使用Google Analytics MCP与AI代理自动化博客分析
了解如何利用MCP和AI代理自动化博客分析,实现数据驱动的决策制定
使用Google Analytics MCP与AI代理自动化博客分析
运营博客时最想知道的就是”我的内容有多少人在阅读?”。Google Analytics是一个强大的工具,但每次都要登录仪表板查看和分析数据是件麻烦事。本文将介绍如何利用模型上下文协议 (Model Context Protocol, MCP)和AI代理 (AI Agent)来完全自动化博客分析。
本指南将分步骤说明应用于实际运营博客的分析自动化系统,并提供可立即使用的代码和查询示例。
为什么需要博客分析自动化?
传统方式的局限性
Google Analytics仪表板提供了大量数据,但要获得真正需要的洞察需要经过多个步骤:
- 手动数据收集: 需要登录仪表板找到想要的指标
- 复杂的查询编写: 要创建自定义报告需要理解GA复杂的界面
- 重复性工作: 每次制作周报/月报都要重复相同的操作
- 缺乏洞察: 能看到数字,但没有”那么应该做什么?”的答案
MCP与AI代理提出的解决方案
模型上下文协议 (MCP)是一个标准协议,使AI能够与外部数据源通信。使用Google Analytics MCP可以:
- 自然语言提问: 问”上周最受欢迎的文章是什么?”立即得到答案
- 自动化分析: AI代理定期分析数据并生成报告
- 可执行洞察: 不仅是简单的数字,还能建议”接下来应该写什么”
什么是Google Analytics MCP?
MCP的工作原理
MCP是AI模型与数据源之间的标准化通信协议。类似于API,但专门设计为AI可以直接理解和利用。
┌─────────────┐ MCP Protocol ┌──────────────────┐
│ │ ◄──────────────────── ► │ │
│ AI Agent │ │ Google Analytics│
│ (Claude) │ │ MCP │
│ │ │ │
└─────────────┘ └──────────────────┘Google Analytics MCP的功能
Google Analytics MCP提供以下功能:
- 报告查询: 通过GA4的Data API查询各种指标和维度
- 实时数据: 实时访客数、事件跟踪
- 自定义查询: 用自然语言请求复杂的筛选和细分
- 自动分析: AI执行趋势分析、比较分析等
安装和设置方法
1. 安装Google Analytics MCP
首先安装Google Analytics MCP服务器。这是一个可通过npx运行的独立服务器。
# MCP服务器无需单独安装
# 只需添加到Claude Desktop或Claude Code的配置文件即可2. 设置Google Cloud项目
要使用Google Analytics API需要Google Cloud项目:
分步设置:
- 访问Google Cloud Console
- 创建新项目或选择现有项目
- 启用Google Analytics Data API
- 创建服务账号并下载密钥
# 使用Google Cloud CLI自动设置的方法
gcloud services enable analyticsdata.googleapis.com
# 创建服务账号
gcloud iam service-accounts create ga-mcp-reader \
--display-name="Google Analytics MCP Reader"
# 生成密钥文件(保存到credentials文件夹)
gcloud iam service-accounts keys create ~/credentials/ga-credentials.json \
--iam-account=ga-mcp-reader@PROJECT_ID.iam.gserviceaccount.com重要: 将PROJECT_ID替换为实际的Google Cloud项目ID。
3. 设置Google Analytics权限
授予服务账号GA4属性读取权限:
- GA4属性 → 管理员 → 属性访问管理
- 点击右上角”+“按钮
- 输入服务账号邮箱地址(例:
ga-mcp-reader@PROJECT_ID.iam.gserviceaccount.com) - 角色: 选择查看者 (Viewer)
- 点击添加
安全提示: 仅授予只读权限以防止数据更改。
3. 配置Claude Code MCP
在项目根目录创建或修改.mcp.json文件:
{
"mcpServers": {
"analytics-mcp": {
"command": "npx",
"args": ["-y", "@upenn-libraries/google-analytics-mcp"],
"env": {
"GOOGLE_APPLICATION_CREDENTIALS": "/path/to/your/ga-credentials.json"
}
}
}
}重要: 将GOOGLE_APPLICATION_CREDENTIALS路径更改为实际的服务账号密钥文件路径。
安全注意事项:
# 必须将credentials文件夹添加到.gitignore
echo "credentials/" >> .gitignore
echo "*.json" >> .gitignore4. 确认设置
重启Claude Code并确认MCP连接:
# 在Claude Code中使用以下命令测试
"显示Google Analytics账号信息"成功后将显示属性ID、属性名称等。
8个可立即使用的查询
设置完成后可以立即执行以下查询。这些是获取实际博客运营所需核心洞察的查询。
1. 实时活动状态
确认此刻博客上正在发生什么:
mcp__analytics -
mcp__run_realtime_report({
property_id: 395101361, // 更改为您的属性ID
dimensions: ["unifiedScreenName", "country"],
metrics: ["activeUsers"],
});可获得的信息:
- 当前在线用户数
- 正在查看哪个页面
- 从哪个国家访问
2. 过去7天表现摘要
了解每周流量趋势:
mcp__analytics -
mcp__run_report({
property_id: 395101361,
date_ranges: [{ start_date: "7daysAgo", end_date: "today" }],
dimensions: ["date"],
metrics: [
"activeUsers",
