.py) ne sont pas détaillées dans les fichiers disponibles.

Cas d’usage de ce serveur MCP

• Requêtes analytiques en langage naturel : Les développeurs et analystes peuvent poser des questions sur le trafic, le comportement utilisateur ou les métriques de conversion en français courant, et recevoir les données GA4 ou des synthèses pertinentes.
• Rapports automatisés : Utilisez le serveur MCP pour générer des rapports analytiques réguliers ou ponctuels, réduisant le temps passé à créer manuellement des rapports dans le tableau de bord GA4.
• Intégration dans le workflow : Intégrez l’accès aux données GA4 directement dans des outils développeur comme Cursor ou Windsurf, permettant des analyses contextuelles lors des revues de code ou des déploiements fonctionnels.
• Insights pilotés par l’IA : Permettez à des agents IA de détecter automatiquement des tendances, anomalies ou recommandations à partir des données analytiques, pour accélérer la prise de décision.
• Analyse de données multi-sources : Combinez les données Google Analytics à d’autres sources (comme Search Console) pour obtenir des insights plus riches et multidimensionnels (si utilisé avec d’autres serveurs MCP).

Comment l’installer

Windsurf

1. Assurez-vous que Python 3.10+ est installé.
2. Clonez le dépôt ou installez via PyPI si disponible.
3. Ajoutez le serveur MCP Google Analytics à votre configuration mcpServers :

   {
     "mcpServers": {
       "google-analytics-mcp": {
         "command": "python3",
         "args": ["-m", "google_analytics_mcp"]
       }
     }
   }
   

4. Sauvegardez la configuration et redémarrez Windsurf.
5. Vérifiez que le serveur MCP apparaît et est accessible depuis l’interface de Windsurf.

Claude

1. Assurez-vous que Python 3.10+ est installé.
2. Utilisez le fichier claude-config-template.json fourni comme base.
3. Ajoutez ou mettez à jour le champ mcpServers dans votre configuration Claude :

   {
     "mcpServers": {
       "google-analytics-mcp": {
         "command": "python3",
         "args": ["-m", "google_analytics_mcp"]
       }
     }
   }
   

4. Sauvegardez la configuration et redémarrez Claude.
5. Confirmez la connexion du serveur MCP dans le panneau d’intégration de Claude.

Cursor

1. Installez Python 3.10+ et clonez ou installez le serveur MCP.
2. Repérez le fichier de configuration de Cursor.
3. Ajoutez l’entrée du serveur MCP :

   {
     "mcpServers": {
       "google-analytics-mcp": {
         "command": "python3",
         "args": ["-m", "google_analytics_mcp"]
       }
     }
   }
   

4. Enregistrez et redémarrez Cursor.
5. Vérifiez que le serveur apparaît parmi les serveurs MCP disponibles dans Cursor.

Cline

1. Assurez-vous que Python 3.10+ est présent.
2. Téléchargez ou installez le serveur MCP.
3. Modifiez la configuration de Cline pour inclure :

   {
     "mcpServers": {
       "google-analytics-mcp": {
         "command": "python3",
         "args": ["-m", "google_analytics_mcp"]
       }
     }
   }
   

4. Enregistrez, redémarrez Cline et vérifiez la connectivité du serveur MCP.

Sécuriser les clés API (avec des variables d’environnement) :

Pour fournir des identifiants sensibles (comme les clés API Google Analytics ou les fichiers de compte de service), utilisez des variables d’environnement pour plus de sécurité. Exemple de configuration :

{
  "mcpServers": {
    "google-analytics-mcp": {
      "command": "python3",
      "args": ["-m", "google_analytics_mcp"],
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/chemin/vers/vos/identifiants.json"
      },
      "inputs": {
        "property_id": "VOTRE_ID_PROPERTY_GA4"
      }
    }
  }
}

Comment utiliser ce MCP dans les flows

Utiliser MCP dans FlowHunt

Pour intégrer des serveurs MCP dans votre workflow FlowHunt, commencez par ajouter le composant MCP à votre flow et connectez-le à votre agent IA :

Cliquez sur le composant MCP pour ouvrir le panneau de configuration. Dans la section configuration système MCP, insérez les détails de votre serveur MCP au format JSON suivant :

{
  "google-analytics-mcp": {
    "transport": "streamable_http",
    "url": "https://votreserveur.example/chemin_mcp/url"
  }
}

Une fois configuré, l’agent IA pourra utiliser ce MCP comme outil avec accès à toutes ses fonctions. N’oubliez pas de remplacer “google-analytics-mcp” par le vrai nom de votre serveur MCP et l’URL par celle de votre instance.

Vue d’ensemble

La documentation et le code de Google Analytics MCP fournissent une vue d’ensemble claire et des instructions d’installation, mais manquent de documentation détaillée sur les prompts, ressources et outils. Pour la sécurité, la configuration via variables d’environnement est supportée. Les notions de roots et de sampling ne sont pas abordées.

Notre avis

D’après les tableaux ci-dessus, ce serveur MCP obtient de bons résultats sur la vue d’ensemble et l’installation, mais manque de détails sur les prompts, outils et ressources. Il est idéal pour les utilisateurs déjà familiers avec GA4 et MCP qui n’ont pas besoin de modèles de prompt ou de workflow détaillés.

Score MCP