Configurare MCP server Google Analytics

  1. Home
  2. News
  3. Configurare MCP server Google Analytics
Configurare MCP server Google Analytics
  • News

Configurare MCP server Google Analytics

Configurare MCP Server Google Analytics: guida per sviluppatori

Indice dei contenuti – Configurare MCP server Google Analytics

  1. Cos’è il Model Context Protocol (MCP) e perché cambia tutto
  2. Come funziona il server MCP di Google Analytics
  3. Prerequisiti tecnici prima di iniziare
  4. Configurare l’autenticazione Google Cloud
  5. Installare e avviare il server MCP
  6. Collegare il server MCP a un client LLM (Gemini CLI o Claude)
  7. Chattare con i dati di Analytics: esempi pratici
  8. Creare agenti personalizzati con accesso ai dati GA4
  9. Cosa è possibile fare e i limiti attuali
  10. Formazione del team IT: restare aggiornati conta

1. Cos’è il Model Context Protocol (MCP) e perché cambia tutto

Il Model Context Protocol (MCP) è uno standard aperto che consente a un Large Language Model (LLM) di connettersi a sistemi esterni — database, API, strumenti — in modo strutturato e sicuro. In parole semplici, MCP è il “ponte” che permette a un’intelligenza artificiale come Gemini o Claude di interrogare dati in tempo reale, andando ben oltre le informazioni presenti nel proprio training.

Nel contesto di Google Analytics, questo significa poter fare una domanda in linguaggio naturale come “Quanti utenti ho avuto ieri?” e ricevere una risposta costruita dinamicamente dai dati reali della tua proprietà GA4, senza scrivere una singola riga di codice di query.

2. Come funziona il server MCP di Google Analytics

Il server MCP di Google Analytics consente di collegare i dati di Analytics a un LLM come Gemini, agendo come intermediario tra il modello linguistico e le API ufficiali di Google Analytics.

Internamente, il server utilizza la Google Analytics Admin API e la Google Analytics Data API per mettere a disposizione dell’LLM una serie di strumenti. I principali sono:

  • get_account_summaries — recupera le proprietà GA associate all’account
  • get_property_details — restituisce i dettagli di una proprietà specifica
  • run_report — esegue report tramite la Data API
  • run_realtime_report — esegue report in tempo reale
  • get_custom_dimensions_and_metrics — recupera dimensioni e metriche personalizzate
  • list_google_ads_links — elenca i link agli account Google Ads collegati

Quando l’utente pone una domanda, l’LLM sceglie autonomamente quale strumento usare, costruisce la query corretta e restituisce la risposta in modo comprensibile.

3. Prerequisiti tecnici prima di iniziare

Prima di procedere con la configurazione, assicurati di avere:

  • Python 3.10 o superiore installato sul tuo sistema
  • Un account Google Cloud attivo con fatturazione abilitata
  • Una proprietà Google Analytics 4 (GA4) con dati disponibili
  • pip o pipx installati per la gestione dei pacchetti Python
  • gcloud CLI installato per l’autenticazione (scaricabile dal sito ufficiale Google Cloud)

Verifica la versione di Python con:

python3 --version

4. Configurare l’autenticazione Google Cloud

Questo è il passaggio più critico dell’intera configurazione. Hai due opzioni principali.

Opzione A — Application Default Credentials (consigliata per uso locale):

gcloud auth application-default login \
  --scopes=https://www.googleapis.com/auth/analytics.readonly,\
https://www.googleapis.com/auth/cloud-platform

Al termine del comando, il percorso al file di credenziali viene stampato a console. Annotalo: servirà nel passaggio successivo.

Opzione B — Service Account (consigliata per ambienti di produzione e agenti automatizzati):

Dal Google Cloud Console, vai su IAM & Admin → Service Accounts, crea un nuovo service account (es. ga4-mcp-server), genera e scarica il file JSON della chiave. Poi, apri il file JSON, copia il campo client_email, vai in Google Analytics → Admin → Property access management e aggiungi l’email del service account con il ruolo “Viewer”.

Una nota importante: è necessario usare il Property ID numerico (es. 123456789), non il Measurement ID che inizia con G-, che non funzionerà con questo setup.

5. Installare e avviare il server MCP

L’installazione ufficiale del server MCP di Google Analytics avviene tramite pipx:

pipx install analytics-mcp

In alternativa, puoi clonare il repository GitHub ufficiale per avere accesso diretto al codice sorgente:

git clone https://github.com/googleanalytics/google-analytics-mcp
cd google-analytics-mcp
python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt

6. Collegare il server MCP a un client LLM (Gemini CLI o Claude)

Una volta installato il server, devi registrarlo nel client LLM che intendi usare.

