技能使用指南

google-analytics（谷歌分析）Skill 是什么？

谷歌分析Skill 让 AI 直连 GA4 数据，用中文提问即可获取流量、参与度、渠道与转化分析，并输出带优先级和预期影响的改进建议。附安装配置、脚本用法、竞品对比与常见问题，帮你把 GA 报表变成可执行行动清单，立即了解如何上手。

谷歌分析Skillgoogle-analytics
8 个章节 约 16 分钟阅读 AI 智能生成

谷歌分析Skill：用自然语言对话，把 GA4 数据变成可执行的优化建议

核心结论速览

  • 它是什么：一个连接 Google Analytics（GA4）Data API 的 AI 技能，用中文提问即可完成流量、参与度、获取渠道、转化四类指标的分析，并给出带优先级与预期影响的改进建议。
  • 怎么装：准备 GA4 属性 ID 与服务账户 JSON 凭据，配置两个环境变量（或用 .env 文件），再安装 google-analytics-data、python-dotenv、pandas 三个依赖包，即可开始对话式分析。
  • 强在哪：不止返回数字，而是按「连接 API → 获取指标 → 分析趋势与瓶颈 → 输出建议（含优先级、预期影响、实施指导）」的完整工作流交付结论。
  • 安全边界清晰：仅以「查看者」最低权限读取聚合数据，不接触个人可识别信息（PII）、不持久存储数据、不修改你的 GA 配置。
  • 适合谁用：不想天天手点报表的增长运营、市场、SEO、独立开发者与小型电商团队，尤其适合需要「按周对比 + 归因诊断 + 行动清单」的日常复盘场景。

该技能叫什么？如何一键安装 AI 技能提升开发效率？

技能中文名：谷歌分析Skill 技能英文名：google-analytics 技能ID：12348

它要解决的问题很具体：GA4 后台指标多、维度碎、报表跳转深，很多团队「有数据但没结论」——看了会话数、跳出率，却说不清哪个页面在拖后腿、哪个渠道的转化在变差、下一步该改什么。这个技能把「取数」和「解读」两件事合并到一次对话里：你用自然语言描述问题，它负责调 API 取数、做趋势对比、定位表现最好与最差的页面、分析流量来源与转化漏斗，最后给出可执行的改进建议。

「一键安装」的思路与步骤（具体命令以官方说明为准，以下为技能详情中给出的真实流程）：

  1. 确认前提条件：拥有一个 GA4 属性，并在 Google Cloud 中创建服务账户、下载服务账户密钥 JSON 文件，同时在 GA4 中把该服务账户添加为「查看者」。注意：GOOGLE_ANALYTICS_PROPERTY_ID 填的是 GA4 属性 ID，不是衡量 ID（测量 ID）。
  2. 配置认证信息：通过环境变量注入，或直接在项目根目录创建 .env 文件。
export GOOGLE_ANALYTICS_PROPERTY_ID="您的属性ID"
export GOOGLE_APPLICATION_CREDENTIALS="/路径/到/服务账户密钥.json"

GOOGLE_ANALYTICS_PROPERTY_ID=123456789
GOOGLE_APPLICATION_CREDENTIALS=/路径/到/服务账户密钥.json
  1. 安装依赖包（推荐用需求文件一次性装齐）：
# 选项1：从需求文件安装（推荐）
pip install -r cli-tool/components/skills/analytics/google-analytics/requirements.txt

# 选项2：单独安装
pip install google-analytics-data python-dotenv pandas
  1. 验证是否生效：运行内置脚本拉取近 30 天核心指标，能返回数据即说明认证与依赖都正常。
python scripts/ga_client.py --days 30 --metrics sessions,users,bounceRate

也可以直接在对话中发起一次最小验证，例如问「审查我们过去30天的 Google Analytics 性能」，若返回带有指标与结论的分析，就说明整条链路打通了。

  1. 务必做好凭据管理：不要把服务账户 JSON 或属性 ID 硬编码进代码，把 .env 与凭据文件加入 .gitignore，凭据文件存放在仓库之外的目录，并定期轮换密钥——这是本技能在安全说明中反复强调的一点。

该技能的主要功能和特点

  • 流量与用户行为审查：梳理会话、用户、新用户、页面浏览量、每次会话屏幕数、平均会话时长等流量指标，识别流量趋势与模式。
  • 页面级好坏识别：找出表现最佳与表现不佳的页面，定位高跳出率页面这类明确的「待修点」。
  • 渠道与转化漏斗分析：分析流量来源/媒介、广告活动性能、渠道分组，并结合目标完成、电子商务交易、按来源的转化率看清转化路径。
  • 时间维度对比：支持将本月与上月、指定周期与上一个周期进行比较，用变化幅度而非绝对值判断好坏。
  • 建议自带优先级：输出不是「一堆数字」，而是包含具体改进建议、优先级（高/中/低）、预期影响与实施指导的结构化结论。
  • 脚本化 + 对话式双入口：既可以用 scripts/ga_client.py 直接取数，也可以用 scripts/analyze.py --period last-30-days --compare previous-period 生成对比报告，再由 AI 解释结果。
  • 安全与隐私友好：只读聚合数据、不碰 PII、不在本地持久存储分析数据、不修改 GA 配置，所有数据仅在对话期间用于生成建议。
  • 和普通报表工具的区别：GA4 后台擅长「展示」，Looker Studio 擅长「呈现」，而这个技能擅长「解读并给行动项」——它把「该改什么、先改哪个、改了能带来什么」直接写进答案。

