AI-agent voor GA4: antwoorden uit Google Analytics in gewone taal

Een AI-agent voor GA4 is software die toegang heeft tot je Google Analytics-property, een vraag in gewone taal omzet naar de juiste metrics, dimensies en datumbereiken, het rapport via de Data API draait en in gewone zinnen antwoordt. Je bouwt geen rapporten meer, je stelt vragen.

Iedereen die weleens twintig minuten aan een verkenning heeft gesleuteld om iets te beantwoorden dat je in zes seconden hardop kunt vragen, snapt meteen waarom dit aantrekkelijk is. Het risico is net zo echt, en daar hoor je veel minder over: een agent die de verkeerde dimensie kiest, geeft een stellig, goed geschreven en fout antwoord. En niets aan de output ziet er anders uit dan bij een goed antwoord.

In dit artikel: hoe de koppeling echt werkt, wat je vraagt, welke GA4-specifieke fouten agents maken en wat het kost.

Wat is een AI-agent voor GA4?

Het bestaat uit drie onderdelen. De koppeling: OAuth-toegang tot je property op een alleen-lezen scope. De vertaallaag: die maakt van "hoe converteerde mobiel vorig kwartaal" een Data API-request met de metricnamen, dimensienamen en het datumbereik die Google verwacht. En de loop: daarmee bekijkt de agent wat er terugkomt en beslist hij of er eerst nog een tweede query nodig is voordat hij antwoordt.

Dat derde onderdeel is het verschil tussen een agent en een zoekvak waarin je vragen in natuurlijke taal typt. Vraag je "waarom zijn de conversies gedaald", dan geeft zo'n zoekvak je een grafiek met conversies. Een agent haalt de conversies op, ziet dat de daling vooral in één kanaal zit, splitst dat kanaal uit per landingspagina, vindt twee pagina's die de daling veroorzaken en beantwoordt de vraag die je eigenlijk stelde, niet de vraag die je letterlijk intypte.

Zo koppel je een AI-agent aan Google Analytics 4

Er zijn twee routes. Welke je kiest, hangt ervan af of je marketeer of developer bent.

Route 1: een gehoste OAuth-koppeling

De route voor marketeers. Je geeft het product toegang via je Google-account, kiest de property, en de koppeling wordt server-side opgeslagen en bij elke query hergebruikt. In onze eigen implementatie checkt de agent bij de eerste GA4-toolcall of er een actieve Analytics-koppeling is. Is die er niet, dan faalt hij niet en gaat hij ook niet gokken: hij toont een interactieve melding die je vraagt te koppelen, met een directe link naar het integratiescherm, en pakt het gesprek daarna weer op. De property komt uit je workspace-instellingen als je die hebt ingesteld, anders wordt de eerste property van de koppeling gebruikt.

Instellen kost een paar minuten en je hoeft niets te installeren. De keerzijde: je werkt met de toolcatalogus die de leverancier heeft gebouwd.

Route 2: MCP

De route voor developers. Google publiceert een eigen Google Analytics MCP-server die GA4 beschikbaar maakt voor elke client die MCP ondersteunt. Die biedt run_report, run_realtime_report, run_funnel_report, get_account_summaries, get_property_details, get_custom_dimensions_and_metrics en list_google_ads_links. Authenticatie loopt via Application Default Credentials op de alleen-lezen Analytics-scope. In de praktijk betekent dat: de Admin API en Data API inschakelen in een Google Cloud-project en gcloud auth application-default login draaien.

Twee kanttekeningen voordat je erop gaat bouwen. Google labelt de server als experimenteel. En MCP geeft je agent de tools, niet het oordeel over welke hij moet aanroepen. De kwaliteit van de redenering komt nog steeds uit het model en de prompt.

Welke GA4-vragen kun je in gewone taal stellen?

De vragen die goed werken, hebben dezelfde vorm: een vergelijking, een segment en een absoluut datumbereik.

Vergelijk de conversies uit organisch zoekverkeer van [datumbereik A] met [datumbereik B],
uitgesplitst per landingspagina. Toon de 10 pagina's met de grootste absolute verandering.
Markeer elke rij waar het aantal sessies zo laag is dat de verandering in ratio ruis kan zijn.

Welke acquisitiekanalen zijn verbeterd en welke gedaald in [datumbereik],
gemeten in conversies en niet in sessies? Noem het conversie-event dat je hebt gebruikt.

Waar haken gebruikers af voordat ze [doel] voltooien in [datumbereik]?
Geef absolute aantallen naast de percentages.

Wordt het verschil in conversieratio tussen mobiel en desktop groter of kleiner
ten opzichte van de vorige vergelijkbare periode? Toon beide periodes.

