当 AI 能直接读取 GA4：Google Analytics MCP 使用指南

如果只是偶尔查看，这套流程还能接受。但当周报、月报、活动复盘和异常排查不断重复时，真正消耗团队时间的往往不是分析本身，而是“找数”和“搬数”。

例如，你可能遇到过这些场景：

• 想知道“最近 7 天自然搜索流量为什么下降”，但 AI 没有真实数据，只能给出泛泛的原因；

• 每周都要从 GA4 导出相似报表，再手动整理成周报；

• 想按渠道、国家、设备和落地页继续拆解，却需要在多个报告之间反复切换；

• 不同同事使用的时间范围、指标和维度不一致，最后连同一份周报的统计口径都很难统一。

Google Analytics MCP 提供了一种新的解决思路：不再由人把数据搬给 AI，而是让 AI 在获得授权后，主动调用 Google Analytics API 查询数据。

它带来的变化并不只是“少点几次鼠标”，而是把“提出问题 – 查询数据 – 拆解原因 – 输出结论”连接成一条可以重复使用的分析流程。

一、Google Analytics MCP 到底是什么？

MCP 全称 Model Context Protocol。名字听起来很技术，但可以把它简单理解为一条“连接线”：一头连接 AI，另一头连接外部工具和数据。

平时 AI 只能分析你复制给它的内容。接入 MCP 之后，AI 可以在你允许的范围内，自己去调用工具、读取数据，再回答问题。

Google Analytics MCP，就是 AI 与 GA4 之间的“连接线”。

当你问“最近 7 天哪个渠道导致流量下降”时，AI 不再只给出一份通用原因清单。它可以通过 MCP 读取 GA4 数据，再按渠道、设备或落地页继续查看，最后根据真实数据组织结论。

可以把整个过程简化为：

你提出问题 → MCP 去 GA4 查数据 → GA4 返回结果 → AI 整理结论和建议

目前，它可以帮助 AI 完成这些工作：

• 找到当前可以访问的 GA4 账号和媒体资源；

• 查询日常报表和实时数据；

• 查看漏斗表现；

• 读取自定义维度和指标；

• 查看媒体资源关联的 Google Ads 账号。

这意味着，它不是简单地把 GA4 页面“搬进聊天框”，而是让 AI 可以根据问题主动查数。

需要注意的是，当前项目仍标注为 Experimental（实验阶段）。用于日常辅助分析没有问题，但重要报告和业务结论仍应由人工复核，不建议未经检查就直接对外发布。

二、它真正解决的，不只是“查数慢”

很多人第一次看到 Google Analytics MCP，会把它理解成“用自然语言查询 GA4”。但如果只停留在这一层，它的价值仍然有限。Google Analytics MCP 更重要的意义是把过去分散在个人经验里的分析步骤，变成可以重复执行的工作流。

例如，一份渠道周报可以固定为：

1. 查询最近 7 天与前 7 天的核心指标；

2. 按会话默认渠道组拆解变化；

3. 找出贡献增长或下滑最多的渠道；

4. 继续按国家、设备或落地页验证原因；

5. 输出结论、证据、待验证假设和下一步动作。

第一次需要由分析人员把流程定义清楚。此后，AI 可以按照同样的统计规则重复执行，团队不必每周重新从零开始。因此它带来的不仅是效率提升，还包括三项更重要的变化：

1. 分析入口更低

业务人员不需要记住每一张 GA4 报表的位置，也不用学习 API 怎么写。只要能够清楚描述业务问题，AI 就可以协助完成查询和初步拆解。

2. 分析口径更容易复用

时间范围、要看哪些数据、如何排序以及最后输出什么，都可以直接写进固定提问模板，减少不同人员操作带来的统计差异。

3. 分析过程更容易沉淀

周报、活动复盘、SEO 内容诊断和异常排查，都可以从一次性的人工操作，逐步变成能够重复运行的分析模板。但这里必须明确一个边界：MCP 负责把数据带给 AI，并不代表 AI 自动拥有正确的业务判断。

数据可以证明“哪些渠道发生了变化”，却未必能直接证明“为什么发生变化”。投放暂停、网站改版、埋点异常、节假日和市场活动，都可能产生相似的数据表现。因此，最好要求 AI 分开说明“数据看到的事实”“可能的原因”和“下一步如何确认”。

