AI w GA4 i Data Studio: co właściciel sklepu zrobi sam, a gdzie asystent go zmyli

Nie znam właściciela sklepu, który lubi Eksploracje w GA4. Ja też ich nie lubię, choć z wykształcenia jestem programistą i przez dwadzieścia lat prowadzenia DrTusz.pl przeklikałem ich więcej, niż chciałbym pamiętać. Właściciel chce zadać pytanie: „które produkty z wrześniowej kampanii sprzedają się najgorzej po odliczeniu zwrotów" i dostać odpowiedź. Latem 2026 Google otworzył trzy różne drogi do takiej rozmowy z danymi, a Microsoft czwartą. Poniżej, co każda z nich naprawdę robi, ile wymaga i w którym miejscu odpowiedź maszyny trzeba sprawdzić, zanim ruszysz budżet.

Trzy drogi: pulpit, rozmowa, agent

Droga pierwsza to pulpity w samym GA4. Google wdraża je etapami: według opisu Loves Data z 2 września w sekcji Raporty pojawia się przycisk „Utwórz", na siatce można ułożyć karty wyników, tabele, wykresy liniowe, słupkowe, kołowe i lejki, a gotowy pulpit opublikować w nawigacji dla wszystkich z dostępem do usługi (potrzebna rola edytora albo administratora). To nie jest AI. To porządne narzędzie do składania własnego widoku bez wychodzenia do Looker Studio. Osobno, 10 sierpnia, Google ogłosił w Analytics AI Overviews na stronie głównej (streszczenie tego, co zmieniło się od ostatniego logowania), przejście jednym kliknięciem z karty danych do Ask Advisor, powiadomienia na telefon lub e-mail oraz benchmarking względem anonimowych średnich podobnych firm. Z zastrzeżeniem, które łatwo przeoczyć: te funkcje są w becie i tylko dla kont w języku angielskim.

Droga druga to rozmowa. 30 lipca Conversational Analytics w Data Studio (tak Google nazywa dziś Looker Studio) stało się ogólnie dostępne. Zadajesz pytanie po ludzku, dostajesz tabelę albo wykres. Drobny druk z dokumentacji: użytkownik musi należeć do subskrypcji Data Studio Pro, a nowe doświadczenie działa wyłącznie z agentami danych zbudowanymi w BigQuery i opublikowanymi do Data Studio. Zwykłe łączniki, w tym GA4, obsługuje tylko starsza wersja. Dla sklepu oznacza to, że sensowna rozmowa zaczyna się od eksportu GA4 do BigQuery, a nie od kliknięcia w raport.

Droga trzecia to agent: serwer MCP, przez który Claude, Gemini albo inny model sam odpytuje Twoje dane. Google ma oficjalny serwer MCP dla Analytics, w repozytorium oznaczony jako eksperymentalny, działający lokalnie i wyłącznie do odczytu. Wymaga projektu w Google Cloud z włączonymi Admin API i Data API oraz uwierzytelnienia OAuth; udostępnia narzędzia typu run_report, run_funnel_report czy run_realtime_report, a w dokumentacji opisano podłączenie do Gemini CLI i Claude Code. Microsoft poszedł tą samą drogą: 18 sierpnia opisał serwer MCP dla Clarity, który przez API eksportu danych podaje modelowi metryki zachowań: głębokość przewijania, rage clicks, szybkie powroty, w podziale na urządzenie, źródło czy adres strony.

Co sklep zrobi sam w tym kwartale

Moja kolejność jest odwrotna do kolejności ogłoszeń. Najpierw pulpity w GA4, bo nie kosztują, nie wymagają nowego konta i rozwiązują realny problem: zamiast pięciu raportów jeden ekran z tym, co sprawdzasz w poniedziałek rano. Zbuduj jeden, z sześcioma kartami: sesje, współczynnik konwersji, przychód, średnia wartość zamówienia, przychód na sesję według kanału i lejek od karty produktu do zakupu. Jeśli przycisku „Utwórz" jeszcze nie widzisz, to nie błąd, tylko rollout.

Drugi krok to MCP, i mówię to jako osoba, która sama pisze kod. Konfiguracja zajmuje wieczór, ale efekt jest inny niż w każdym narzędziu wcześniej: model dostaje surowe raporty i odpowiada na pytania, których nie przewidział żaden szablon. Trzy rzeczy trzeba wiedzieć zawczasu. Po pierwsze, serwer Google'a jest tylko do odczytu, więc nikt nie zepsuje konfiguracji usługi. Po drugie, Clarity ma twarde limity API eksportu danych: 10 zapytań na projekt dziennie, dane wyłącznie z ostatnich jednego do trzech dni, maksymalnie trzy wymiary i tysiąc wierszy w odpowiedzi, bez stronicowania. To narzędzie do porannego przeglądu, nie do analizy kwartału. Po trzecie, wyniki zapytań jadą do dostawcy modelu. Zanim cokolwiek podłączysz, sprawdź w umowie, czy Twój plan wyłącza trenowanie na danych, i przyjmij zasadę: GA4 z definicji nie powinien zawierać danych osobowych, ale Twój arkusz z kosztami zakupu i marżą per SKU już tak, i on do czatu nie idzie.

