GA4 MCP 연결 전 확인할 4가지: AI 분석은 데이터 설계부터

“AI에 우리 GA4를 연결하면 복잡한 데이터도 알아서 설명해 주고 성과 분석까지 바로 해 주지 않을까?”

이런 기대가 당연한 일상이 된 지 오래입니다. 실제로 많은 분들이 여러 방법으로 AI를 활용해 마케팅 데이터를 분석하고 있습니다.

가장 간단한 방법은 GA4에서 내려받은 CSV를 AI 대화창에 올리는 것입니다. 표로 정리하는 것은 물론 눈에 띄는 변화를 짚어 주고 보고서에 넣을 형태로 다듬는 일까지 해 줍니다. 여기서 한 단계 나아가면 AI가 GA4에서 직접 데이터를 불러와 이 과정을 자동으로 처리하게 만들 수도 있습니다.

그렇다면 어떤 방식이든 일단 연결만 마치면 AI가 우리 회사의 GA4를 알아서 분석해 주는 걸까요?

결론부터 말하면 그렇지 않습니다. 연결이 해 주는 일은 AI가 GA4 속성 정보와 데이터, 보고서를 조회할 수 있게 만드는 것까지입니다. 그 데이터가 우리 사업에서 무엇을 뜻하는지는 알려 주지 않습니다. 이벤트가 제각각 쌓여 있거나 문의와 구매의 기준이 문서화되어 있지 않다면 AI의 분석은 방향을 잃습니다. 숫자는 맞아도 틀린 결론을 내놓을 수 있습니다.

따라서 이번 글에서는 연결 방법을 길게 설명하지 않습니다. 그보다 중요한 쪽에 집중합니다. 연결 전에 무엇을 점검해야 하는지, AI에게 어떤 정보를 함께 줘야 하는지, 답변을 어떻게 검증해야 하는지입니다.

GA4 MCP 서버는 무엇이고 어디서 얻나요?

그 이야기를 하기 전에 GA4 MCP가 정확히 무엇인지부터 짚고 가겠습니다.

여기서 말하는 GA4 MCP는 구글 애널리틱스 팀이 직접 공개한 오픈소스 MCP 서버입니다. 유료 서비스나 서드파티 도구가 아니라 google-analytics-mcp 저장소에서 누구나 내려받아 자기 PC에서 실행하는 로컬 서버입니다. 클로드, 제미나이 CLI처럼 MCP를 지원하는 AI 도구라면 어디든 연결할 수 있습니다.

다만 구글은 이 서버를 아직 실험(Experimental) 단계로 표시하고 있습니다. 도구 구성이나 동작이 예고 없이 바뀔 수 있다는 뜻이니 실무에 붙이기 전에 저장소의 최신 안내를 한 번 확인하시는 편이 좋습니다.

연결에 필요한 준비물은 다음과 같습니다.

• Python 3.10 이상과 pipx, 그리고 gcloud CLI가 설치된 로컬 환경
• Google Cloud 프로젝트에서 Google Analytics Admin API와 Google Analytics Data API 활성화
• gcloud로 애플리케이션 기본 사용자 인증 정보(ADC) 설정. 이때 반드시 포함해야 하는 권한 범위가 analytics.readonly입니다
• 조회하려는 GA4 속성에 접근 권한이 있는 구글 계정

MCP 서버로 조회만 되고 설정 변경은 되지 않는 이유가 여기에 있습니다. 구글이 읽기 전용 권한 범위로 인증하도록 안내하고 있고, 서버가 제공하는 도구도 전부 조회용이기 때문입니다.

연결을 마치면 AI가 아래 도구들을 쓸 수 있게 됩니다. 2026년 9월 기준 최신 릴리스(0.7.0)에 등록된 목록이며, 버전에 따라 도구가 추가될 수 있습니다.

설치 명령과 인증 절차는 저장소 README에 단계별로 정리돼 있으니 그대로 따라가면 됩니다. 이 글에서 다루려는 것은 그다음입니다. 이 도구들을 손에 쥔 AI가 왜 우리 회사 데이터를 제대로 분석하지 못하는가입니다.

GA4 MCP 연결과 API 연결로 각각 할 수 있는 일

AI에 GA4를 연결하고 나면 무엇을 어디까지 할 수 있을까요? 연결하는 방식에 따라 범위가 달라집니다.