如何使用该技能？

第 1 步：完成认证与依赖安装（见第 1 部分的 4 个步骤）。建议先把 .env 配好，后续所有对话都会自动复用这份凭据。

第 2 步：用自然语言提出分析需求。 技能支持的问题类型包括：

  • 「审查我们过去30天的 Google Analytics 性能」
  • 「我们的主要流量来源是什么？」
  • 「哪些页面的跳出率最高？」
  • 「分析用户参与度并建议改进」
  • 「将本月的性能与上月进行比较」

第 3 步：理解它内部的工作流。 收到问题后，它会依次执行：① 使用辅助脚本连接到 API；② 按问题类型获取相关指标；③ 分析数据中的流量趋势与模式、用户行为见解、性能瓶颈、转化机会；④ 输出建议，包含具体改进项、优先级、预期影响与实施指导。

第 4 步（可选）：用脚本做批量取数与周期对比。 如果你希望先看原始数字再讨论结论：

# 拉取近 30 天核心指标
python scripts/ga_client.py --days 30 --metrics sessions,users,bounceRate

# 生成「最近30天 vs 上一周期」的对比报告
python scripts/analyze.py --period last-30-days --compare previous-period

脚本负责 API 认证、数据获取与基础分析，AI 负责解释结果并给出可操作建议。

输入输出示例（示意）：

  • 输入：「哪些页面的跳出率最高？帮我排一下优先级。」
  • 输出：一份按跳出率排序的页面清单（含会话量级做参照），并标注哪些页面属于「高流量 + 高跳出」的优先修复对象，随后给出对应改进建议、优先级与预期影响。

第 5 步：遇到报错时的排查顺序。 认证错误 → 检查 GOOGLE_APPLICATION_CREDENTIALS 是否指向有效的服务账户 JSON、服务账户是否拥有 GA4 属性的「查看者」权限、属性 ID 是否为属性 ID 而非测量 ID；无数据返回 → 检查属性 ID 是否正确（GA4 管理 > 属性设置）、日期范围内是否确有数据、服务账户是否已被授予访问权限；导入错误 → 重新执行 pip install google-analytics-data python-dotenv pandas。

同类型竞品对比分析

方案名称 定位 核心功能 安装/使用门槛 适用场景 优势与不足
谷歌分析Skill（google-analytics） 对话式 GA4 数据分析助手 流量/参与度/获取/转化四类指标分析、页面好坏识别、周期对比、带优先级与预期影响的改进建议 需服务账户 JSON + 属性 ID + 三个 Python 依赖；使用门槛低，提问即可 日常复盘、周报月报、归因诊断、优化决策 优势：结论直接可执行、支持脚本与对话双入口、只读且尊重隐私；不足：依赖 GA4 数据源与凭据配置，无法脱离 GA 生态使用
GA4 原生网页后台 官方数据展示平台 全量报表、探索、实时数据、受众与事件配置 无需安装，登录即用；但报表配置与维度组合需要学习成本 查看原始数据、搭建自定义探索 优势：权威、功能最全；不足：只给数据不给结论，跨周期对比与归因分析需手工操作
Looker Studio 等可视化报表工具 报表可视化与看板搭建 多数据源接入、图表看板、定时分享 需建看板与配置数据源，前期投入较高 团队共享看板、对外汇报 优势：呈现效果好、便于协作展示；不足：分析结论仍依赖人，看板「好看但不动脑」
自写 GA4 Data API 脚本 定制化取数方案 完全按需取数与计算 需自行处理认证、分页、维度组合与异常，开发成本高 固定口径的自动化取数流水线 优势：灵活可控；不足：每个新问题都要重写代码，缺少解读与建议输出

选择建议：如果你要的是「数据 + 结论 + 行动清单」，优先用谷歌分析Skill；如果要做对外汇报的可视化看板，Looker Studio 更合适；如果已经有一套稳定的取数管道，本技能可以作为「解读层」叠加在上面。

该技能的典型应用场景与实际体验情况

场景一：增长运营的每周复盘 角色：SaaS 产品的增长运营。痛点：每周要从 GA4 里手工导多个报表，对比上周数据，再写一段「本周流量涨了但转化降了」的模糊结论。 使用方式：直接在对话中问「将本月的性能与上月进行比较」，它会拉取两个周期的会话、用户、跳出率、转化等指标，指出差异出现在哪个渠道、哪个页面。 实际体验：上手难度低，第一次配好 .env 后基本不再碰命令行；效果上最大的变化是结论从「涨了/跌了」变成「哪个页面在拖后腿、优先级是什么」；注意点是，对比周期要说得明确，否则起止日期容易与你预期不一致。

