Mit MCP-Servern wird Webanalyse nicht mehr nur im Dashboard gelesen, sondern direkt von KI-Werkzeugen abgefragt. Matomo und Google Analytics verfolgen dabei denselben Grundgedanken, setzen ihn aber mit deutlich unterschiedlichen technischen und organisatorischen Konsequenzen um.
Was MCP in der Webanalyse eigentlich verändert
Das Model Context Protocol, kurz MCP, ist ein offener Standard, mit dem KI-Anwendungen strukturierte Verbindungen zu externen Datenquellen, Werkzeugen und Arbeitsabläufen herstellen können. Die offizielle MCP-Dokumentation beschreibt das Protokoll als Möglichkeit, KI-Anwendungen mit Datenquellen, Tools und Workflows zu verbinden; Anthropic stellte MCP ursprünglich im November 2024 als offenen Standard vor, um fragmentierte Einzelintegrationen durch ein einheitlicheres Modell zu ersetzen.
Für die Webanalyse ist dieser Ansatz besonders interessant, weil Analytics-Systeme traditionell stark dashboard-orientiert sind. Wer wissen will, welche Landingpages letzte Woche organische Conversions gebracht haben, welche Kampagnen nach Gerätetyp schwächeln oder ob AI-Referrer wie ChatGPT, Perplexity oder Gemini bereits relevanten Traffic liefern, muss normalerweise Berichte konfigurieren, Filter setzen, Segmente bauen und Zahlen interpretieren. Ein MCP-Server verschiebt diese Arbeit teilweise in eine Konversation: Die KI fragt über definierte Werkzeuge Daten ab, erhält strukturierte Antworten und formuliert daraus eine Analyse.
Wichtig ist dabei die Rollenverteilung: Der MCP-Server ist nicht die KI. Er ist eher ein Protokolladapter oder API-Gateway. Er stellt Werkzeuge bereit, regelt Authentifizierung, leitet Anfragen an die jeweilige Analytics-API weiter und gibt strukturierte Daten zurück. Die Interpretation, Zusammenfassung und Ableitung von Empfehlungen übernimmt das angebundene Sprachmodell. Matomo betont diese Trennung ausdrücklich: Der Matomo MCP Server selbst erzeugt keine Prognosen, trainiert kein Modell und analysiert nicht eigenständig; diese Arbeit passiert im externen KI-System.
Matomo MCP: Offizielles Plugin statt Bastellösung
Matomo hat seinen offiziellen MCP Server im Mai 2026 vorgestellt. Laut Matomo verbindet der neue Matomo Model Context Protocol Server Matomo mit Werkzeugen wie Claude, ChatGPT oder OpenAI Codex, sodass Teams Fragen in natürlicher Sprache stellen und Antworten auf Basis echter Matomo-Daten erhalten können. Matomo positioniert die Funktion als Weg, schneller von der Frage zur Entscheidung zu kommen, ohne die Datenhaltung in Matomo aufzugeben.
Für Matomo Cloud ist MCP laut Dokumentation automatisch verfügbar; On-Premise-Nutzer müssen das MCP Server Plugin installieren und aktivieren. Im Matomo Marketplace ist das Plugin als „Early preview“ gelistet, Version 5.0.3, zuletzt aktualisiert am 30. April 2026, mit den Anforderungen Matomo ab 5.8.0-rc1 bis vor 6.0.0 und PHP ab 8.1. Das Plugin ist ausdrücklich nicht für Matomo for WordPress verfügbar.
Technisch stellt Matomo einen MCP-Endpunkt über die Matomo-Installation bereit. Der dokumentierte Endpoint lautet sinngemäß index.php?module=API&method=McpServer.mcp&format=mcp; format=mcp ist erforderlich, verschachtelte oder proxied Requests über Bulk-Mechanismen werden abgelehnt, und Authentifizierung erfolgt per Bearer Token. Unterstützt werden entweder ein Matomo API-Token oder OAuth 2.0, sofern der jeweilige MCP-Client und die Matomo-Konfiguration das zulassen.
Das Rechtekonzept ist ein zentraler Punkt. API-Tokens erben die Rechte des Matomo-Benutzers, OAuth 2.0 arbeitet mit den gewährten Scopes. Matomo weist aber auch auf Einschränkungen hin: OAuth-Access-Tokens haben eine begrenzte Lebensdauer, Refresh-Handling muss derzeit manuell gelöst werden, und nicht jeder MCP-Client unterstützt die benötigten OAuth-Varianten vollständig.
