Google упрощает общение с аналитикой через ИИ

24.07.20256 мин чтения

Что представляет собой инструмент MCP‑сервер

Открытый MCP‑сервер (Model Context Protocol) от Google – промежуточный слой, который связывает LLM (например, Gemini) с данными Google Analytics
Позволяет задавать вопросы на естественном языке в рабочей консоли (через CLI) и моментально получать ответы — без необходимости создавать кастомные отчёты

MCP — это не замена HTTP, а поверхность над ним

MCP сам по себе не придумывает новый способ передачи данных — он использует стандартный JSON-RPC 2.0 поверх HTTP или WebSocket.

То есть:

Передача происходит по тем же каналам, что и обычный API (HTTP, TCP)
Но структура запроса и логика — специально заточены под ИИ

Как выглядит MCP-запрос

Это обычный JSON, который описывает, что нужно ИИ:

{
  "jsonrpc": "2.0",
  "method": "get_top_products",
  "params": {
    "start_date": "2024-07-01",
    "end_date": "2024-07-07",
    "metric": "revenue"
  },
  "id": 1
}

Это почти то же самое, что REST API или GraphQL, но:

Вместо URL и глаголов (GET /products) — метод get_top_products
Используются имена методов и параметры, понятные ИИ

Почему MCP лучше подходит для ИИ

Функция	API (REST/GraphQL)	MCP
Формат	`GET /users/123`	`method: get_user_by_id`
Приспособлен для ИИ	❌ нужно парсить API-структуру	✅ уже описан как "действие", понятное модели
Возможность генерации кода	❌ зависит от документации	✅ можно сгенерировать метод на лету
Расширяемость	средняя	высокая (можно подключать другие MCP‑сервера)
Универсальный протокол	❌ зависит от сервиса	✅ MCP = один протокол для всех источников

Из чего состоит MCP‑сервер

Минимальный MCP‑сервер состоит из:

schema.json — описание того, что умеет делать сервер (методы, параметры, типы данных)
server.py или index.ts — обработчик запросов от LLM
Вход: JSON-RPC‑запрос от LLM
Выход: JSON-ответ с данными (или ошибкой)

MCP в действии (цепочка)

Ты пишешь в чат:

"Покажи мне пользователей за последние 7 дней в GA"
LLM (например, Gemini) не знает сам, как лезть в GA, но подключён к MCP‑серверу
LLM формирует JSON-RPC запрос к методу get_users, MCP‑сервер обрабатывает его и через Google Analytics API достаёт данные
Возвращает LLM готовый JSON с ответом:

{
  "result": {
    "total_users": 4821
  }
}

ИИ отвечает тебе по-человечески:

"За последние 7 дней у вас было 4 821 пользователь."

Пример реализации на Flask (минимально):

from flask import Flask, request, jsonify

app = Flask(__name__)

@app.route("/mcp", methods=["POST"])
def handle_mcp():
    data = request.json
    if data["method"] == "get_latest_articles":
        return jsonify({
            "jsonrpc": "2.0",
            "result": [
                {"title": "Новая статья", "url": "/blog/new"},
                {"title": "Про MCP", "url": "/blog/mcp"}
            ],
            "id": data["id"]
        })
    return jsonify({"jsonrpc": "2.0", "error": "Unknown method", "id": data["id"]})

if __name__ == "__main__":
    app.run()

Документация

Кто может подключаться по MCP?

Любой, кто поддерживает MCP-клиенты (например):

Gemini CLI
Claude через Anthropic's Code Interpreter
ChatGPT с Advanced Tools
Visual Studio Code, Cursor, Replit и др.

Они могут отправлять запросы на твой MCP-сервер — если ты его напишешь и опишешь свои методы.

Что представил Google

Google выпустил open-source MCP‑сервер для Google Analytics. Это мост между LLM (например, Gemini) и данными GA4. Вместо сложных настроек и ручного создания отчётов можно просто «поговорить» с аналитикой на естественном языке .

Пользователь может спросить:

«Сколько было пользователей вчера?»
«Какие товары были самыми продаваемыми в прошлом месяце?»

И получить мгновенный ответ — без ручного уточнения измерений или фильтров.

Демонстрация (видео)

На YouTube опубликован ролик-демо с использованием Gemini CLI — ИИ задаёт запросы и получает ответы от GA:

сколько пользователей,
топ‑товары по выручке.

Как всё устроено

MCP‑сервер доступен на GitHub.
Устанавливается через pipx или Docker.
Требует настройки Google Cloud, API и service-account с правами чтения.
ИИ (через Gemini CLI) делает JSON-RPC запросы к MCP, тот — к GA API, возвращает результат в структурированном виде.

Преимущества по сравнению с обычным API

Параметр	API Google Analytics	MCP‑сервер
Формат запросов	HTTP‑REST, требуется код	Человеческие фразы («сколько пользователей»), JSON‑RPC
Настройка	Ручная (+ документация)	Автоматическая генерация вызовов
Использование ИИ	Сложно интегрировать	ИИ работает напрямую через MCP
Удобство	Для разработчиков	Для маркетологов, менеджеров, аналитиков

Аналоги и конкуренты

Microsoft Clarity представила свой MCP‑сервер для аналитики (Node.js).
CData также предлагает MCP‑сервер для GA с бизнес‑ориентированной авторизацией и сценарием объединения источников (cdata.com).

