Token导航 LogoToken导航TokenDH.com
ga4 analytics MCP logo
数据服务stdio官方级别未说明来源级核验

ga4 analytics MCP

MCP Server

一个完整的GA4漏斗分析系统,通过自动化的Slack报告提供AI驱动的洞察和交互式可视化。

工具数

0

提示词数

0

GitHub Stars

0

资源数

0
数据分析PythonClaudeClaude

安装说明

本站只整理中文说明和来源信息,不托管安装包,也不代用户安装。

作者 / 组织

Teake1404

提供方

Teake1404

最后核验

2026/5/17 20:21

运行时

Python

快速接入

先看主来源和安装命令,再打开仓库或文档;下面只保留这个条目的关键接入事实。

命令预览

python3 main_api.py

详细介绍

GA4漏斗分析MCP - 准生产就绪

🎯 概述

一个完整的GA4漏斗分析系统,通过自动化的Slack报告提供交互式可视化展示,带来AI驱动的洞察。

🏗️ 建筑学

双服务系统:

  • 服务#1: AI见解API(私有)- 使用Claude Sonnet 4.5生成AI见解
  • 服务#2: 报告生成器(公开)- 创建可共享的包含交互式图表的HTML报告

📁 核心文件

服务#1:AI见解API

  • main_api.py - 带AI见解生成的Flask API
  • config.py 配置(API密钥、维度、阈值)
  • mock_ga4_data.py - 用于开发的真实模拟数据
  • funnel_analysis.py - 核心漏斗计算和异常值检测
  • ai_insights.py - 克劳德·莎士比亚十四行诗4.5版集成
  • cache_manager.py - n8n存储的缓存和批处理

服务#2:报告生成器

  • report_server.py - 用于托管报告的Flask服务器
  • report_generator_simple.py - 生成包含8个交互式图表的HTML报告

部署

  • Dockerfile - 服务#1部署
  • Dockerfile.report - 服务#2部署
  • deploy.sh - 一键部署脚本
  • requirements.txt - Python 依赖项

文档

  • CLIENT_REQUIREMENTS.md - 要求核对清单
  • DEPLOYMENT_ARCHITECTURE.md - 双服务架构详情
  • N8N_STORAGE_OPTIMIZATION.md - n8n 数据表优化指南
  • N8N_WORKFLOW_GUIDE.md - n8n 集成指南

🚀 快速入门

1. 本地开发

# Terminal 1: AI Insights API
export ANTHROPIC_API_KEY="your-key"
python3 main_api.py

# Terminal 2: Report Generator
export PORT=8081
python3 report_server.py

2. 生产部署

./deploy.sh YOUR_ANTHROPIC_API_KEY

📊 特点/功能

✅ 完整的漏斗分析

  • 查看商品 → 加入购物车 → 购买追踪
  • 6个维度:渠道、设备、浏览器、分辨率、产品、类别
  • 异常值检测(与基线相比±20%)
  • 利用Claude Sonnet 4.5提供的AI赋能见解

✅ 交互式可视化

  • 8个交互式Plotly图表
  • 紧凑的6格布局
  • 最佳表现者与最差表现者的对比
  • 技术性能细节

✅ 准备就绪,可投入生产

  • 缓存(24小时,节省50%成本)
  • 速率限制(符合50转/分钟)
  • n8n存储的批处理
  • 存储优化(减少58%-73%)

✅ n8n 集成

  • 已准备好7节点工作流
  • Slack 自动化
  • 上午9点提交日报
  • 可共享的报告URL

🔧 配置

环境变量

ANTHROPIC_API_KEY="your-claude-api-key"
USE_MOCK_DATA=true  # Set to false for real GA4 data
PORT=8080  # AI Insights API port
PORT=8081  # Report Generator port

切换到真实GA4数据

# In config.py
USE_MOCK_DATA = False
GA4_PROPERTY_ID = "your-property-id"

# Add GA4 API integration in main_api.py

📈 报告内容

8个交互式图表:

  1. 基线性能
  2. 频道性能(5个频道)
  3. 设备性能(3台设备)
  4. 浏览器性能(4款浏览器)
  5. 分辨率性能(5种分辨率)
  6. 产品性能(5款产品)
  7. 类别表现(4个类别)
  8. 最佳与最差对比

AI洞见:

  • 🔴 关键问题(及其根本原因)
  • 🟢 增长机遇(含提升预估)
  • 💡 优先推荐(1-10)
  • 🧪 建议的A/B测试

💰 成本与性能

  • 根据上面的信息,执行如下指令: ~0.38美元/月(含缓存)
  • Cloud Run: 每月约8-15美元(两项服务)
  • 总计: 每月约8.38至15.38美元
  • n8n 存储: 54MB内存下拥有12年以上的能力

🔗 API 接口

服务#1(AI洞察)

  • POST /api/funnel-analysis - 生成见解(JSON格式)
  • GET /api/health - 健康检查

服务#2(报告生成器)

  • POST /api/generate-report - 创建报告,返回URL
  • GET /report/{id} - 提供HTML报告
  • GET /api/reports - 列出活动报告
  • GET /api/health - 健康检查

📱 客户体验

  1. 早上9点收到Slack通知
  2. 点击消息中的报告链接
  3. 查看包含8个图表的交互式报告
  4. 探讨人工智能的见解与建议
  5. 与团队分享URL(7天有效期)

✅ 生产检查清单

  • \[x\] 模拟数据工作正常
  • \[x\] 生成AI见解
  • \[x\] 交互式图表渲染
  • \[x\] 已实现缓存功能
  • \[x\] 启用速率限制
  • \[x\] 存储优化准备就绪
  • \[x\] n8n 工作流已准备好
  • \[x\] 部署脚本已准备就绪
  • \[x\] 文档已完整

🎯 下一步行动

  1. 部署到生产环境: ./deploy.sh YOUR_API_KEY
  2. 创建n8n工作流: 关注 N8N_WORKFLOW_GUIDE.md
  3. 连接实时GA4(谷歌分析4): 开关 USE_MOCK_DATA = False
  4. 给谢尔顿的演示: 展示完全自动化

______________________________________________________________________

准备好投入生产了! 🚀

目录标签

目录标签

数据分析PythonClaude本地部署AI驱动交互式可视化自动化报告GA4集成

支持客户端

Claude

接入字段

传输方式(transport,传输协议)

stdio

鉴权方式(authType,认证方式)

none

运行时(runtime,运行环境)

Python

工具数量(toolCount,工具数)

0

资源数量(resourceCount,资源数)

0

提示词数量(promptCount,提示词数)

0

权限和风险

stdionone部署方式未说明

接入前请确认传输方式、认证方式和部署位置,并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限;先核对安装命令和配置内容。

来源信息

继续浏览同类 MCP