三、如何安装 Google Analytics MCP？

不同 AI 工具的配置入口可能不一样，但实际要做的事情只有五步：

1. 准备一个 Google Cloud 项目；

2. 打开 Google Analytics 所需的 API；

3. 创建服务账号并下载 JSON 文件；

4. 把服务账号加入 GA4；

5. 在支持 MCP 的 AI 工具中填入 JSON 文件路径。

本文使用最容易理解的本地安装方式。电脑上需要有 Python 3.10 或更高版本，并安装 pipx。这部分通常只需准备一次，后面日常查数不需要重复安装。

第一步：在 Google Cloud 中打开两个 API

进入 Google Cloud Console，新建或选择一个项目，然后打开：API 和服务 → 库，分别搜索并启用：

• Google Analytics Data API

• Google Analytics Admin API

可以简单理解为：Data API 负责读取报表数据，Admin API 负责读取账号和媒体资源信息。两个都打开，后面使用会更顺畅。

整个过程直接在网页上点击“启用”即可，不需要使用命令行工具。

第二步：创建服务账号并下载 JSON 文件

服务账号可以理解为一个“专门给程序使用的 Google 身份”。MCP 会用这个身份去读取 GA4 数据，而不需要长期使用某位员工的个人账号。

在 Google Cloud Console 中打开：IAM 和管理 → 服务账号 → 创建服务账号，名称可以写成容易识别的形式，例如：ga4-mcp-reader

创建完成后，你会看到一个类似邮箱的地址：ga4-mcp-reader@YOUR_PROJECT_ID.iam.gserviceaccount.com，先复制这个地址，下一步需要把它添加到 GA4。

创建过程中如果出现“向此服务账号授予项目访问权限”，可以直接跳过。读取 GA4 数据并不需要给它 Google Cloud 的 Owner 或 Editor 权限。

接着，点击刚创建的服务账号，进入：密钥 → 添加键 → 创建新密钥 → 选择 JSON → 创建

浏览器会自动下载一个 .json 文件。建议把文件改成容易识别的名称，例如 ga4-mcp-key.json，并放到电脑中不容易被误删或分享的位置。

重要提醒：JSON 文件相当于这个服务账号的钥匙。

谁拿到这个文件，谁就可能读取该服务账号有权限访问的 GA4 数据。因此：

• 不要上传到 GitHub、网盘或公共文件夹；

• 不要通过聊天工具随意转发；

• 不要把 JSON 里的内容复制到 AI 对话中；

• 不要把它和网站代码一起打包发布；

• 如果怀疑文件已经泄露，应立即回到服务账号的“密钥”页面删除旧密钥，再重新创建一份。

第三步：把服务账号添加到 GA4

只创建服务账号还不够。此时它虽然有了“身份”，但还没有查看任何 GA4 数据的权限。

进入需要查询的 GA4 媒体资源，打开：管理 → 媒体资源访问权限管理 → 添加用户，把刚才复制的服务账号邮箱粘贴进去，并选择 查看者（Viewer）。

查看者权限已经可以读取报表，通常足够 MCP 使用，不要为了省事直接选择编辑者或管理员。

如果需要查看多个 GA4 媒体资源，就分别把这个服务账号添加进去；如果只需要查看一个，就只添加到这一个媒体资源，不必开放整个账号。

常见误区：GA4 媒体资源 ID 是一串纯数字，不是以 G- 开头的衡量 ID。后面让 AI 查询数据时，应提供这串数字。

第四步：在 AI 工具中添加 Google Analytics MCP

在支持 MCP 的 AI 工具中找到“添加 MCP Server（MCP 服务）”或类似入口，然后加入下面这段配置：

{  "mcpServers": {    "analytics-mcp": {      "command": "pipx",      "args": ["run", "analytics-mcp"],      "env": {        "GOOGLE_APPLICATION_CREDENTIALS": "/ABSOLUTE/PATH/TO/CREDENTIALS.json",        "GOOGLE_PROJECT_ID": "YOUR_PROJECT_ID"      }    }  }}只需要替换两个地方：

• /ABSOLUTE/PATH/TO/CREDENTIALS.json：刚才下载的 JSON 文件在电脑中的完整路径；

• YOUR_PROJECT_ID：Google Cloud 项目 ID。

例如，macOS 上的文件路径可能是 /Users/你的用户名/Downloads/ga4-mcp-key.json。请填写文件路径，不要把 JSON 文件中的内容直接粘贴进配置。

不同 AI 工具的配置入口会有差异（示例中使用Cursor软件配置MCP），但要填写的内容基本一致。本文配置适用于能够在本地运行 MCP 的工具；如果找不到相应入口，可以先查看该工具是否支持本地 MCP。

第五步：先做一次简单测试

连接后，不要马上让 AI 做复杂分析。先按下面的顺序测试：

1. “请告诉我 analytics-mcp 当前提供哪些工具。”

2. “请列出我现在可以访问的 Google Analytics 账号和媒体资源。”

3. “请查询媒体资源 XXXXX 最近 7 天的 sessions 和 activeUsers，并说明使用的日期范围。”