Der Funktionsumfang ist bewusst kontrollierbar. Das Plugin ist standardmäßig deaktiviert; rohe Matomo-API-Discovery- und Execution-Tools sind ebenfalls separat deaktiviert und müssen durch Administratoren freigegeben werden. Der initiale Werkzeugbereich umfasst Sites, Reports, Report-Metadaten, verarbeitete Report-Daten, Goals, Segmente, Dimensionen und optional rohe Matomo-API-Aufrufe. Bei aktivierter Raw-API können MCP-Clients dieselbe API-Oberfläche erreichen, die dem authentifizierten Benutzer zusteht, einschließlich zustandsverändernder Methoden, wenn diese freigegeben wurden.
ChatGPT, Claude und Codex mit Matomo verbinden
Für ChatGPT beschreibt Matomo einen Weg über eine benutzerdefinierte App beziehungsweise einen Connector. Voraussetzung ist ein ChatGPT-Konto mit aktiviertem Developer Mode, ein über HTTPS erreichbarer Matomo-MCP-Endpunkt und ein OAuth-2.0-Client in Matomo. Die ChatGPT-App erhält den MCP Endpoint, OAuth-Daten, Scopes wie matomo:read und die entsprechenden Authorize- und Token-URLs der Matomo-Instanz.
Für OpenAI Codex ist der Weg direkter: Matomo dokumentiert eine Konfiguration in ~/.codex/config.toml, in der der MCP-Server mit URL und Authorization-Header eingetragen wird. Codex kann dann über den Matomo-MCP-Endpunkt Analytics-Daten abfragen; der Server lässt sich bei Bedarf in der Codex-Konfiguration auch deaktivieren.
Für Claude Code verweist Matomo auf die Claude-Konfiguration und warnt ebenfalls vor Sicherheits- und Datenschutzfragen. Auch hier muss der Matomo MCP Server aktiviert sein, bei On-Premise-Installationen zusätzlich das Plugin installiert werden.
Praktisch bedeutet das: Matomo MCP ist vor allem dann interessant, wenn Unternehmen ihre Webanalyse bereits in Matomo betreiben, Datenhoheit wichtig ist und ein direkter, selbst kontrollierter Zugriff auf Analytics-Daten gewünscht wird. Der Preis dafür ist, dass Rechte, Tokens, OAuth, HTTPS-Erreichbarkeit und Tool-Freigaben sauber eingerichtet werden müssen.
Google Analytics MCP: Offiziell, experimentell und read-only
Auch für Google Analytics 4 gibt es mittlerweile einen offiziellen MCP Server. Google beschreibt ihn als Möglichkeit, Analytics-Daten mit einem LLM wie Gemini zu verbinden, mit dem Ziel, mit den Daten zu chatten oder eigene Agenten mit Zugriff auf Analytics-Daten zu bauen. Google weist ausdrücklich darauf hin, dass der MCP Server nur Leseanfragen unterstützt und keine Google-Analytics-Konfiguration oder Einstellungen ändern kann.
Der offizielle Quellcode liegt im GitHub-Repository googleanalytics/google-analytics-mcp. Das Projekt bezeichnet sich selbst als „Google Analytics MCP Server (Experimental)“ und stellt einen lokalen MCP-Server bereit, der mit Google-Analytics-APIs interagiert. Die Werkzeuge nutzen die Google Analytics Admin API und die Google Analytics Data API.
Der Toolumfang ist klar umrissen: Der Server kann Account- und Property-Informationen abrufen, Google-Ads-Verknüpfungen anzeigen, Core Reports über die Data API ausführen, Funnel Reports abrufen, Custom Dimensions und Metrics auslesen sowie Realtime Reports ausführen.
Das offizielle PyPI-Paket heißt analytics-mcp, Version 0.6.0, veröffentlicht am 21. Mai 2026. Es verlangt Python ab 3.10, ist als Beta klassifiziert und wird auf PyPI vom Maintainer GoogleAdsDeveloperRelations geführt. Die Installation läuft typischerweise über pipx run analytics-mcp, ergänzt durch Google Application Default Credentials und den Scope https://www.googleapis.com/auth/analytics.readonly.
Ein wichtiger Stolperstein: Es gibt auch ein Drittanbieter-Paket namens google-analytics-mcp, Version 2.0.1, veröffentlicht am 12. März 2026, gepflegt von Surendran B. Dieses Paket ist nicht das offizielle Google-Projekt, bietet aber ebenfalls GA4-Zugriff für Claude, Cursor und andere MCP-Clients und bewirbt eigene Optimierungen gegen übergroße Datenmengen im LLM-Kontextfenster. Für Installationen ist diese Namensähnlichkeit relevant, weil analytics-mcp und google-analytics-mcp nicht dasselbe Projekt sind.