GA4에 AI를 붙이는 방법은 두 가지입니다. API와 그 연결을 표준화한 MCP(Model Context Protocol)가 있습니다. MCP 개념이 낯설다면 MCP란? AI 도구 연결 방식 글을 먼저 읽어 보셔도 좋습니다. 두 방법 다 같은 API를 쓰지만 MCP 서버는 읽기 전용으로 만들어져 조회만 되고 API를 직접 호출하면 ‘설정 변경’까지 된다는 차이가 있습니다.

먼저 MCP로는 어디까지 조회할 수 있을까요?

MCP 서버를 연결하면 AI가 계정과 속성 정보를 확인하고 각종 보고서를 조회할 수 있으며 맞춤 측정기준과 맞춤 측정항목의 목록도 볼 수 있습니다. 받아 온 수치를 표로 묶고 기간별로 비교하고 리포트 초안까지 쓰는 일도 이 범위 안에서 일어납니다. 전부 조회 권한만으로 되는 일이라 따로 준비할 것이 없습니다.

API 연결은 언제 필요할까요?

GA4 설정까지 AI가 직접 바꾸게 하고 싶다면 그때는 API 연결이 필요합니다. Google 공식 Analytics Admin API는 쓰기 기능을 제공하기 때문에 AI가 이를 호출할 수 있도록 연결하면 맞춤 측정기준과 맞춤 측정항목을 등록하고 키 이벤트, 데이터 스트림, 잠재고객을 만들거나 수정할 수 있습니다. 다만 잠재고객 관리 기능은 아직 Admin API v1alpha에서만 제공되니 버전을 확인하고 쓰셔야 합니다.

처음 연결할 때는 analytics.edit OAuth 범위와 해당 GA4 속성의 변경 권한을 부여해야 합니다. 또한 AI가 실행할 작업과 승인 절차도 마련해야 하므로 MCP 연결 대비 과정은 다소 복잡하지만 한 번 연결해 두면 마케터는 MCP를 사용할 때처럼 자연어로 요청할 수 있습니다. 필요한 API 호출은 AI가 요청에 맞춰 수행하기 때문입니다.

그럼 MCP와 API 둘 중 무엇을 써야 할까요?

꼭 하나만 골라야 하는 것은 아닙니다. MCP와 API 모두 AI에 연결하면 자연어로 요청할 수 있습니다. 차이는 요청 방식이 아니라 연결 과정과 할 수 있는 작업의 범위입니다.

빠르게 연결해 GA4 데이터를 조회하고 분석하는 데까지 필요하다면 MCP 연결로 충분합니다. 맞춤 측정기준을 등록하거나 키 이벤트, 데이터 스트림, 잠재고객을 만드는 등 GA4 설정까지 바꾸려면 Admin API의 쓰기 기능을 연결해야 합니다.

처음에는 MCP로 데이터 분석을 시작하고 설정 변경이 필요해질 때 Admin API 연결을 추가해도 됩니다. 우리에게 필요한 작업이 어디까지인지 보고 선택하면 됩니다.

AI에 GA4를 연결해도 분석이 어려운 이유

어느 쪽으로 연결하든 AI가 받는 것은 숫자와 이름까지입니다. 어떤 이벤트를 문의로 볼지, 내부 트래픽을 어디까지 제외했는지, 캠페인 이름의 약어가 무엇을 뜻하는지는 조회 결과에 함께 실려 오지 않습니다. 이 맥락이 없으면 조회가 쉬워져도 분석은 여전히 불완전합니다.

AI에게 “지난달 문의 전환 수와 성과가 좋은 채널을 알려 줘”라고 물었다고 가정해 보겠습니다.

만약 분석을 요청한 속성에 generate_lead, form_submit, consult_complete라는 이벤트가 함께 쌓여 있다면 무엇을 ‘진짜 문의’로 봐야 할까요? generate_lead는 GA4 권장 이벤트라 가장 그럴듯해 보입니다. 하지만 우리 회사가 실제 상담 완료를 consult_complete로 정의했다면 이야기가 달라집니다. form_submit에는 채용 지원이나 뉴스레터 신청까지 섞여 있을 수도 있습니다. (잠깐! GA4 데이터 분석에 필수적인 이벤트와 매개변수 개념이 아직 낯설다면 구글 애널리틱스 4 이벤트와 매개변수 글을 먼저 참고해 주세요.)