De vragen die slecht werken, zijn de open vragen. "Hoe doet de site het?" levert een samenvatting van alles op en een conclusie over niets. Het kost ook meer, want een vaag doel waaiert uit over meer queries dan een precies doel.

Welke GA4-metrics wil je automatiseren?

Automatiseer de metrics waarvan elke beweging een verklaring vraagt, en laat de rest liggen tot je ernaar vraagt.

Metric	Waarom automatiseren	Let op
Conversies per kanaal	Het getal waar het bedrijf echt om geeft	Welk conversie-event als primair is ingesteld
Conversieratio per landingspagina	Scheidt problemen met pagina's van problemen met verkeer	Kleine aantallen die spectaculaire percentages opleveren
Engagementpercentage per bron	Signaleert kwaliteitsverschuivingen voordat de conversies bewegen	De definitie wijkt af van het bouncepercentage in Universal Analytics
Omzet per kanaal	Koppelt het werk aan geld	Welk attributiemodel wordt gebruikt
Sessies per apparaat en land	Verklaart veranderingen in samenstelling achter een veranderde ratio	Cardinaliteit waardoor rijen samenvallen in (other)

Welke analysefouten maken AI-agents met GA4-data?

Dit is het deel om twee keer te lezen. Elke fout hieronder levert output op die er volkomen normaal uitziet.

Klikken en sessies als hetzelfde behandelen. Search Console telt klikken op een zoekresultaat, GA4 telt sessies nadat een pagina is geladen. Die cijfers komen nooit overeen, en een agent die ze vergelijkt zonder dat te melden, "ontdekt" een verschil dat puur in de definitie zit.

Metrics op gebruikers- en sessieniveau door elkaar halen. Deel je een metric op gebruikersniveau door een metric op sessieniveau, dan krijg je een getal zonder betekenis. Netjes afgerond op twee decimalen, dat wel.

(not set) en (other) negeren. Dimensies met een hoge cardinaliteit worden samengevoegd in een bucket (other), en niet-toegeschreven verkeer belandt in (not set). Een agent die de zichtbare rijen optelt en een totaal rapporteert, laat beide stilletjes weg.

Procentuele veranderingen aflezen van piepkleine aantallen. Van twee naar drie conversies is een verbetering van 50%, en tegelijk helemaal niets. Laat de agent altijd absolute aantallen naast de ratio's tonen.

Onduidelijkheid over welk conversie-event. De meeste properties hebben meerdere key events ingesteld. Noemt de prompt er geen, dan kiest de agent zelf, en die keuze kan per run verschillen.

Relatieve datumbereiken. "Vorige maand" valt anders uit afhankelijk van de tijdzone van de property en het moment waarop de query draaide. Gebruik absolute datums voor alles waar je op gaat handelen.

De oplossing is één extra regel onder elke prompt waarin de cijfers ertoe doen:

Elk cijfer moet uit de gekoppelde property komen.
Is een cijfer niet beschikbaar, schrijf dan "niet beschikbaar" - schat nooit.
Vermeld bij elk getal de metric, dimensie en het datumbereik dat je hebt gebruikt.

Die laatste zin is de belangrijkste. Daarmee laat de agent zijn query zien, en wordt een bewering die je moet geloven een bewering die je in dertig seconden kunt controleren.

Binnen welke API-limieten van GA4 werkt een agent?

Dit is geen weetje voor de quiz. Deze limieten bepalen welke vragen überhaupt te beantwoorden zijn.

Volgens de quotadocumentatie van de Data API van Google krijgt een standaardproperty 200.000 core tokens per property per dag, 40.000 per uur, 14.000 per project per property per uur en 10 gelijktijdige core requests. Analytics 360-properties krijgen 2.000.000 per dag en 50 gelijktijdige requests. Het belangrijkste: de complexiteit van een request bepaalt hoeveel tokens hij kost. Meer dimensies, langere periodes en een hogere cardinaliteit vreten allemaal meer quotum. Voeg je returnPropertyQuota toe aan een request, dan zie je het live verbruik.

In de praktijk betekent dit dat een agent die vrij mag rondneuzen in een grote property in één middag het dagquotum kan opmaken, waarna elk rapport verderop in de keten faalt tot het venster is gereset. Prompts met een beperkte set dimensies en een specifiek bereik zijn dus niet alleen duidelijker, ze zijn ook goedkoper in een valuta waar je niet meer van kunt kopen.

Wat een agent niet uit GA4 kan halen

Op sommige vragen heeft je property geen antwoord, en het verschil tussen een goede en een slechte agent is of hij dat ook zegt.