Was Erfahrungsberichte zeigen
Die Erfahrungsberichte zu GA4 MCP sind deutlich zahlreicher als jene zum offiziellen Matomo MCP, was vor allem am früheren öffentlichen Einsatz und der stärkeren Google-Analytics-Verbreitung liegt. Two Octobers beschreibt die Verbindung des offiziellen Google Analytics MCP Servers mit Claude Desktop als lokalen Workflow: Python, Homebrew, pipx, Google Cloud CLI, Application Default Credentials und anschließend ein Eintrag in der Claude-Desktop-Konfiguration. Die Quintessenz dort: Wenn die Authentifizierung steht, ist die eigentliche Claude-Anbindung vergleichsweise kurz.
Kahunam beschreibt einen ähnlichen Einrichtungsweg für Gemini: Python, Google Cloud Project, Admin- und Data-API, Application Default Credentials und Eintrag in ~/.gemini/settings.json. Der Bericht stellt die Einrichtung als machbar dar, aber nicht als reine No-Code-Aufgabe.
Seer Interactive berichtet aus einer agenturähnlichen Perspektive von deutlichen Produktivitätsgewinnen: Routinefragen seien schneller beantwortet, Live-Analysen in Kundengesprächen würden möglich, und Folgefragen könnten im Kontext derselben Unterhaltung gestellt werden. Gleichzeitig nennt der Bericht typische Hürden: Setup-Komplexität, notwendige Query-Verfeinerung, Google-Analytics-Quotas, Sampling und Kostenkontrolle bei intensiver Nutzung.
Ein kritischer Test von Coupler.io kam zu einem deutlich skeptischeren Ergebnis: Der offizielle Google Analytics MCP Server benötige aus Sicht des Tests über eine Stunde Einrichtung, sei anfällig für API-Limits und habe in den getesteten Prompts falsche Zeiträume oder fehlerhafte Trends geliefert. Der Beitrag ist zugleich ein Vergleich mit dem eigenen Coupler-Angebot und daher nicht neutral; dennoch sind die genannten Problemklassen plausibel und decken sich mit anderen Warnungen: Rohdatenzugriff ersetzt kein Analytics-Verständnis.
Besonders praxisnah ist der Hinweis von Jacob Funnell: Er beschreibt den GA4-MCP-Ansatz als spannend, aber technisch nicht trivial. Vor allem warnt er davor, Kennzahlen falsch zu interpretieren. Sein Beispiel: Interne Suchbegriffe nach Gesamtanzahl der Suchvorgänge zu bewerten, kann irreführend sein, wenn ein einzelner Nutzer denselben Begriff sehr häufig wiederholt. Erst die Frage nach der Anzahl der Nutzer pro Suchbegriff ergab ein sinnvolleres Bild.
Für Matomo gibt es derzeit weniger Erfahrungsberichte zum offiziellen Plugin, weil die offizielle Ankündigung sehr frisch ist. Ein interessanter Vorläufer ist ein Bericht von Douli vom 13. Mai 2026: Dort wurde ein eigener, leichter MCP-Server gebaut, der eine WordPress-Matomo-REST-API mit Claude verbindet. Der Nutzen lag nicht in einem „smarteren Dashboard“, sondern in einem kürzeren Weg von der Datenfrage zur konkreten Aktion: Der Test führte unter anderem zu Meta-Description-Anpassungen, interner Verlinkung und einer neuen Content-Idee. Gleichzeitig wurden Grenzen sichtbar, etwa Session-Isolation, Rate-Limits des Shared Hostings und die Notwendigkeit, der KI die richtigen Fragen zu stellen.
Matomo oder GA4: Wo liegen die Unterschiede?
Der offensichtlichste Unterschied liegt in der Architektur. Matomo MCP läuft nahe an der eigenen Matomo-Instanz. Bei On-Premise-Systemen bleibt die Kontrolle über Server, Plugin, Token, Rollen und Raw-API-Freigaben stärker beim Betreiber. Das passt zu Organisationen, die Datenhoheit, Datenschutz und selbst gehostete Webanalyse priorisieren. Matomo weist selbst darauf hin, dass Nutzer das KI-Werkzeug, die Zugriffsrechte und die über Token oder OAuth gewährten Berechtigungen kontrollieren.
Google Analytics MCP ist dagegen ein offizieller lokaler Server für den Zugriff auf GA4 über Google APIs. Er ist derzeit read-only, was ihn sicherer für Analysezwecke macht, aber zugleich für administrative Automatisierung begrenzt. Wer GA4 ohnehin nutzt, erhält damit eine direkte Brücke in LLM-Workflows, muss aber mit Google-Cloud-Projekt, API-Aktivierung, ADC, Python-Umgebung und Client-Konfiguration umgehen.