场景二：独立开发者的落地页诊断 角色：独立开发者。痛点：落地页有流量没转化，但不知道问题在内容、加载还是渠道质量。 使用方式：问「哪些页面的跳出率最高？」，先看高跳出页面清单，再追问「分析用户参与度并建议改进」，获取参与率、平均会话时长、事件计数等维度的解读。 实际体验：很适合把「猜」变成「查」。高流量 + 高跳出的页面会被优先点出来，改进建议通常带优先级，方便按顺序改；注意跳出率要结合页面类型看，工具页和内容页的基准不能直接比。

场景三：电商团队的渠道与转化分析 角色：小型电商运营。痛点：广告投放渠道多，说不清哪个来源的转化率真正高。 使用方式：问「我们的主要流量来源是什么？」并进一步要求分析按来源的转化率、电子商务交易与广告活动性能。 实际体验：把「来源/媒介 + 转化」放在同一张结论里看，比单看渠道流量总量更有决策价值；建议注意，电子商务相关指标需要站点已正确配置电商埋点，否则可能返回空值。

场景四：SEO/内容团队的内容优化排序 角色：内容负责人。痛点：文章多、人力少，不知道先改哪几篇。 使用方式：拉取页面级指标，按流量量级与跳出率交叉排序，让 AI 给出「先改哪篇、改什么」的建议清单。 实际体验：这一步的性价比最高，相当于用数据决定选题与改稿顺序；注意新发布页面的样本量较小，指标波动大，不宜过早下结论。

该技能能为用户带来的价值

效率上：把「登后台 → 选报表 → 调维度 → 导出 → 手工对比 → 写结论」这条链路压缩成一句提问。原本一次完整周复盘往往要花几十分钟到一两个小时，用对话方式通常几分钟就能拿到带优先级的结论，脚本还可以把取数与周期对比固定成一条命令重复执行。

门槛上：不需要熟记 GA4 的指标命名与维度组合规则，也不需要会写 Data API 代码。会用中文描述问题，就能拿到分析结果——这对没有专职数据分析师的小团队尤其关键。

决策质量上：建议自带优先级（高/中/低）、预期影响与实施指导，把「数据洞察」直接推到「排期执行」，减少「报表看完没下文」的常态损耗。长期看，这套「取数—诊断—排序—实施」的固定工作流本身就是可沉淀的分析方法论。

风险控制上：只读、最小权限（查看者）、凭据走环境变量、数据不落盘不外传，让「用 AI 分析业务数据」这件事在合规上更好交代。

常见问题 FAQ

Q1：这个技能怎么安装？需要准备什么？ A：三步走——① 准备 GA4 属性 ID 与服务账户 JSON 密钥，并把服务账户在 GA4 里加为「查看者」；② 通过环境变量或 .env 配置 GOOGLE_ANALYTICS_PROPERTY_ID 与 GOOGLE_APPLICATION_CREDENTIALS；③ 安装依赖（推荐 pip install -r cli-tool/components/skills/analytics/google-analytics/requirements.txt，或单独装 google-analytics-data python-dotenv pandas）。验证方式是运行 python scripts/ga_client.py --days 30 --metrics sessions,users,bounceRate，能返回数据即成功。技能的获取入口与具体安装命令以官方说明为准。

Q2：收费吗？ A：技能本身不涉及付费订阅说明，但它依赖 Google Analytics 4 与其 Data API，是否产生费用取决于你的 Google Cloud / GA 账户的用量与条款，具体以官方说明为准。技能详情中未提及任何价格信息。

Q3：适合谁用？会不会要求我会写代码？ A：适合增长运营、市场、SEO、内容、电商运营，以及需要自查流量问题的独立开发者与小型团队。日常使用不需要写代码，会用中文提问即可；只有在你希望批量取数或做固定周期对比时，才需要执行文档中给出的两条脚本命令。

Q4：数据安全吗？会不会读到用户个人信息或被存下来？ A：技能说明中明确：仅访问聚合的分析数据，不访问个人可识别信息（PII）、不持久存储分析数据、不与外部服务共享数据、不修改你的 GA 配置，所有数据在本地处理且仅用于当次对话生成建议。同时建议使用最低权限（仅查看者）并定期轮换服务账户密钥。

Q5：和 GA4 后台、Looker Studio 怎么选？ A：要「看数据」用 GA4 后台，要「展示给别人看」用 Looker Studio，要「拿到结论和下一步动作」用这个技能。三者并不冲突：常见组合是技能负责分析与建议，GA4 后台负责核对原始数据，Looker Studio 负责对外汇报看板。

Q6：提示认证错误或没有数据返回怎么办？ A：认证错误排查三点：GOOGLE_APPLICATION_CREDENTIALS 是否指向有效的服务账户 JSON、服务账户是否在 GA4 属性上拥有「查看者」权限、GOOGLE_ANALYTICS_PROPERTY_ID 是否为 GA4 属性 ID（不是测量 ID）。无数据则检查属性 ID 是否正确（GA4 管理 > 属性设置）、日期范围内是否真有数据、服务账户是否已获授权。导入报错直接重装依赖包即可。