如果第二步看不到目标媒体资源，优先检查：

• 服务账号邮箱是否添加到了正确的 GA4 媒体资源；

• 是否至少授予 Viewer 权限；

• Google Analytics Data API 和 Admin API 是否已经启用；

• AI 工具读取的是否是正确 JSON 文件；

• 配置中的项目 ID 是否正确；

• 指定的是 GA4 媒体资源 ID，而不是以 G- 开头的衡量 ID。

四、怎样提问，才能让分析结果更可靠？

Google Analytics MCP 解决了“AI 如何拿到数据”的问题，却不会自动解决“问题是否问对”。

如果只问“最近表现怎么样”，AI 往往只能给出非常宽泛的回答。更可靠的方式，是把一次分析拆成三个阶段。

第一阶段：明确业务问题和比较区间

不要只给一个时间范围，还要说明比较基准。例如：

• “比较最近 7 个完整自然日与此前 7 天，整体流量发生了什么变化？”

• “比较 7 月与 6 月，付费渠道带来的新增用户质量是否改善？”

如果业务对时区或“是否包含今天”比较敏感，也应直接写进问题。为了避免当天数据尚未完整，周期分析通常可以使用 yesterday 作为结束日期。

第二阶段：从总量继续拆解

总量只能说明“发生了什么”。继续按渠道、活动、页面或设备拆开看，才能找到“变化来自哪里”。

常用拆解方向包括：

• 渠道：会话默认渠道组、会话来源/媒介；

• 活动：会话广告系列；

• 页面：落地页；

• 用户环境：国家、设备类别；

• 业务结果：关键事件、会话关键事件率、收入。

这里有一个容易踩坑的地方：GA4 中“用户第一次从哪里来”和“这一次访问从哪里来”不是同一组数据。

分析 sessions（会话数）时，可以直接告诉 AI：请使用会话级的渠道和来源数据。 对应的常用字段是 sessionDefaultChannelGroup 和 sessionSourceMedium。不需要死记这两个英文名称，但要避免把“首次来源”和“本次访问来源”混在一起。

第三阶段：固定输出结构

建议要求 AI 每次都按照以下结构输出：

1. 结论：发生了什么；

2. 证据：哪些数据支持这个判断；

3. 假设：可能的业务或技术原因；

4. 验证：下一步还需要检查什么；

5. 动作：可以立即执行的优化建议；

6. 口径：媒体资源、日期范围、维度、指标和筛选条件。

其中，“证据”和“假设”必须分开。只有这样，AI 的分析结果才能被复核，而不是把一个听起来合理的故事当成事实。

五、6 个可以直接使用的实战提问模板

以下模板可以直接复制，再替换媒体资源 ID、日期和业务指标。

模板中保留了部分 GA4 英文字段，是为了让 AI 更准确地找到对应数据。它们并不复杂：

• sessions：会话数，可以简单理解为访问次数；

• activeUsers：活跃用户数；

• engagedSessions：有参与的会话数；

• keyEvents：关键事件数，例如提交表单、注册或购买；

• sessionKeyEventRate：发生过关键事件的会话占比；

• totalRevenue：总收入。

不想记这些英文名称也没关系，直接使用中文描述，AI 通常也能完成查询。

模板 1：先看最近 28 天的渠道盘面

请使用 Google Analytics MCP 查询媒体资源 XXXXX 最近 28 个完整自然日的数据。按会话默认渠道组拆分 sessions、activeUsers、engagedSessions、keyEvents 和 totalRevenue，按 sessions 从高到低排序。请输出表格，并总结前三个渠道的流量质量和业务贡献。最后列明日期范围、维度、指标和筛选条件。

这个模板适合作为日常分析的第一步。它先建立整体盘面，再决定是否需要继续拆解某个渠道。

模板 2：比较本周与上周，定位下滑来源

比较媒体资源 XXXXX 最近 7 个完整自然日与此前 7 天的 sessions、keyEvents 和 sessionKeyEventRate。按会话来源/媒介拆解，找出对 sessions 下滑贡献最大的 5 个来源。请把数据事实、可能原因和排查动作分开输出，不要把未经验证的原因写成结论。

后续可以继续让 AI 检查：

• 投放是否暂停或预算是否发生变化；

• 自然搜索是否集中在少数页面下滑；

• 某个国家或设备是否出现异常；

• 落地页改版、加载或埋点是否存在问题。

模板 3：寻找高流量、低转化的自然搜索落地页

查询媒体资源 XXXXX 最近 30 个完整自然日的 Organic Search 流量。按 landingPage 拆分 sessions、engagedSessions、engagementRate、keyEvents 和 sessionKeyEventRate。筛选流量高于中位数、但 sessionKeyEventRate 低于整体水平的页面，并按照潜在影响排序。请分别给出数据发现、原因假设和验证建议。