Im Alltag ist der wichtigste Unterschied weniger „welcher MCP ist besser?“, sondern „welche Webanalyse ist das führende System?“. Wer Matomo aus Datenschutz-, Ownership- oder On-Premise-Gründen einsetzt, bekommt mit dem offiziellen Plugin eine folgerichtige KI-Schnittstelle. Wer GA4 als Standard nutzt, bekommt mit dem Google Analytics MCP Server eine offizielle, aber experimentelle Brücke zur Datenabfrage. Beide Lösungen ersetzen keine Analysekompetenz.
Sicherheits- und Datenschutzfragen gehören in die Planung
MCP-Server machen Daten leichter zugänglich. Genau deshalb müssen sie vorsichtig geplant werden. Matomo deaktiviert MCP und Raw-API-Zugriff standardmäßig und empfiehlt getrennte Nutzer oder Tokens mit reduzierten Rechten. Der Hinweis ist wichtig: Wenn ein MCP-Client Zugriff auf Visitor-Log-nahe Daten oder rohe API-Methoden erhält, kann das je nach Matomo-Konfiguration auch personenbezogene oder sensible Daten betreffen.
Auch die allgemeine MCP-Sicherheitslage spricht für Vorsicht. Eine aktuelle Studie zu Remote-MCP-Servern fand bei 7.973 live erreichbaren Remote-Servern, dass 40,55 Prozent Tools ohne Authentifizierung bereitstellten; bei getesteten OAuth-fähigen MCP-Servern wurden zudem verbreitete Authentifizierungsprobleme identifiziert.
Eine weitere große Untersuchung offener MCP-Server verweist auf MCP-spezifische Risiken wie Tool Poisoning und klassische Schwachstellen in Server-Implementierungen. Für produktive Analytics-Workflows heißt das: keine pauschalen Admin-Tokens, keine unnötigen Schreibrechte, keine ungeschützten Remote-Endpunkte, Logging mit Bedacht und klare Trennung zwischen Test-, Agentur- und Kundensystemen.
Einordnung für Unternehmen und Agenturen
Für Agenturen, Shopbetreiber und Marketingteams ist MCP in der Webanalyse kein Dashboard-Ersatz, sondern eine neue Arbeitsebene. Die besten Ergebnisse entstehen nicht aus Fragen wie „Wie war der Traffic?“, sondern aus präzisen analytischen Aufgaben: „Vergleiche organische Landingpages der letzten 30 Tage mit dem Vormonat, markiere Seiten mit steigender Sitzungszahl und fallender Conversion Rate und gib mögliche Ursachen getrennt nach Gerätetyp aus.“ Solche Fragen verbinden Datenabruf, Segmentierung und Interpretation.
Matomo MCP dürfte besonders spannend für datenschutzbewusste Organisationen sein, die Matomo bereits ernsthaft betreiben und ihre Analytics-Daten nicht noch in eine weitere Plattform kopieren wollen. Google Analytics MCP ist vor allem für technische Marketing-Teams interessant, die GA4-Daten regelmäßig mit Claude, Gemini, ChatGPT oder Codex auswerten möchten und bereit sind, die Google-Cloud- und Python-Einrichtung zu beherrschen.
Die bisherigen Erfahrungsberichte legen nahe: MCP verkürzt den Weg zur Antwort erheblich, macht aber schlechte Fragen nicht automatisch gut. Es reduziert Reibung, ersetzt aber weder saubere Tracking-Konzepte noch Datenkompetenz. Wer MCP produktiv einsetzen möchte, sollte daher nicht mit vollautomatisierten Entscheidungen beginnen, sondern mit lesenden Analyse-Workflows: Wochenberichte, Kampagnenvergleiche, Landingpage-Audits, technische Tracking-Kontrollen, AI-Referral-Auswertungen und Meeting-Vorbereitungen.
Fazit
Matomo und Google Analytics zeigen, wohin sich Webanalyse bewegt: weg vom reinen Dashboard, hin zur dialogfähigen Datenquelle. Der entscheidende Fortschritt liegt nicht darin, dass eine KI „magisch“ bessere Zahlen erzeugt, sondern darin, dass Teams schneller von einer Frage zu einem prüfbaren Befund kommen.