AI는 이벤트 목록과 수치를 조회할 수 있습니다. 그러나 세 이벤트 가운데 어느 것이 회사의 공식 문의 지표인지 알려 주는 기준이 없다면 스스로 그 기준을 찾아내어 분석할 수는 없을 겁니다. AI가 틀렸다기보다 올바른 분석에 필요한 사전 정보가 빠진 상태입니다.

이 문제는 크게 세 군데에서 생깁니다.

원인 1. 같은 행동, 제각각인 이벤트 이름

GA4 이벤트명은 대소문자를 구분합니다. Google의 이벤트 이름 규칙에 따르면 generate_lead와 Generate_Lead는 서로 다른 이벤트입니다. 같은 행동을 팀이나 시점에 따라 다른 이름으로 수집했다면 AI가 여러 이벤트를 어떻게 처리해야 할지 판단하기 어려워집니다.

권장 이벤트를 사용했다고 끝나는 것도 아닙니다. Google은 권장 이벤트와 정해진 매개변수를 함께 전송해야 미리 정의된 측정기준과 측정항목을 충분히 활용할 수 있다고 안내합니다. 이벤트명만 맞고 필요한 매개변수가 비어 있다면 질문할 수 있는 범위도 줄어듭니다.

실제로 고객사의 GA4 속성을 점검해 보면 이런 기준을 지켜 구축한 경우는 드뭅니다. 필요한 데이터를 그때그때 추가하면서 비슷한 이벤트가 여러 이름으로 쌓이고 꼬인 환경이 적지 않습니다. 이벤트 수집은 생각보다 설계하기 어려운 만큼 측정 목적과 구조부터 정한 뒤 시작해야 합니다.

원인 2. 이름은 있지만 의미는 비어 있는 데이터

GA4를 우리 서비스에 맞게 쓰다 보면 맞춤 이벤트와 맞춤 매개변수, 맞춤 측정기준도 하나둘 늘어납니다. 문제는 어느 순간 뭐가 뭔지 아무도 모르는 상황에 쉽게 빠진다는 점입니다. 설명을 적는 칸이 있지만 비워 두기 쉽고 적어 둔다 해도 ‘회원 유형’ 한마디로 끝나기 일쑤입니다. 정의가 문서로 정리되지 않고 팀에 공유되지도 않으면 지금 우리가 무엇을 수집하고 있는지 한눈에 볼 수 있는 곳이 없습니다.

예를 들어 member_type이라는 매개변수가 있어도 그 값이 고객 등급인지 로그인 상태인지, 테스트 계정을 포함하는지, 어느 날짜부터 새 기준을 적용했는지는 이름만 보고 알 수 없습니다. 가격 정책 변경이나 캠페인 운영 방식처럼 GA4 밖에서 결정된 맥락은 더더욱 알기 어렵죠.

창고 출입 권한을 받은 새 직원에게 물건 이름과 위치만 보여 준 것과 비슷합니다. 어떤 물건이 판매 가능한 재고인지, 반품 대기인지, 이번 달부터 분류 기준이 어떻게 바뀌었는지는 별도의 업무 설명이 필요합니다.

원인 3. 기준점, (not set), 샘플링: 숫자가 온전히 보이지 않을 때

마지막은 데이터 자체의 문제입니다. AI가 조회한 숫자가 GA4에 쌓인 데이터의 전부가 아닐 수 있습니다. GA4는 개인을 특정할 수 없도록 모수가 적은 데이터를 아예 표시하지 않습니다. 이것이 데이터 기준점입니다. 여기에 더해 수집되지 못한 정보는 (not set)이라는 이름으로, 한도를 넘어간 값은 (other) 행으로 뭉쳐서 표시됩니다. 데이터가 많으면 전체 대신 일부만 뽑아 어림잡는 샘플링이 적용되기도 합니다. 이는 기본 보고서에는 적용되지 않지만 탐색 분석처럼 복잡한 조회에서는 발생할 수 있습니다.