Con Gemini CLI, crea o modifica il file ~/.gemini/settings.json aggiungendo il tuo server alla lista mcpServers:

{
  "mcpServers": {
    "analytics-mcp": {
      "command": "pipx",
      "args": ["run", "analytics-mcp"],
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/percorso/al/tuo/credentials.json",
        "GOOGLE_CLOUD_PROJECT": "IL-TUO-PROJECT-ID"
      }
    }
  }
}

Con Claude Desktop, modifica invece il file claude_desktop_config.json con la stessa struttura, aggiornando il comando e i percorsi in base alla tua installazione.

Dopo aver salvato la configurazione, riavvia il client per caricare il nuovo server MCP.

7. Chattare con i dati di Analytics: esempi pratici

Una volta connesso, puoi iniziare a interrogare i tuoi dati in linguaggio naturale. Come mostrato nel tutorial ufficiale di Google, alcune query di esempio sono:

  • “Quanti utenti ho avuto ieri?” → L’LLM chiama run_report con la metrica activeUsers e la dimensione date impostata su ieri.
  • “Quali sono stati i miei prodotti più venduti nell’ultimo mese?” → L’LLM interroga i dati e-commerce e restituisce i risultati ordinati per revenue.
  • “Mostrami gli stessi dati per unità vendute” → Il modello modifica la query precedente cambiando la metrica di ordinamento, senza dover ricominciare da capo.

La potenza sta nella conversazione contestuale: ogni domanda successiva si appoggia al contesto di quelle precedenti, esattamente come una chat umana.

8. Creare agenti personalizzati con accesso ai dati GA4

L’utilizzo del server MCP non si limita alle sessioni interattive. Per i developer, la vera opportunità è costruire agenti automatizzati che sfruttano i dati di Analytics per prendere decisioni o generare report in modo autonomo.

Un esempio concreto: un agente che ogni lunedì mattina interroga GA4, analizza le performance della settimana precedente, confronta i canali di acquisizione e genera automaticamente un report con raccomandazioni strategiche, inviandolo via email al team marketing. Tutto senza intervento umano.

Come dimostrato nel video ufficiale, è possibile chiedere all’LLM di elaborare un intero piano marketing basato sui dati: “Ho un budget di marketing di 5.000 € al mese, aiutami a costruire un piano che aumenti le vendite.” Il modello esegue autonomamente i report necessari, analizza i canali più performanti e restituisce un piano strutturato con la giustificazione dei dati.

9. Cosa è possibile fare e i limiti attuali

Le possibilità offerte da questo approccio sono significative per chi lavora con i dati web: interrogazione in linguaggio naturale senza conoscere la sintassi delle API, analisi contestuale multi-step, generazione automatica di insight, costruzione di agenti di reportistica e integrazione con altri strumenti MCP per flussi di lavoro complessi.

C’è però un limite importante da tenere a mente: il server MCP è disponibile solo per le richieste di lettura. Non può modificare la configurazione o le impostazioni di Google Analytics. Questo è un vincolo intenzionale di sicurezza: il server può leggere e analizzare i dati, ma non può alterare la proprietà GA4 in alcun modo.

10. Formazione del team IT: restare aggiornati conta

L’introduzione del server MCP di Google Analytics è solo uno degli esempi di come le tecnologie AI stiano ridisegnando profondamente il modo in cui i team tecnici lavorano ogni giorno. Quello che fino a ieri richiedeva uno sviluppatore esperto di API e giorni di implementazione, oggi si risolve con una configurazione JSON e una domanda in linguaggio naturale.

Questo ritmo di cambiamento rende la formazione continua del team IT non un’opzione, ma una necessità strategica. Investire nell’aggiornamento professionale su temi come l’AI generativa, il protocollo MCP e l’integrazione tra LLM e sistemi aziendali significa dotare le proprie risorse degli strumenti per affrontare le sfide di oggi e anticipare quelle di domani.

Innovaformazione offre corsi di AI Generativa specificamente progettati per professionisti IT e aziende, erogati in modalità online in classe virtuale, con calendario concordabile in base alle esigenze dell’organizzazione. I corsi sono accessibili anche attraverso i fondi Fondimpresa, che consentono alle aziende di formare i propri dipendenti gratuitamente, senza oneri aggiuntivi.

Scopri i corsi di AI Generativa: QUI

Per richiedere un preventivo personalizzato o maggiori informazioni:

📧 info@innovaformazione.net 📞 347 101 2275 (Dario Carrassi)

(fonte) (fonte) (fonte)