"sessions",
"screenPageViews",
"averageSessionDuration",
],
order_bys: [
{ dimension: { dimension_name: "date", order_type: 1 }, desc: true },
],
});使用方法:
- 确认每日流量变化趋势
- 分析星期几的模式(周末 vs 工作日)
- 计算与上周相比的增长率
3. 热门内容Top 10(最近30天)
确认哪些文章阅读量最多:
mcp__analytics -
mcp__run_report({
property_id: 395101361,
date_ranges: [{ start_date: "30daysAgo", end_date: "today" }],
dimensions: ["pagePath", "pageTitle"],
metrics: ["screenPageViews", "activeUsers", "userEngagementDuration"],
dimension_filter: {
filter: {
field_name: "pagePath",
string_filter: {
match_type: 2, // CONTAINS
value: "/blog/",
case_sensitive: false,
},
},
},
order_bys: [{ metric: { metric_name: "screenPageViews" }, desc: true }],
limit: 10,
});洞察:
- 分析Top 10文章 → 扩展类似主题的内容
- 平均参与时间长的文章 → 质量基准
- 排名低于预期的文章 → 需要SEO优化
4. 流量来源分析
了解访客从哪里来:
mcp__analytics -
mcp__run_report({
property_id: 395101361,
date_ranges: [{ start_date: "30daysAgo", end_date: "today" }],
dimensions: ["sessionDefaultChannelGroup", "sessionSource"],
metrics: ["sessions", "activeUsers", "bounceRate"],
order_bys: [{ metric: { metric_name: "sessions" }, desc: true }],
limit: 20,
});制定策略:
- Organic Search比例 → 衡量SEO效果
- Social流量 → 哪个平台有效
- Direct流量 → 品牌认知度指标
- Referral → 反向链接效果分析
5. 地区读者分布
确认全球覆盖范围:
mcp__analytics -
mcp__run_report({
property_id: 395101361,
date_ranges: [{ start_date: "30daysAgo", end_date: "today" }],
dimensions: ["country", "city"],
metrics: ["activeUsers", "sessions"],
order_bys: [{ metric: { metric_name: "activeUsers" }, desc: true }],
limit: 20,
});多语言博客策略:
- 中文内容 → 确认中国读者比例
- 英文内容 → 分析美国、印度、欧洲读者
- 日文内容 → 衡量日本读者反应
6. 设备与浏览器状况
了解用户环境:
mcp__analytics -
mcp__run_report({
property_id: 395101361,
date_ranges: [{ start_date: "30daysAgo", end_date: "today" }],
dimensions: ["deviceCategory", "browser"],
metrics: ["sessions", "bounceRate", "averageSessionDuration"],
order_bys: [{ metric: { metric_name: "sessions" }, desc: true }],
});UX优化:
- 移动端比例50%以上 → 优先移动端优化
- 特定浏览器跳出率高 → 检查兼容性问题
- 桌面端停留时间长 → 强化深度内容
7. 新访客 vs 回访读者
确认是否建立了忠诚读者群:
mcp__analytics -
mcp__run_report({
property_id: 395101361,
date_ranges: [{ start_date: "30daysAgo", end_date: "today" }],
dimensions: ["newVsReturning"],
metrics: [
"activeUsers",
"sessions",
"screenPageViews",
"averageSessionDuration",
],
});目标设定:
- 新读者比例60〜70% → 正在增长
- 回访读者30〜40% → 忠诚度良好
- 回访读者每会话页面浏览量高 → 内容探索活跃
8. 着陆页分析
优化首次进入点:
mcp__analytics -
mcp__run_report({
property_id: 395101361,
date_ranges: [{ start_date: "30daysAgo", end_date: "today" }],
dimensions: ["landingPage"],
metrics: ["sessions", "bounceRate", "averageSessionDuration"],
order_bys: [{ metric: { metric_name: "sessions" }, desc: true }],
limit: 15,
});SEO洞察:
- 搜索流入多的着陆页 → 关键词分析
- 跳出率高的着陆页 → 怀疑内容-标题不匹配
- 停留时间长的着陆页 → 添加相关文章内部链接
提示: 将每个查询的property_id更改为您的GA4属性ID。可以在GA4管理员页面确认。
构建基于AI代理的分析系统
设计Analytics代理
让我们为博客分析创建一个专门的AI代理。创建.claude/agents/analytics.md文件:
# Analytics Agent
You are a data analyst specialized in blog analytics.