사용자 수나 세션 수 같은 지표는 애초에 정확한 집계가 아니라 통계적인 추정치이고 수집된 데이터가 보고서에 반영되기까지 시간도 걸립니다. 그래서 같은 데이터를 두고도 조회 방식과 시점에 따라 AI가 가져온 수치와 GA4 화면이 조금 다를 수 있습니다. 어느 한쪽이 틀렸다기보다 집계 방식이 달라서 생기는 차이입니다. 문제는 AI가 이런 사정을 말해 주지 않은 채 매끄러운 문장으로 답하면 숫자가 완전한 것처럼 읽힌다는 점입니다.

AI에 GA4를 연결하기 전에 갖춰야 할 네 가지

그럼 AI로 GA4를 잘 활용해서 분석까지 제대로 해내기 위해서는 무엇부터 준비해야 할까요? 거대한 AI 시스템을 먼저 만들 필요는 없습니다. 측정 환경과 분석 기준을 아래 네 단계로 정리하면 됩니다.

1. 측정 목적: 무엇을 측정할지 먼저 합의합니다

먼저 우리 회사가 GA4에서 답하고 싶은 질문을 적어 봅니다. “문의가 몇 건인가”에서 끝내지 말고 어떤 행동을 문의로 인정하는지까지 정해야 합니다. 폼 제출 시점인지, 상담 예약 완료 시점인지, 중복 제출과 내부 테스트를 제외하는지도 함께 정합니다.

그다음 이 기준이 실제 이벤트 설계와 일치하는지 확인합니다. 같은 행동은 같은 이름과 매개변수로 수집하고 가능하면 GA4 권장 이벤트를 따릅니다. 과거 이벤트와 현재 이벤트의 기준이 달라졌다면 적용 날짜도 남깁니다.

AI에게 좋은 프롬프트를 쓰는 것보다 이 작업이 먼저입니다. 수집 기준이 흔들리면 어떤 모델을 연결해도 흔들리는 데이터를 더 빨리 읽을 뿐입니다.

2. 이벤트 정의서: 수집 기준을 한곳에 정리합니다

이벤트 정의서는 개발자를 위한 설치 명세만이 아닙니다. 사람과 AI가 같은 숫자를 같은 뜻으로 읽기 위한 사전입니다.

최소한 아래 정보는 한곳에 모아 두는 것이 좋습니다.

• 이벤트명과 매개변수
• 사용자가 실제로 한 행동
• 발생 조건과 제외 조건
• 문의, 구매, 회원가입처럼 회사가 인정하는 핵심 지표와 계산 기준
• 적용 시작일과 변경 이력
• 담당자와 확인할 원본 시스템
• 파악된 누락이나 (not set) 같은 데이터 한계

앞에서 예로 든 세 이벤트를 이 기준으로 정리하면 이런 모습입니다.

칸을 다 채우지 못해도 괜찮습니다. 어떤 이벤트가 회사의 공식 지표이고 어떤 이벤트가 아닌지, 그 기준이 언제부터 적용됐는지만 적혀 있어도 AI가 헤매는 구간이 크게 줄어듭니다.

예를 들어 “문의 전환은 consult_complete 이벤트 수이며 테스트 계정과 중복 제출을 제외한다”는 한 문장만 있어도 AI가 임의로 form_submit을 고르는 일을 막을 수 있습니다. 이벤트 정의서를 처음 만드는 방법은 GA4 이벤트 정의서 작성 가이드에서 이어서 확인하실 수 있습니다.

3. AI 컨텍스트: 분석 기준을 AI와 공유합니다

문서를 만들었다면 AI가 분석할 때 함께 읽도록 연결해야 합니다. 정보가 자주 바뀐다면 원본 문서 한곳을 기준으로 두고 분석 전에 최신 버전을 불러오는 편이 안전합니다.

여기에 분석 요청 형식도 정해 둡니다. AI가 바로 결론을 쓰기 전에 아래 내용을 먼저 밝히게 하는 방식입니다.

• 선택한 속성과 조회 기간
• 문의나 구매로 사용한 이벤트
• 사용한 측정기준과 측정항목
• 적용한 필터와 제외 조건
• 데이터 기준점, 샘플링, (other), (not set), 정의 변경처럼 해석에 영향을 주는 제한

실제 요청은 이런 형태가 됩니다. 아래 틀을 복사해 우리 회사 기준으로 바꿔 쓰시면 됩니다.