Matomo MCP ist für kontrollierte, selbstbestimmte Analytics-Umgebungen besonders interessant. Google Analytics MCP ist die naheliegende Brücke für GA4-Nutzer, bleibt aber experimentell, technisch anspruchsvoll und derzeit read-only. Beide Ansätze sind stark genug, um Analytics-Arbeit spürbar zu verändern, aber nicht reif genug, um menschliche Prüfung zu ersetzen. Wer wichtige Entscheidungen trifft, sollte Zahlen weiterhin im Ursprungssystem gegenprüfen, Rechte eng begrenzen und die KI als Analyseassistenten behandeln — nicht als letzte Instanz.
Verweise
- Offizielle Quellen zu Matomo MCP
- Matomo Blog: Matomo MCP AI now available – Offizielle Matomo-Ankündigung zum MCP Server und zur Anbindung an KI-Werkzeuge wie ChatGPT, Claude und Codex.
- Matomo Marketplace: MCP Server Plugin – Plugin-Seite mit Versionsinformationen, Voraussetzungen, Funktionsumfang und Hinweisen zur On-Premise-Nutzung.
- Matomo FAQ: Configure the Matomo MCP Server – Technische Anleitung zur Einrichtung des Matomo MCP Servers, inklusive Authentifizierung, Tokens, OAuth und Sicherheitsaspekten.
- Matomo MCP: Integrationen mit KI-Werkzeugen
- Matomo FAQ: Integrate the MCP Server with ChatGPT – Matomo-Anleitung zur Verbindung des MCP Servers mit ChatGPT über eine App- beziehungsweise Connector-Konfiguration.
- Matomo FAQ: Integrate the MCP Server with OpenAI Codex – Beschreibung der Codex-Konfiguration für den Zugriff auf Matomo-Daten über den MCP-Endpunkt.
- Matomo FAQ: Integrate the MCP Server with Claude Code – Anleitung zur Nutzung des Matomo MCP Servers mit Claude Code und Hinweise zu Datenschutz und Zugriffskontrolle.
- Offizielle Quellen zu Google Analytics MCP
- Google Developers: Google Analytics MCP Server – Offizielle Google-Dokumentation zum experimentellen GA4 MCP Server, inklusive Hinweis auf den read-only-Zugriff.
- GitHub: googleanalytics/google-analytics-mcp – Offizielles GitHub-Repository des Google Analytics MCP Servers mit Toolübersicht, Installation und API-Anbindung.
- PyPI: analytics-mcp – Offizielles Python-Paket des Google Analytics MCP Servers mit Versions- und Installationsinformationen.
- Drittanbieter-Projekte und Abgrenzung
- PyPI: google-analytics-mcp – Drittanbieter-Paket mit ähnlichem Namen; relevant zur Abgrenzung vom offiziellen Google-Projekt.
- Grundlagen zum Model Context Protocol
- Model Context Protocol Documentation – Grundlagendokumentation zum MCP-Standard und seiner Rolle als Verbindung zwischen KI-Anwendungen, Datenquellen und Tools.
- Erfahrungsberichte und Praxisbeispiele zu Google Analytics MCP
- Two Octobers: Connecting to the Google Analytics MCP with Claude – Erfahrungsbericht zur Einrichtung des offiziellen GA4 MCP Servers mit Claude Desktop.
- Kahunam: How to set up Google Analytics MCP Server – Praxisanleitung zur Einrichtung des Google Analytics MCP Servers, unter anderem mit Gemini.
- Seer Interactive: The future of AI-assisted analytics – Erfahrungsorientierter Beitrag zu Chancen, Produktivitätsgewinnen und Grenzen von KI-gestützter Analytics-Auswertung.
- Coupler.io: How to analyse GA4 with AI – Kritischer Praxistest zur Analyse von GA4-Daten mit KI und MCP, inklusive Hinweisen zu Setup-Aufwand und Fehlinterpretationen.
- Jacob Funnell auf LinkedIn: GA4 MCP Praxiseindruck – Erfahrungsbericht mit konkretem Hinweis darauf, dass die Qualität der Analyse stark von richtig formulierten Fragen und Kennzahlen abhängt.
- Erfahrungsberichte und Praxisbeispiele zu Matomo MCP
- Douli: Matomo MCP and Claude Analytics – Praxisbericht zu einem eigenen Matomo-MCP-Ansatz vor der offiziellen Matomo-Lösung, mit Fokus auf Content- und SEO-Auswertung.
- Sicherheit und Risiken bei MCP-Servern
- arXiv: Security analysis of remote MCP servers – Studie zu Sicherheitsproblemen öffentlich erreichbarer MCP-Server, insbesondere Authentifizierung und ungeschützte Tools.
- arXiv: Security risks in MCP server implementations – Untersuchung zu MCP-spezifischen Risiken wie Tool Poisoning und klassischen Schwachstellen in Server-Implementierungen.