## Your Role
Analyze Google Analytics data for the blog and provide:
- Traffic trends and patterns
- Content performance insights
- Audience behavior analysis
- Actionable recommendations
## Key Metrics to Track
1. **Traffic Metrics**
- Total users, sessions, pageviews
- New vs returning users
- Traffic sources (organic, direct, referral, social)
2. **Content Performance**
- Top performing posts (by pageviews, engagement)
- Average time on page
- Bounce rate by content type
3. **Audience Insights**
- Geographic distribution
- Device breakdown (mobile, desktop, tablet)
- User journey and navigation paths
## Analysis Framework
When analyzing data:
1. Identify trends (week-over-week, month-over-month)
2. Find anomalies or interesting patterns
3. Compare against benchmarks or goals
4. Provide specific, actionable recommendations
## Report Format
Always structure reports as:
- **Executive Summary**: Key findings in 2-3 sentences
- **Metrics Overview**: Numbers with context
- **Insights**: What the data tells us
- **Action Items**: What to do next生成自动化报告
现在可以利用这个代理生成自动报告。例如:
问题: “分析过去7天的博客流量并提供洞察”
AI响应示例:
## 周流量分析报告 (2025年10月28日〜11月3日)
### 执行摘要
上周总访客数为1,234人,比前一周增长23%。
特别是"Google Analytics MCP"相关文章急速上升,带动了有机流量。
### 指标概览
- **总用户**: 1,234 (↑23% vs 前一周)
- **会话**: 1,567 (↑18%)
- **页面浏览**: 3,456 (↑31%)
- **平均会话时长**: 2分34秒 (↑12%)
- **跳出率**: 45% (↓5%p)
### 主要流量来源
1. Organic Search: 58% (主要来自Google)
2. Direct: 25%
3. Social: 12% (Twitter主导)
4. Referral: 5%
### 表现最佳的文章
1. "Google Analytics MCP指南" - 456次浏览(新文章)
2. "创建Astro博客" - 234次浏览
3. "AI代理使用方法" - 189次浏览
### 洞察
✅ MCP相关内容受到高度关注 - 确认SEO效果
✅ 平均会话时间增加 - 内容质量改善效果
⚠️ 移动端流量增加中(42%) - 需要改善移动端UX
### 行动项目
1. 制作MCP系列内容(确认高需求)
2. 为移动端用户优化布局
3. 在热门文章中添加相关文章链接(增加停留时间)KPI监控自动化
分享在实际运营环境中使用的自动化脚本。
1. 每日快照脚本
每天早上总结前一天数据的脚本:
// scripts/daily-snapshot.js
const { GoogleAnalyticsMCP } = require("@analytics-mcp/client");
async function dailySnapshot() {
const analytics = new GoogleAnalyticsMCP();
const propertyId = 395101361; // 更改为您的属性ID
try {
// 1. 实时状况
const realtime = await analytics.runRealtimeReport({
property_id: propertyId,
dimensions: ["unifiedScreenName"],
metrics: ["activeUsers"],
});
// 2. 今天 vs 昨天比较
const comparison = await analytics.runReport({
property_id: propertyId,
date_ranges: [
{ start_date: "today", end_date: "today", name: "Today" },
{ start_date: "yesterday", end_date: "yesterday", name: "Yesterday" },
],
dimensions: [],
metrics: ["activeUsers", "sessions", "screenPageViews"],
});
// 3. 今天的Top 5页面
const topPages = await analytics.runReport({
property_id: propertyId,
date_ranges: [{ start_date: "today", end_date: "today" }],
dimensions: ["pagePath", "pageTitle"],
metrics: ["screenPageViews", "activeUsers"],
order_bys: [{ metric: { metric_name: "screenPageViews" }, desc: true }],
limit: 5,
});
// 输出结果(可发送到Slack、电子邮件、控制台等)
console.log(`
📊 每日快照 - ${new Date().toLocaleDateString("zh-CN")}
🔴 实时: ${realtime.rows ? realtime.rows.length : 0}人在线
今天 vs 昨天:
用户: ${comparison.rows[0]?.metric_values[0] || 0} (昨天: ${
comparison.rows[1]?.metric_values[0] || 0
})
会话: ${comparison.rows[0]?.metric_values[1] || 0} (昨天: ${
comparison.rows[1]?.metric_values[1] || 0
})
页面浏览: ${comparison.rows[0]?.metric_values[2] || 0} (昨天: ${
comparison.rows[1]?.metric_values[2] || 0
})
🏆 今日Top 5:
${formatTopPages(topPages)}
`);
} catch (error) {
console.error("每日快照失败:", error);
}
}
function formatTopPages(data) {
if (!data.rows || data.rows.length === 0) return "暂无数据";
return data.rows
.map(
(row, i) =>
`${i + 1}. ${row.dimension_values[1]} - ${row.metric_values[0]} 次浏览`
)
.join("\n");
}
// 执行
if (require.main === module) {
dailySnapshot();
}
module.exports = { dailySnapshot };执行方法:
# 手动执行
node scripts/daily-snapshot.js
# 使用Cron每天上午9点自动执行
# 添加到crontab -e:
0 9 * * * cd /path/to/your/blog && node scripts/daily-snapshot.js2. 周报生成器
每周一自动分析上周表现的脚本:
// scripts/weekly-report.js
const { GoogleAnalyticsMCP } = require("@analytics-mcp/client");
const fs = require("fs").promises;
const path = require("path");
async function generateWeeklyReport() {
const analytics = new GoogleAnalyticsMCP();
const propertyId = 395101361;
const reportDate = new Date().toISOString().split("T")[0];
console.log("🔄 正在生成周报...");
try {
// 1. 周指标(本周 vs 上周)
const weeklyMetrics = await analytics.runReport({
property_id: propertyId,
date_ranges: [
{ start_date: "7daysAgo", end_date: "yesterday", name: "ThisWeek" },
{ start_date: "14daysAgo", end_date: "8daysAgo", name: "LastWeek" },
],
dimensions: [],
metrics: [
"activeUsers",
"sessions",
"screenPageViews",
"averageSessionDuration",
"bounceRate",
],
});
// 2. 热门文章Top 5
const topPosts = await analytics.runReport({
property_id: propertyId,
date_ranges: [{ start_date: "7daysAgo", end_date: "yesterday" }],
dimensions: ["pagePath", "pageTitle"],
metrics: ["screenPageViews", "activeUsers", "userEngagementDuration"],
dimension_filter: {
filter: {
field_name: "pagePath",
string_filter: {
match_type: 2,
value: "/blog/",
case_sensitive: false,
},
},
},
order_bys: [{ metric: { metric_name: "screenPageViews" }, desc: true }],
limit: 5,
});
// 3. 流量来源
const trafficSources = await analytics.runReport({
property_id: propertyId,
date_ranges: [{ start_date: "7daysAgo", end_date: "yesterday" }],
dimensions: ["sessionDefaultChannelGroup"],
metrics: ["sessions"],
order_bys: [{ metric: { metric_name: "sessions" }, desc: true }],
});
// 4. 地区分布
const geography = await analytics.runReport({
property_id: propertyId,
date_ranges: [{ start_date: "7daysAgo", end_date: "yesterday" }],
dimensions: ["country"],
metrics: ["activeUsers"],
order_bys: [{ metric: { metric_name: "activeUsers" }, desc: true }],
limit: 5,
});
// 生成Markdown报告
const report = generateMarkdownReport({
reportDate,
weeklyMetrics,
topPosts,
trafficSources,
geography,
});
// 保存到reports文件夹
const reportsDir = path.join(__dirname, "..", "reports");
await fs.mkdir(reportsDir, { recursive: true });
const reportPath = path.join(reportsDir, `weekly-${reportDate}.md`);
await fs.writeFile(reportPath, report);
console.log(`✅ 报告保存完成: ${reportPath}`);
return { report, reportPath };
} catch (error) {
console.error("❌ 周报生成失败:", error);
throw error;
}
}
function generateMarkdownReport(data) {
const { reportDate, weeklyMetrics, topPosts, trafficSources, geography } =
data;
// 解析指标
const thisWeek = weeklyMetrics.rows?.[0]?.metric_values || [];
const lastWeek = weeklyMetrics.rows?.[1]?.metric_values || [];
const metrics = [
{ name: "活跃用户", this: thisWeek[0], last: lastWeek[0] },
{ name: "会话", this: thisWeek[1], last: lastWeek[1] },
{ name: "页面浏览", this: thisWeek[2], last: lastWeek[2] },
{
name: "平均会话时长",
this: formatDuration(thisWeek[3]),
last: formatDuration(lastWeek[3]),
},
{
name: "跳出率",
this: formatPercent(thisWeek[4]),
last: formatPercent(lastWeek[4]),
},
];
// 计算变化率
const metricsTable = metrics
.map((m) => {
const change = calculateChange(m.this, m.last);
const arrow = change > 0 ? "↑" : change < 0 ? "↓" : "→";
return `| ${m.name} | ${m.this} | ${m.last} | ${change}% ${arrow} |`;
})
.join("\n");
// Top文章表格
const postsTable =
topPosts.rows
?.map((row, i) => {
const title = row.dimension_values[1].value;
const views = row.metric_values[0].value;
const users = row.metric_values[1].value;
const avgTime = formatDuration(
row.metric_values[2].value / parseInt(views)
);
return `
${i + 1}. **${title}**
- 浏览量: ${views} | 用户: ${users} | 平均停留: ${avgTime}`;
})
.join("\n") || "暂无数据";
// 流量来源表格
const sourcesTable =
trafficSources.rows
?.map((row) => {
const source = row.dimension_values[0].value;
const sessions = row.metric_values[0].value;
const total = trafficSources.rows.reduce(
(sum, r) => sum + parseInt(r.metric_values[0].value),
0
);