[분석 기준]
- 이벤트 정의서: (문서 링크 또는 파일 첨부)
- 문의 전환 = consult_complete (테스트 계정, 24시간 내 중복 제출 제외)
- 구매 전환 = purchase
- 분석 대상: GA4 속성 ID 123456789
- 내부 트래픽은 GA4 필터로 이미 제외되어 있음

[요청]
2026년 8월 문의 전환 수와 채널별 기여도를 알려 주세요.

[답변 형식]
결론을 쓰기 전에 아래를 먼저 밝혀 주세요.
1. 조회한 속성과 기간
2. 문의로 사용한 이벤트명
3. 사용한 측정기준과 측정항목
4. 적용한 필터와 제외 조건
5. 데이터 기준점, 샘플링, (other), (not set) 등 해석에 영향을 주는 제한

확인되지 않은 원인은 추측하지 말고 '확인 필요'로 표시해 주세요.

이렇게 하면 답이 마음에 들지 않을 때 어디서 어긋났는지 찾을 수 있습니다. 질문을 잘 쓰는 요령보다 답의 근거를 되짚을 수 있는 구조가 더 중요합니다.

4. 이중 검증: 데이터 조회와 비즈니스 해석을 따로 확인합니다

AI의 답변은 “데이터 조회”와 “비즈니스 해석”으로 나누어 확인합니다.

먼저 조회 단계에서는 기간, 이벤트, 필터가 요청과 같은지 봅니다. 중요한 수치는 동일한 기간과 측정기준, 필터를 적용한 GA4 화면 또는 원본 시스템과 대조합니다. 차이가 있다면 오류로 단정하기 전에 기준점, 샘플링, 추정치, 처리 지연이 영향을 줬는지 확인합니다.

해석 단계에서는 수치만으로 말할 수 있는 범위를 넘지 않았는지 살펴봅니다. 특정 채널의 문의가 늘었다고 해서 그 채널이 증가의 원인이라고 바로 단정할 수는 없습니다. 캠페인 변경과 예산, 사이트 개편처럼 GA4 밖의 맥락을 함께 봐야 합니다.

반복 보고서는 이 검증 절차까지 표준화해야 자동화할 수 있습니다. 사람의 확인을 없애는 것이 목표가 아니라 사람이 판단해야 할 지점을 분명하게 남기는 것이 목표입니다.

AI가 분석하기 좋은 측정 환경 만들기

AI와 GA4 MCP의 등장 덕분에 분석은 분명 쉬워졌습니다. 보고서를 찾고 표로 옮기는 데 쓰던 시간을 줄이고 자연어 질문에서 바로 탐색을 시작할 수 있게 됐고 그 데이터와 분석을 통해 도출한 인사이트도 공유하기 편해졌으니까요.

다만 빨라진 것은 데이터에 접근하는 과정입니다. 어떤 행동을 측정할지 정하고 일관된 이름으로 수집하며 숫자의 의미를 문서화하는 일은 여전히 가장 먼저 해야 하는 중요한 일입니다. 이 기반 없이 연결만 해 둔다면 우리는 틀린 분석을 더 빠르고 그럴듯하게 받아보며 잘못된 수치만 들여다보고 있게 될 수도 있습니다.

오픈소스마케팅은 AI 활용까지 고려해 마케팅 측정 환경을 설계하고 구축합니다. 이벤트와 매개변수의 기준을 세우고 이벤트 정의서를 정리해 신뢰할 수 있는 데이터 기반을 만듭니다.

이렇게 정리한 데이터를 AI 분석과 리포트 자동화에 연결하고 AI가 비즈니스 맥락을 함께 읽을 수 있는 분석 흐름을 설계합니다. 도구를 연결하는 데서 끝나지 않고 조직이 스스로 데이터를 분석하고 활용할 수 있도록 역량을 키우는 일까지 함께합니다.

현재 측정 환경을 점검하는 일부터 AI 분석 환경을 구축해 조직에 정착시키는 일까지 처음부터 깔끔하고 완벽하게 진행하고 싶다면 오픈소스마케팅과 함께 시작해보세요.