Conversational Analytics zostawiłbym na koniec, chyba że i tak masz BigQuery. Dla sklepu z kilkoma tysiącami produktów eksport GA4 do BigQuery, agent danych i subskrypcja Pro to projekt na kwartał, nie na weekend.

Pięć pytań, na których asystent się myli

Zanim zaufasz odpowiedzi, zadaj pięć pytań, na które znasz odpowiedź z raportu. U siebie sprawdzam takie:

1. „Ile mieliśmy przychodu w zeszłym miesiącu z organic?" Sprawdzam, czy model wziął ten sam zakres dat i to samo grupowanie kanałów co raport, i czy nie policzył użytkowników zamiast sesji.
2. „Który produkt ma najgorszą konwersję?" Bez progu minimalnej liczby wyświetleń model wskaże produkt z trzema odsłonami i zerem zakupów.
3. „Czy kampania X przyniosła więcej niż kampania Y?" W GA4 odpowiedź zależy od modelu atrybucji, a model językowy zwykle nie mówi, którego użył. Pisałem o tym w tekście o siedmiu pułapkach danych w GA4.
4. „Ile sprzedaliśmy po zwrotach?" GA4 nie zna zwrotów, chyba że je importujesz. Odpowiedź bez danych z ERP jest zgadywaniem ubranym w ładne zdanie.
5. „Co się zmieniło tydzień do tygodnia?" Sprawdzam, czy porównał ten sam dzień tygodnia. Poniedziałek do niedzieli to nie spadek, tylko kalendarz.

Google sam pisze w dokumentacji Conversational Analytics, że narzędzie może generować wynik, który wygląda wiarygodnie, ale jest błędny, i zaleca walidację każdej odpowiedzi przed użyciem. Traktuję to dosłownie: odpowiedź asystenta jest hipotezą, raport w GA4 i dokument z ERP są dowodem.

Zanim zmienisz budżet

Reguła, którą stosuję: żadna decyzja budżetowa nie zapada na podstawie samej odpowiedzi czata. Odpowiedź musi się zgodzić w dwóch miejscach: w standardowym raporcie GA4 (ten sam zakres dat, ten sam wymiar, ta sama metryka) i w systemie sklepu albo ERP, jeśli chodzi o pieniądze. Jeżeli liczby się różnią, różnica jest ciekawsza niż sama odpowiedź, bo zwykle wskazuje na thresholding, inny model atrybucji albo filtr, który model po cichu pominął. Dopiero gdy trzy źródła mówią to samo, przesuwam budżet. Brzmi jak biurokracja, ale zajmuje kwadrans, a chroni przed wydaniem kilkudziesięciu tysięcy złotych na podstawie zdania, które brzmiało pewnie.

Co zrobić w najbliższym tygodniu

1. Sprawdź w Raportach GA4, czy masz przycisk „Utwórz". Jeśli tak, zbuduj jeden poniedziałkowy pulpit z sześcioma kartami i opublikuj go zespołowi.
2. Spisz listę danych, które nie idą do żadnego czatu: koszty zakupu, marże per SKU, dane klientów, warunki od dostawców. Jedna kartka, podpisana przez Ciebie.
3. Zdecyduj, kto w firmie może podłączyć MCP i na jakim planie modelu (z wyłączonym trenowaniem na danych). Zapisz decyzję razem z listą z punktu drugiego.
4. Jeśli masz osobę techniczną: postaw oficjalny serwer MCP Google'a dla Analytics na jej komputerze i przejdź pięć pytań kontrolnych, zapisując odpowiedź asystenta obok liczby z raportu.
5. Wygeneruj token API w Clarity (Ustawienia, Eksport danych) i zaplanuj, na co wydasz 10 dziennych zapytań, zanim ktoś przepali je na ciekawość.
6. Jeżeli masz BigQuery, sprawdź w Data Studio, czy administrator włączył Gemini i czy jesteś w subskrypcji Pro. Jeśli nie masz, odłóż tę drogę na następny kwartał z czystym sumieniem.

Nie wierzę, że asystent zastąpi w sklepie osobę, która rozumie, skąd biorą się liczby. Wierzę, że skróci jej drogę od pytania do tabeli z godziny do minuty, pod warunkiem że ktoś tę tabelę sprawdzi. Jeśli chcesz, żebyśmy przeszli przez ten test na Twoich danych i ustawili zasady, co wolno podłączyć, porozmawiajmy.