const percent = ((parseInt(sessions) / total) * 100).toFixed(1);
return `| ${source} | ${sessions} | ${percent}% |`;
})
.join("\n") || "| 暂无数据 | - | - |";
// 地区表格
const geoTable =
geography.rows
?.map((row, i) => {
const country = row.dimension_values[0].value;
const users = row.metric_values[0].value;
const total = geography.rows.reduce(
(sum, r) => sum + parseInt(r.metric_values[0].value),
0
);
const percent = ((parseInt(users) / total) * 100).toFixed(1);
return `${i + 1}. ${country} - ${users}人 (${percent}%)`;
})
.join("\n") || "暂无数据";
return `# 周分析报告
**周结束日期:** ${reportDate}
**生成时间:** ${new Date().toISOString()}
## 📊 核心指标(与上周相比)
| 指标 | 本周 | 上周 | 变化 |
|------|------|------|------|
${metricsTable}
## 🏆 Top 5 热门文章
${postsTable}
## 📈 流量来源
| 来源 | 会话 | 比例 |
|------|------|------|
${sourcesTable}
## 🌍 地区分布(Top 5)
${geoTable}
## 💡 主要洞察
[自动生成的洞察 - 可通过AI分析]
## ✅ 下周行动项目
- [ ] 撰写热门文章相关内容
- [ ] 分析流量来源变化
- [ ] [基于数据的具体行动]
---
*使用Google Analytics MCP自动生成*
`;
}
function formatDuration(seconds) {
if (!seconds || seconds === "0") return "0:00";
const secs = typeof seconds === "string" ? parseFloat(seconds) : seconds;
const mins = Math.floor(secs / 60);
const secs_remainder = Math.floor(secs % 60);
return `${mins}:${secs_remainder.toString().padStart(2, "0")}`;
}
function formatPercent(value) {
if (!value) return "0%";
return `${(parseFloat(value) * 100).toFixed(1)}%`;
}
function calculateChange(current, previous) {
if (!previous || previous === "0") return 0;
const curr = parseFloat(current) || 0;
const prev = parseFloat(previous) || 0;
return (((curr - prev) / prev) * 100).toFixed(1);
}
// 直接执行时
if (require.main === module) {
generateWeeklyReport()
.then(() => process.exit(0))
.catch((err) => {
console.error(err);
process.exit(1);
});
}
module.exports = { generateWeeklyReport };Cron设置:
# 编辑crontab -e
# 每周一上午9点自动执行
0 9 * * 1 cd /path/to/your/blog && node scripts/weekly-report.js3. 内容表现分析器
分析90天数据以制定内容策略的脚本:
// scripts/analyze-content.js
const { GoogleAnalyticsMCP } = require("@analytics-mcp/client");
async function analyzeContentPerformance(daysBack = 90) {
const analytics = new GoogleAnalyticsMCP();
const propertyId = 395101361;
console.log(`🔍 正在分析内容表现(最近${daysBack}天)...`);
try {
// 获取所有博客文章表现
const blogPosts = await analytics.runReport({
property_id: propertyId,
date_ranges: [
{ start_date: `${daysBack}daysAgo`, end_date: "yesterday" },
],
dimensions: ["pagePath", "pageTitle"],
metrics: [
"screenPageViews",
"activeUsers",
"userEngagementDuration",
"bounceRate",
"sessions",
],
dimension_filter: {
filter: {
field_name: "pagePath",
string_filter: {
match_type: 2,
value: "/blog/",
case_sensitive: false,
},
},
},
order_bys: [{ metric: { metric_name: "screenPageViews" }, desc: true }],
limit: 250,
});
// 表现分析
const posts =
blogPosts.rows?.map((row) => {
const views = parseInt(row.metric_values[0].value);
const users = parseInt(row.metric_values[1].value);
const engagementTime = parseFloat(row.metric_values[2].value);
const bounceRate = parseFloat(row.metric_values[3].value);
const avgEngagement = views > 0 ? engagementTime / views : 0;
// 从路径提取语言
const language =
row.dimension_values[0].value.match(/\/(ko|en|ja|zh)\//)?.[1] ||
"unknown";
return {
path: row.dimension_values[0].value,
title: row.dimension_values[1].value,
views,
users,
avgEngagement: Math.round(avgEngagement),
bounceRate: Math.round(bounceRate * 100),
language,
};
}) || [];
// 计算80/20分布
const totalViews = posts.reduce((sum, p) => sum + p.views, 0);
let cumulativeViews = 0;
posts.forEach((post, index) => {
cumulativeViews += post.views;
const cumulativePercent = (cumulativeViews / totalViews) * 100;
if (cumulativePercent <= 20) {
post.category = "Power Post (Top 20%)";
} else if (cumulativePercent <= 60) {
post.category = "Mid-Tier (20-60%)";
} else {
post.category = "Long Tail (60-100%)";
}
});
// 结果摘要
const analysis = {
summary: {