Контекст и перспективы

MCP — это открытый протокол от Anthropic (появился в ноябре 2024), использующий JSON‑RPC 2.0 (en.wikipedia.org).
MCP активно поддерживают OpenAI, Google DeepMind и Microsoft (en.wikipedia.org).
Исследование MCPBench (arXiv) показывает значительные различия в точности у разных MCP‑серверов: лучшие достигают 64% (arxiv.org).
Экспертные оценки: MCP — ключ к агентным ИИ, но требует усиленной безопасности: аутентификация, контроль доступа, защита от prompt‑инъекций (en.wikipedia.org).

Почему это важно

Позволяет есть аналитику без костылей: запросил — получил ответ.
Ускоряет работу маркетологов и аналитиков, снижает нагрузку на разработчиков.
Открывает путь к агентам, которые сами анализируют кампании, находят продукты или тренды.

Следующие шаги

Установить MCP‑сервер: клонировать репо, подключить GA-клиент.
Попробовать через Gemini CLI — запрос «How many users yesterday?»
Расширять: добавить связи с Google Ads, событиями сайта, CRM.
Следить за безопасностью: контролировать права, защищать JSON-RPC, аудитировать логи.

Дополнительно для чтения

Исходник MCP‑сервера от Google (GitHub).
Demis Hassabis (Google DeepMind): MCP – “открытый стандарт для эпохи агентного ИИ” (en.wikipedia.org).
Исследования MCP‑безопасности: prompt‑инъекция, MPMA, «tool poisoning» (arxiv.org).

Вот обновлённая и расширенная структура по теме Google Analytics MCP‑сервера:

Официальный Google Analytics MCP‑сервер

GitHub-репозиторий: официальная реализация от Google — местный MCP‑сервер для Google Analytics GA4, Admin/Data API (GitHub).
Дата релиза: опубликован 22 июля 2025 года (PPC Land).
Возможности:
- Доступ к 8 основным инструментам: получение аккаунтов, свойств, ссылок Google Ads, отчёты метрик и фильтров (PPC Land).
- Примеры запросов: «How many users did I have yesterday?», «What were my top selling products yesterday?» (Google for Developers).

Интеграция и установка

Как запустить: локальная установка, логика через pipx (или npm), настройка Google Cloud и API-ключей (LinkedIn).
Совместимость: работает с LLM-клиентами (Gemini CLI, Claude, Cursor, VS Code и др.) (LinkedIn).

Альтернативные и сторонние MCP‑серверы

Каталоги и подборки:
- habitoai "Awesome MCP Servers" (отмечают множество реализаций) (GitHub).
- punkpeye "awesome-mcp-servers" с указанием production-ready и экспериментальных MCP‑серверов (GitHub).
- K2view публикует ТОП-15 MCP‑серверов для LLM (интеграция enterprise‑данных, RAG, безопасный запуск) (k2view.com).
Примеры:
- CData: MCP‑сервер для Google Analytics с поддержкой масштабируемых запросов и надежной аналитикой (CData Software).
- eno-graph MCP (JS) — для Google Analytics (оценён как низкого качества, рейтинг 25% на LobeHub) (LobeHub).
- dbt MCP‑сервер: подключение структурированных данных (dbt-проекты) к LLM, поддержка SQL, семантического слоя и выполнения CLI‑команд (docs.getdbt.com).

Безопасность и риски протокола MCP

Уязвимости:
- Исследования выявляют уязвимости: MPMA (манипуляции предпочтениями), Prompt Injection, tool poisoning (arXiv).
Оценки и предложения:
- Отчёты по MCP-каталогам предлагают решения против атак, рекомендации по безопасной архитектуре серверов (arXiv).

Текущие тенденции и перспективы развития

Активное внедрение крупными игроками:
- OpenAI (март 2025), Google DeepMind (апрель 2025), Microsoft (Build конференция) поддерживают MCP (Википедия).
- MCP становится новым стандартом «USB-C» для AI-интеграции (Википедия).
Будущие сценарии:
- Перенос аналитики в бизнес‑среды — GPT+BigQuery, ChatGPT, dbt — свыше одного инструмента.
- Динамическое использование MCP в BI, агент‑воркфлоу, голосовые интерфейсы, встроенная аналитика через браузеры и IDE.
- Гибридная модель: веб‑агенты (через DOM) + MCP‑коннекторы (Claude, Gemini, Copilot) (docs.getdbt.com).

Вывод и рекомендации

Официальный Google MCP‑сервер уже доступен и стоит начать протестировать с простыми запросами в Gemini CLI или Claude.
Оптимальная установка: локальный сервер + read-only credentials + MCP-клиент.
Обратить внимание на безопасность: внедрять утилиты с учётом рекомендаций исследователей MCPBench, MPMA.
Изучить другие MCP‑серверы (dbt, CData, LobeHub) для интеграции других источников.
Следить за динамикой: Microsoft, OpenAI, Google активно внедряют MCP — стоит рассматривать сценарии на стыке агентной и веб‑аналитики.

Если хочешь, могу помочь собрать:

🧑‍💻 Пошаговый гайд по установке и тестированию в твоём окружении.
🧪 Анализ безопасности настройки (против prompt‑инъекций).
🔄 Настройку MCP‑данных (например, dbt + GA4) под задачки проекта.

Какой пункт интересует подробнее?