Google Analytics MCP-server

Vad gör “Google Analytics” MCP-servern?

Google Analytics MCP-servern möjliggör sömlös integration av Google Analytics 4 (GA4)-data med AI-assistenter och utvecklingsverktyg som Claude, Cursor och Windsurf med hjälp av Model Context Protocol (MCP). Genom att fungera som en brygga mellan MCP-klienter och GA4 API låter den användare ställa frågor om webbtrafik, användarbeteende och analysdata på naturligt språk, med tillgång till över 200 dimensioner och mätvärden. Detta gör det möjligt för AI-agenter att automatisera rapportering, utföra djupgående dataanalys och ge handlingsbara insikter direkt i utvecklararbetsflöden eller AI-drivna verktyg, vilket effektiviserar beslutsfattandet utan manuell navigering i instrumentpaneler.

Lista över promptar

Inga specifika promptmallar nämns i repositoriet.

Lista över resurser

Inga uttryckliga resurser listas i repositoriet.

Lista över verktyg

• Information om vilka verktyg servern tillhandahåller (såsom från ga4_mcp_server.py) är inte detaljerad i tillgängliga filer.

Användningsområden för denna MCP-server

• Analysfrågor på naturligt språk: Utvecklare och analytiker kan ställa frågor om trafik, användarbeteende eller konverteringsmått på vanligt språk och få relevanta GA4-data eller sammanfattningar.
• Automatiserad rapportering: Använd MCP-servern för att skapa regelbundna eller ad hoc-rapporter, vilket minskar behovet av manuell rapportering i GA4-instrumentpanelen.
• Arbetsflödesintegration: Integrera GA4-dataåtkomst direkt i utvecklarverktyg som Cursor eller Windsurf, vilket möjliggör analyser i kontext under kodgranskningar eller lanseringar av nya funktioner.
• AI-drivna insikter: Låt AI-agenter lyfta fram trender, avvikelser eller rekommendationer från analysdata automatiskt och stödja snabbare beslutsfattande.
• Källöverskridande dataanalys: Kombinera Google Analytics-data med andra källor (t.ex. Search Console) för rikare, multidimensionella insikter (om det används tillsammans med andra MCP-servrar).

Så installerar du den

Windsurf

1. Kontrollera att Python 3.10+ är installerat.
2. Klona repositoriet eller installera via PyPI om tillgängligt.
3. Lägg till Google Analytics MCP-servern i din mcpServers-konfiguration:

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

4. Spara konfigurationen och starta om Windsurf.
5. Kontrollera att MCP-servern listas och är tillgänglig i Windsurfs gränssnitt.

Claude

1. Kontrollera att Python 3.10+ är installerat.
2. Använd den medföljande claude-config-template.json som utgångspunkt.
3. Lägg till eller uppdatera fältet mcpServers i din Claude-konfiguration:

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

4. Spara konfigurationen och starta om Claude.
5. Bekräfta MCP-serverns anslutning i Claudes integrationspanel.

Cursor

1. Installera Python 3.10+ och klona eller installera MCP-servern.
2. Lokalisera Cursors konfigurationsfil.
3. Lägg till MCP-serverns post:

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

4. Spara och starta om Cursor.
5. Kontrollera att servern visas under Cursors tillgängliga MCP-servrar.

Cline

1. Kontrollera att Python 3.10+ är installerat.
2. Ladda ner eller installera MCP-servern.
3. Modifiera Clines konfiguration så att den inkluderar:

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

4. Spara, starta om Cline och kontrollera MCP-serverns anslutning.

Säkra API-nycklar (med hjälp av miljövariabler):

För att ange känsliga uppgifter (som Google Analytics API-nycklar eller servicekontofiler), använd miljövariabler för säkerhet. Exempel på konfiguration:

{
  "mcpServers": {
    "google-analytics-mcp": {
      "command": "python3",
      "args": ["-m", "google_analytics_mcp"],
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/path/to/your/credentials.json"
      },
      "inputs": {
        "property_id": "YOUR_GA4_PROPERTY_ID"
      }
    }
  }
}

Så använder du denna MCP i flöden

Att använda MCP i FlowHunt

För att integrera MCP-servrar i ditt FlowHunt-arbetsflöde, börja med att lägga till MCP-komponenten i ditt flöde och koppla den till din AI-agent:

Klicka på MCP-komponenten för att öppna konfigurationspanelen. I systemets MCP-konfigurationssektion, ange detaljerna för din MCP-server enligt detta JSON-format:

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

När det är konfigurerat kan AI-agenten nu använda denna MCP som ett verktyg med tillgång till alla dess funktioner och möjligheter. Kom ihåg att ändra “google-analytics-mcp” till det faktiska namnet på din MCP-server och ersätta URL:en med adressen till din egen MCP-server.

Översikt

Mellan dokumentationen och koden ger Google Analytics MCP en tydlig översikt och installationsinstruktioner, men saknar detaljerad dokumentation om promptar, resurser och verktyg. För säkerhet stöds konfiguration via miljövariabler. Rötter och sampling nämns inte.

Vår åsikt

Baserat på tabellerna ovan får denna MCP-server högt betyg för översikt och installation, men saknar detaljer kring promptar, verktyg och resurser. Den passar bäst för användare som redan är bekanta med GA4- och MCP-koncept och inte behöver omfattande mallar för promptar/arbetsflöden.

MCP-poäng