totalPosts: posts.length,
totalViews,
avgViewsPerPost: Math.round(totalViews / posts.length),
avgEngagement: Math.round(
posts.reduce((s, p) => s + p.avgEngagement, 0) / posts.length
),
},
categories: {
powerPosts: posts.filter((p) => p.category === "Power Post (Top 20%)"),
midTier: posts.filter((p) => p.category === "Mid-Tier (20-60%)"),
longTail: posts.filter((p) => p.category === "Long Tail (60-100%)"),
},
languages: {
ko: posts.filter((p) => p.language === "ko"),
en: posts.filter((p) => p.language === "en"),
ja: posts.filter((p) => p.language === "ja"),
zh: posts.filter((p) => p.language === "zh"),
},
top10: posts.slice(0, 10),
underperformers: posts.slice(-10),
};
// 控制台输出
console.log(`
📊 内容表现分析
整体状况:
- 总文章: ${analysis.summary.totalPosts}篇
- 总浏览量: ${analysis.summary.totalViews.toLocaleString()}
- 每篇平均: ${analysis.summary.avgViewsPerPost}
- 平均参与时间: ${Math.floor(analysis.summary.avgEngagement / 60)}分${
analysis.summary.avgEngagement % 60
}秒
分布:
- Power Posts (Top 20%): ${
analysis.categories.powerPosts.length
}篇 (${Math.round(
(analysis.categories.powerPosts.reduce((s, p) => s + p.views, 0) /
totalViews) *
100
)}% 流量)
- Mid-Tier (20-60%): ${analysis.categories.midTier.length}篇
- Long Tail (60-100%): ${analysis.categories.longTail.length}篇
语言分布:
- 中文: ${analysis.languages.zh?.length || 0}篇 (${Math.round(
((analysis.languages.zh?.reduce((s, p) => s + p.views, 0) || 0) / totalViews) *
100
)}% 流量)
- 英语: ${analysis.languages.en.length}篇 (${Math.round(
(analysis.languages.en.reduce((s, p) => s + p.views, 0) / totalViews) *
100
)}% 流量)
- 日语: ${analysis.languages.ja.length}篇 (${Math.round(
(analysis.languages.ja.reduce((s, p) => s + p.views, 0) / totalViews) *
100
)}% 流量)
Top 3文章:
${analysis.top10
.slice(0, 3)
.map(
(p, i) =>
`${i + 1}. ${p.title}\n ${p.views}次浏览, ${Math.floor(
p.avgEngagement / 60
)}:${(p.avgEngagement % 60).toString().padStart(2, "0")} 平均参与`
)
.join("\n")}
💡 建议:
${generateRecommendations(analysis)}
`);
return analysis;
} catch (error) {
console.error("❌ 分析失败:", error);
throw error;
}
}
function generateRecommendations(analysis) {
const recs = [];
const totalViews = analysis.summary.totalViews;
// 检查Power law分布
const powerPostsPercent =
(analysis.categories.powerPosts.reduce((s, p) => s + p.views, 0) /
totalViews) *
100;
if (powerPostsPercent < 70) {
recs.push(
"- 内容分布均匀。应更积极地推广Top文章。"
);
} else if (powerPostsPercent > 85) {
recs.push(
"- Top文章集中度过高。需要内容多样化。"
);
}
// 语言平衡
const langStats = ["ko", "en", "ja", "zh"].map((lang) => ({
lang,
posts: analysis.languages[lang]?.length || 0,
views: analysis.languages[lang]?.reduce((s, p) => s + p.views, 0) || 0,
}));
const dominantLang = langStats.sort((a, b) => b.views - a.views)[0];
if (dominantLang.views / totalViews > 0.7) {
recs.push(
`- ${dominantLang.lang.toUpperCase()}内容占主导地位。考虑投资其他语言。`
);
}
// 参与度分析
if (analysis.summary.avgEngagement < 180) {
recs.push("- 平均参与时间较低。添加内容深度和示例。");
}
return recs.length > 0
? recs.join("\n")
: "- 无主要问题。保持当前策略。";
}
// CLI
if (require.main === module) {
const days = parseInt(process.argv[2]) || 90;
analyzeContentPerformance(days)
.then(() => process.exit(0))
.catch((err) => {
console.error(err);
process.exit(1);
});
}
module.exports = { analyzeContentPerformance };使用示例:
# 分析最近90天(默认值)
node scripts/analyze-content.js
# 分析最近30天
node scripts/analyze-content.js 30
# 分析所有数据
node scripts/analyze-content.js 365实战应用示例
1. 流量分析自动化
场景: 希望每天早上收到前一天的流量摘要。
// .claude/prompts/daily-traffic.md
每天上午9点执行以下分析:
1. 查询昨天(昨天00:00 - 23:59)的数据
2. 主要指标摘要:
- 总访客、会话、页面浏览
- 与前一天相比的变化率
- 实时热门页面Top 3
3. 检查异常情况(流量激增/骤降)
4. 发送到Slack或电子邮件
格式:
📊 每日流量摘要 (YYYY-MM-DD)
- 访客: X人 (±Y%)
- 热门页面: [链接1, 链接2, 链接3]
- 特殊情况: [如有则说明]自动化方法:
- 设置GitHub Actions或cron job
- 通过Claude API调用执行MCP
- 将结果发送到Slack Webhook
2. 内容表现测量
场景: 分析新发布文章第一周的表现。
向Claude提问:
分析"google-analytics-mcp-automation"文章:
- 前7天的流量
- 流入路径(从哪里来?)
