Google Analytics 官方推 MCP Server:用一句話查 GA4 數據的時代來了
Google Analytics 官方推出 MCP Server,透過 Model Context Protocol 把 GA4 數據直接連接到 Gemini、Claude 等 LLM。1,437 個書籤說明行銷人已經準備好用自然語言取代複雜的 GA4 介面。這是 Google 對 MCP 生態系的最大背書,也是行銷數據民主化的關鍵一步。

重點摘要
Google Analytics 官方帳號昨天發了一則讓行銷圈炸鍋的推文:「Did you know you can now connect your GA data directly to LLMs like Gemini?」
993 個讚已經是 GA 官方帳號少見的高互動了。但真正的重點是 1,437 個書籤,書籤數是讚數的 1.45 倍,13.6 萬次觀看。在 X 上,書籤比遠大於讚數只有一種解釋:每一個看到的行銷人都存下來準備照做。
GA4 終於不用打開介面了
Google Analytics MCP Server 透過 Model Context Protocol 把 GA4 數據直接連到任何支援 MCP 的 LLM。連接後你可以用自然語言做以前要在 GA4 介面裡點半天的事。
「上週哪個 landing page 的 bounce rate 最高?」直接問,直接答。
「過去 30 天的轉換漏斗哪一步流失最多?」直接問,直接答。
「給我一份即時流量報告。」直接問,直接答。
根據 Google for Developers 的官方文件,MCP Server 提供四個核心工具:get_account_summaries(列出 GA 帳號和資源)、get_property_details(資源詳細資訊)、run_report(標準報表)、run_realtime_report(即時報表)。底層用的是 GA4 Reporting API 和 Admin API,支援超過 200 個維度和指標的查詢。
設定流程需要 Google Cloud 專案、啟用 API、配置 credentials,然後在 Gemini CLI 或 Claude 的 MCP 設定中加入 server。不算簡單,但也不是門檻很高的事。
這不只是「更方便的報表」,是數據存取方式的根本改變
GA MCP Server 的策略意義遠超過「查報表更快」這個表面好處。
它把 Google Analytics 從「你要主動去打開的介面」變成了「AI agent 可以自動存取的數據源」。這個差別很大。以前你需要一個人去 GA4 拉數據、做報表、寫分析。現在你可以讓 AI agent 在工作流中自動拉 GA 數據,和其他數據源交叉分析,然後直接產出洞察。
舉個具體例子:你可以讓 Claude 同時分析你的 GA 流量數據和 Google Ads 投放數據(搭配 Adspirer MCP),在一個對話中完成過去需要三個工具、三個介面、至少一個小時才能做完的分析。
根據 Google Cloud Blog 的公告,這是更大戰略的一部分。Google 同步宣布為所有 Google 和 Google Cloud 服務提供官方 MCP 支援,包括 BigQuery 也有了 fully-managed 的遠端 MCP server。
Google 進場是對 MCP 生態系的最大背書
把時間軸拉到 3 月底,MCP 剛達成 9,700 萬次下載的里程碑。Greg Isenberg 在 3/31 專門分析了 MCP 作為分發策略的價值。現在 Google 官方直接進場做 MCP Server,等於是對整個 MCP 生態系最強的背書。
Merkle 的分析文章稱 GA MCP Server 是「conversational analytics 的一大躍進」,指出它讓非技術背景的行銷人第一次能用自然語言直接和數據對話。Growth Method 的教學文章則強調,GA MCP 搭配 Claude 或 Cursor 等工具使用時,能大幅降低數據分析的門檻。
我自己的觀察是,GA4 的介面一直是行銷人的痛點。功能很強,但學習曲線陡到很多人乾脆不用。MCP Server 本質上是繞過了這個問題,你不需要學 GA4 的介面,你只需要會問問題。
具體行動很簡單:這週就去 developers.google.com/analytics/devguides/MCP 照著教學設定。如果你用 Claude,直接在 MCP 設定中加入 GA server。
資料來源

Walt Chuang
ARTOGO 共同創辦人・成長行銷
相關文章
你可能也會喜歡...

你把 AI 當計算機用,難怪團隊的知識永遠在歸零
Hiten Shah 指出多數團隊用 AI 的方式是「計算機模式」——每次都重來,知識從不累積。他的做法是在 Slack 裡跑 AI,讓 agent 看到所有脈絡,知識像複利一樣成長。三個月後差距是指數級的。

Anthropic 的 Growth Marketing 只有一個人,而且他不會寫程式
Anthropic 的 growth marketing 曾經只有一個人,Austin Lau,一個從沒寫過程式的行銷人。他用 Claude Code 建了完整的 performance marketing 自動化系統,廣告製作時間壓縮 87%,單人產出超過多數完整行銷團隊。

Consumer AI 的贏家公式:不是模型最強,是 ARPU 跑贏推論成本
Andrew Chen 提出 consumer AI 贏家公式:ARPU 必須跑贏推論成本。目前差距約 10 倍,月 ARPU $2-5 但 token 成本可能 $20-50。高 ARPU 類別(金融、健康、生產力)有空間用最好的模型,低 ARPU 類別被迫用更差的模型、更脆弱的留存。