优化建议可以从搜索意图匹配、首屏信息、CTA、页面速度、表单摩擦和移动端体验等方向展开，但必须明确这些属于待验证假设。

模板 4：复盘不同营销活动的表现

查询媒体资源 XXXXX 最近 14 个完整自然日的数据，按会话广告系列汇总 sessions、activeUsers、keyEvents、sessionKeyEventRate 和 totalRevenue。分别标出流量最高、关键事件率最高和收入最高的活动，并说明三个排名是否由同一活动获得。最后写一段适合市场团队周会使用的复盘结论。

如果广告成本存放在 Google Ads、表格或数据仓库中，可以再连接对应的数据源，将 GA4 行为数据与成本数据合并后计算 ROI 或 ROAS。但在合并前，应先确认广告系列命名、币种、时区和归因口径一致。

模板 5：排查某一天的异常下跌

查询媒体资源 XXXXX 在 2026-07-01 的 sessions，并与此前 7 个同星期几的平均值比较。然后分别按 deviceCategory、country 和 sessionSourceMedium 拆解差异贡献。请输出下降幅度最大的项目、可复核数据、三个最可能的原因假设，以及每个假设对应的验证方法。

与简单比较“前 7 天均值”相比，使用相同星期几作为基准，可以减少工作日与周末流量结构差异造成的误判。

模板 6：生成一份可以直接修改的 GA4 周报

使用媒体资源 XXXXX 最近 7 个完整自然日的数据，并与此前 7 天比较，生成一份 GA4 周报。结构包括：总体概览、渠道表现、落地页表现、关键事件与收入、主要异常、待验证问题和下周建议。每一条结论后附对应数据，末尾列出本次查询的日期范围、维度、指标、筛选条件和 GA4 媒体资源 ID。不要虚构 GA4 中不存在的数据。

在实际使用中，建议先把周报作为“待审核草稿”，由业务负责人确认促销、预算、产品发布和埋点变更等背景后再发布。

六、Google Analytics MCP 不能替代什么？

Google Analytics MCP 可以减少大量机械工作，但它不是 GA4 数据质量问题的自动修复工具。如果埋点本身不完整、UTM 命名混乱、关键事件定义错误，MCP 只会更快地返回这些有问题的数据。数据入口不可信，AI 生成的分析再流畅，也无法成为可靠的决策依据。

同时，它也不能替代以下工作：

• GA4 实施与埋点质量检查；

• 指标、维度和归因口径治理；

• 数据隐私、权限与凭据管理；

• 对重大业务结论的人工复核；

• 跨 GA4、广告平台、CRM 和订单系统的数据整合。

对于企业而言，更合理的落地顺序是：先保证数据采集可信，再明确谁能查看哪些数据，并统一分析方法，最后通过 MCP 让 AI 重复执行成熟流程。

七、从“AI 能查 GA4”，进一步变成可复用的数据分析流程

接入 Google Analytics MCP 只是第一步。真正影响分析结果的仍然是 GA4 数据是否准确、事件和关键指标是否定义清楚、渠道标记是否统一，以及 AI 是否按照一致的业务口径进行查询和判断。

触脉咨询可结合企业现有的 GA4 与数据架构，协助完成 GA4 数据质量与营销数据链路诊断、权限与指标口径梳理、MCP 接入配置，以及周报、渠道分析、异常排查等 AI 分析工作流设计，帮助团队将一次性的 AI 查数逐步沉淀为稳定、可复核的分析能力。

如果您的团队希望进一步搭建 GA4 + AI 数据分析流程，可联系触脉咨询客户经理，或扫码与我们沟通具体使用场景。

写在最后：AI 时代，数据能力需要从“页面”走向“接口”

过去，企业使用 GA4 的主要方式是“人进入页面查看报表”。Google Analytics MCP 带来的变化，是让 AI 可以在获得授权后主动查询 GA4。

这并不意味着分析师会被一段提示词取代。

恰恰相反，当查询、整理和固定格式的报告逐步自动化之后，分析人员可以把更多时间投入到更有价值的问题上：指标是否合理、变化为什么发生、下一步应该验证什么，以及企业应该如何行动。

Google Analytics MCP 真正值得关注的地方，不是让 AI 帮你“查一次数”，而是让团队有机会把“查数 – 拆解 – 解释 – 验证 – 输出”沉淀成一套可复用的分析能力。

当数据、权限、口径和工作流都被正确设计之后，AI 才不只是一个会写总结的助手，而能够成为企业数据体系中的新入口。

编辑说明：本文依据 2026 年 8 月可用的开源项目和官方文档整理。Google Analytics MCP 仍处于快速迭代阶段，正式发布前建议再次核对项目 README、工具列表及安装要求。

编辑参考资料

• Google Analytics MCP Server（GitHub）

• Google Analytics Data API 快速入门

• Google Analytics Data API 维度与指标

• Google Analytics 用户与访问权限管理

• Google Cloud 服务账号安全最佳实践