Alles buiten je bewaartermijn, in een verkenning. In de documentatie over gegevensbewaring van Google staat de bewaartermijn voor gebruikers- en eventdata op standaardproperties op 2 of 14 maanden, met 14 maanden als maximum tenzij je 360 hebt. Data uit Google Signals blijft hoe dan ook maximaal 26 maanden bewaard, ongeacht de instelling. De belangrijke nuance: de bewaartermijn geldt voor verkenningen en trechterrapporten, niet voor standaard geaggregeerde rapporten. Een agent kan dus terecht een trendvraag op kanaalniveau over een lange periode beantwoorden, terwijl hij een vraag over gebruikerspaden over dezelfde periode niet kan beantwoorden. Maakt hij dat onderscheid niet, dan komt hij toch met iets.

Alles waarop drempelwaarden worden toegepast. Als het aantal gebruikers zo laag is dat je individuen zou kunnen herleiden, houdt GA4 de rijen achter. Een agent die optelt wat hij ziet en dat als totaal presenteert, rapporteert een te laag aantal zonder het te weten.

Alles over mensen die geen toestemming gaven. Afhankelijk van je toestemmingsconfiguratie is een deel van het gedrag gemodelleerd of ontbreekt het. Dat gat verschijnt niet als foutmelding, maar als lagere cijfers.

Vraag het je agent gewoon: "welk deel van deze analyse wordt beïnvloed door bewaartermijnen, drempelwaarden of ontbrekende toestemming?" Een agent die die vraag eerlijk beantwoordt, is het houden waard.

Is het veilig om een AI-agent toegang te geven tot Google Analytics?

Toegang tot GA4 is een van de veiligere koppelingen die je kunt geven, om drie structurele redenen: de scope is alleen-lezen, dus er kan niets worden aangepast; je kunt de toegang op elk moment intrekken via je Google-account; en het ergste wat kan gebeuren is een verkeerde conclusie, die je zelf in de property kunt controleren.

Twee dingen verdienen toch aandacht. Ten eerste kan GA4-data, afhankelijk van je configuratie, persoonsgegevens bevatten. Weet dus waar de leverancier van je agent queryresultaten verwerkt en opslaat. Ten tweede: als dezelfde agent ook willekeurige webpagina's kan ophalen, kan hij tekst van buitenaf in dezelfde context brengen als jouw instructies. Dat is het probleem van prompt injection. Onze runtime vangt dit op door elke tool te labelen als read, generate of write, opgehaalde content af te schermen als onbetrouwbaar en write-tools te weigeren voor de rest van elke beurt waarin onbetrouwbare content binnenkwam. GA4-queries zijn gelabeld als read, dus die merken er hoe dan ook niets van.

Wat kost een GA4-query met een agent?

Er zijn twee onderdelen. Toolcalls: in onze catalogus kost een GA4-query 50 credits per call, en een serieus onderzoek bestaat uit meerdere calls, omdat de agent ophaalt, kijkt en opnieuw ophaalt. Modeltokens: die worden gefactureerd tegen 300 credits per miljoen over alle modelcalls in een beurt, en schalen mee met hoeveel data er in de context komt. Daarom kost redeneren over een query die 50 rijen teruggeeft merkbaar minder dan over een query die er 5.000 teruggeeft.

De regel die daaruit volgt, is dezelfde als bij het quotum: precisie is goedkoper dan breedte. "Hoe doet de site het?" is de duurste vraag die je kunt stellen, in credits én in quotum, en je krijgt er het minst bruikbare antwoord op.

Kan een agent Looker Studio vervangen?

Nee, en dat komt door reproduceerbaarheid, niet door wat de agent kan. Een dashboard toont elke keer dezelfde metrics in dezelfde opmaak, en dat is precies wat je wilt voor monitoring en voor alles wat een klant volgens een vast schema te zien krijgt. Een agent kan op twee verschillende dagen een andere route door dezelfde vraag nemen.

De taakverdeling die werkt: dashboards beantwoorden het wat, agents het waarom. Je houdt het dashboard voor het vaste overzicht en je vraagt het de agent als het dashboard iets laat zien dat je niet kunt verklaren. Voor terugkerende deliverables lees je meer in geautomatiseerde GA4-rapportages, waar voorspelbaarheid zwaarder weegt dan flexibiliteit.

Waar begin je?

Koppel een property in alleen-lezen modus en stel de agent één vraag die je dit kwartaal al handmatig hebt beantwoord. Vergelijk de uitkomsten. Vraag hem daarna om bij elk cijfer de metric, dimensie en het datumbereik te tonen, en controleer er één van in de GA4-interface. Twee keer zo'n test vertelt je meer over of je de tool kunt vertrouwen dan alle marketingmateriaal van de leverancier bij elkaar.

Autopilot gebruikt de OAuth-flow, de koppelingsmelding en de queryloop die hierboven staan beschreven, op je eigen property.