- 平均停留时间
- 跳出率
- 与其他文章相比的表现
基于这些数据提供改进建议。AI分析示例:
## "google-analytics-mcp-automation"文章分析
### 7天表现
- 页面浏览: 567次
- 平均页面停留时间: 4分12秒(比博客平均2分30秒高68%)
- 跳出率: 32%(比平均45%优秀)
### 流量来源
1. Organic Search: 72% (关键词: "google analytics mcp", "博客分析自动化")
2. Twitter: 18% (特定推文传播)
3. Direct: 10%
### 与基准相比
✅ 最佳5%表现(同期发布文章中)
✅ 确认SEO优化效果(有机流量高)
✅ 停留时间长 = 内容质量优秀
### 改进建议
1. Twitter反应良好,撰写后续推文系列
2. 扩展为"MCP系列" - 相关内容需求高
3. 添加内部链接 - 连接其他MCP/自动化相关文章3. 洞察导出与行动项目生成
场景: 分析月度数据以制定下月内容策略。
提示词:
综合分析上个月(10月)的博客数据:
1. 确定表现最好的内容主题/格式
2. 分析读者搜索的关键词趋势
3. 按流量来源分析特点(哪个渠道哪种内容效果好?)
4. 提出11月内容日历(5个主题)
基于数据提出具体策略。AI策略建议:
## 10月综合分析与11月内容策略
### 表现分析
**Top主题**:
1. MCP/AI自动化(平均浏览量450)
2. Astro/Web开发(平均浏览量320)
3. 博客运营技巧(平均浏览量280)
**关键词趋势**:
- "MCP", "Model Context Protocol"搜索激增(450% ↑)
- "博客自动化", "AI代理"关注度增加
- "Astro", "静态站点"需求稳定
**渠道特点**:
- Organic: 技术深度内容(指南、教程)
- Twitter: 简短实用技巧、代码片段
- Direct: 系列内容(连续访问)
### 11月内容日历
**第1周**: "从零开始创建MCP服务器"
- 目标: 开发者、MCP深度学习者
- 关键词: "MCP开发", "自定义MCP"
**第2周**: "使用Claude Code自动化博客SEO"
- 目标: 博主、营销人员
- 关键词: "SEO自动化", "元标签优化"
**第3周**: "用AI代理自动生成内容创意"
- 目标: 内容创作者
- 关键词: "内容策划", "AI写作"
**第4周**: "Astro + MCP集成指南"
- 目标: 前端开发者
- 关键词: "Astro MCP", "静态站点自动化"
**第5周**: "月度回顾: 博客分析自动化获得的洞察"
- 目标: 所有读者
- 关键词: "博客增长", "数据分析"
### 执行策略
1. **SEO重点**: 第1、2周文章加强关键词优化
2. **社交媒体**: 将第3周文章重新加工为Twitter线程
3. **系列化**: 将MCP相关内容打包为系列,强化内部链接
4. **实验**: 第4周添加视频教程(测试新格式)高级应用: 构建自定义仪表板
使用MCP可以创建自己的分析仪表板。
Astro集成示例
---
// src/pages/analytics-dashboard.astro
import Layout from '../layouts/Layout.astro';
// 在构建时获取GA数据(使用MCP)
const last7Days = await fetch('claude-mcp://analytics-mcp/run_report', {
property_id: 'YOUR_PROPERTY_ID',
date_ranges: [{ start_date: '7daysAgo', end_date: 'today' }],
dimensions: ['date', 'pagePath'],
metrics: ['screenPageViews', 'averageSessionDuration']
});
const topPages = await fetch('claude-mcp://analytics-mcp/run_report', {
property_id: 'YOUR_PROPERTY_ID',
date_ranges: [{ start_date: '30daysAgo', end_date: 'today' }],
dimensions: ['pageTitle', 'pagePath'],
metrics: ['screenPageViews'],
order_bys: [{ metric: { metric_name: 'screenPageViews' }, desc: true }],
limit: 10
});
---
<Layout title="Analytics Dashboard">
<h1>博客分析仪表板</h1>
<section>
<h2>过去7天趋势</h2>
<div class="chart">
{/* 使用图表库可视化 */}
</div>
</section>
<section>
<h2>Top 10页面</h2>
<ul>
{topPages.map(page => (
<li>
<a href={page.pagePath}>{page.pageTitle}</a>
<span>{page.screenPageViews}次浏览</span>
</li>
))}
</ul>
</section>
</Layout>实时通知系统
// scripts/realtime-monitor.ts
import { Client } from "@modelcontextprotocol/sdk";
async function monitorRealtime() {
const client = new Client();
await client.connect("analytics-mcp");
// 每5分钟检查一次实时数据
setInterval(async () => {
const realtime = await client.callTool("run_realtime_report", {
property_id: process.env.GA_PROPERTY_ID,
dimensions: ["unifiedScreenName"],
metrics: ["activeUsers"],
limit: 5,
});
const totalActive = realtime.metrics[0].values[0];
// 同时在线50人以上时发送通知
if (totalActive >= 50) {
await sendSlackNotification({
text: `🔥 实时访客激增! 当前${totalActive}人在线`,
channel: "#blog-alerts",
});
}
}, 5 * 60 * 1000); // 5分钟
}
monitorRealtime();最佳实践与技巧
1. 数据隐私
- 服务账号密钥绝对不要提交到Git
- 使用环境变量或密钥管理器
- 最小权限原则: 在GA中仅授予读取权限
# 添加到.gitignore
credentials/
*.json
.env2. API配额管理
Google Analytics Data API有每日配额:
- 基本: 每天25,000次请求
- 每个项目每秒10次请求
优化技巧:
// 利用缓存
const cache = new Map();
async function fetchWithCache(query, ttl = 3600) {
const key = JSON.stringify(query);
if (cache.has(key)) {
const { data, timestamp } = cache.get(key);
if (Date.now() - timestamp < ttl * 1000) {
return data;
}
}
const data = await fetchAnalytics(query);
cache.set(key, { data, timestamp: Date.now() });
return data;
}3. 有效的提示词编写
向AI代理提供明确的指示:
不好的例子:
"分析博客"好的例子:
"分析过去30天的数据:
1. 列出Top 5页面及浏览量
2. 计算主要流量来源比例
3. 计算与上月相比的增长率
4. 提出3个需要改进的领域
结果用Markdown表格整理。"4. 定期报告自动化
# .github/workflows/weekly-analytics.yml
name: Weekly Analytics Report
on:
schedule:
- cron: "0 9 * * 1" # 每周一上午9点(UTC)
jobs:
report:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v3
- name: Generate Report
env:
GOOGLE_APPLICATION_CREDENTIALS: ${{ secrets.GA_CREDENTIALS }}
ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
run: |
npx tsx scripts/generate-weekly-report.ts
- name: Send to Slack
uses: slackapi/slack-github-action@v1
with:
webhook-url: ${{ secrets.SLACK_WEBHOOK }}
payload: |
{
"text": "Weekly Analytics Report Ready!",
"attachments": [
{
"text": "${{ steps.report.outputs.summary }}"
}
]
}故障排除
身份验证错误
问题: “Permission denied”或”Invalid credentials”
解决方案:
- 确认服务账号密钥路径
- 在GA属性中确认服务账号权限
- 确认API已启用:
gcloud services list --enabled | grep analytics
数据不一致
问题: MCP结果与GA UI结果不同
原因:
- 时区差异(GA UI使用属性时区,API默认UTC)
- 采样(大量数据时发生)
- 筛选条件差异
解决方案:
// 明确指定时区
{
date_ranges: [{
start_date: '2025-10-01',
end_date: '2025-10-31'
}],
// 使用属性时区
keep_empty_rows: true
}性能问题
问题: 查询太慢
优化:
- 仅请求需要的维度/指标
- 限制日期范围
- 使用分页:
{ limit: 100, offset: 0 // 下一页为100, 200, ... }
结论: 数据驱动博客运营的开始
将Google Analytics MCP与AI代理结合,博客运营将完全改变:
预期效果
- 节省时间: 将用于手动分析的时间投入到内容创作
- 更好的洞察: AI发现人容易忽略的模式
- 数据驱动决策: 用数据而非直觉制定内容策略
- 自动化工作流: 一次设置后持续运行的系统
扩展可能性
这个系统可以超越博客分析进行扩展:
- A/B测试自动化: 自动测量标题、图片等的效果
- 竞品分析: 与类似博客进行比较分析
- 预测分析: 用历史数据预测未来流量
- 个性化: 根据读者行为模式推荐内容
下一步
- 设置MCP: 按本文指南连接Google Analytics MCP
- 生成首份报告: 从”分析上周流量”开始
- 自定义代理: 开发适合您博客的分析逻辑
- 构建自动化: 使用GitHub Actions设置定期报告
额外资源
- Google Analytics Data API文档
- Model Context Protocol规范
- Claude Code官方文档
- @upenn-libraries/google-analytics-mcp GitHub
数据不仅仅是数字。正确分析和利用后,它将成为博客增长的指南针。MCP和AI代理将自动化并加速这个过程。
现在轮到您了。从今天开始数据驱动的博客运营吧!
有问题? 反馈? 如果您对本指南有疑问或有实际应用经验,请在评论中分享。让我们一起创建更好的博客自动化系统。
阅读其他语言版本
- 🇰🇷 한국어
- 🇯🇵 日本語
- 🇺🇸 English
- 🇨🇳 中文（当前页面）
这篇文章有帮助吗？
您的支持能帮助我创作更好的内容。请我喝杯咖啡吧！☕
