Vibe-coding webové analytiky: audit GA4, GTM a BigQuery s AI

Při auditu analytiky se pořád vracíme ke stejným otázkám. Jak dlouho GA4 drží data? Nepřepisuje platební brána zdroj objednávky? A kam se poděl parametr, který v RAW exportu je, ale v reportu chybí?

Tohle už se dá z velké části projít s Codexem nebo Claude Code. Přes API si načtou nastavení GA4, publikované GTM i data z BigQuery. Když dostanou dobrý checklist, mohou podle něj auditovat a sami dohledávat souvislosti.

Připravil jsem proto repozitář s checklisty a pomocnými skripty. Najdete v něm i AGENTS.md a CLAUDE.md s pravidly pro oba agenty. Výstupem je report s nálezy a návrhy oprav. Samotné opravy si necháme na jindy.

Postup: Co potřebujete · Přístup ke Googlu · Spuštění auditu · Co z auditu dostanete

Co potřebujete

• Nainstalovaný a přihlášený Codex nebo Claude Code. Jejich instalaci popisují oficiální návody.
• Python 3.11+ a Google Cloud CLI.
• Přístup k jedné GA4 property a jednomu webovému GTM kontejneru. BigQuery není podmínkou.

Repozitář si stáhněte z GitHubu přes Code → Download ZIP, rozbalte ho a otevřete v agentovi. Na macOS spusťte ve složce repozitáře tyto příkazy:

python3 -m venv .venv
.venv/bin/python -m pip install -r requirements.txt

Ve Windows použijte PowerShell:

py -3 -m venv .venv
.venv\Scripts\python.exe -m pip install -r requirements.txt

Tím připravíte Python a knihovny pro skripty. gcloud použijeme za chvíli k přihlášení. BigQuery ho samo o sobě nepotřebuje, dotazy lze spouštět přímo přes API.

Přístup ke Googlu

Tady je s přípravou nejvíc práce. Přihlášení do Claude nebo Codexu totiž přístup do vašich Google účtů neřeší.

1. V Google Cloud Console vyberte nebo vytvořte projekt pro API přístupy. Může být jiný než projekt s GA4 exportem.
2. Zapněte v něm Google Analytics Admin API, Google Analytics Data API a Tag Manager API. Pro BigQuery přidejte BigQuery API; pro naplánované dotazy a Dataform také BigQuery Data Transfer API a Dataform API.
3. V Google Auth Platform nastavte aplikaci a její publikum. Pokud jde o externí aplikaci v režimu Testing, přidejte svůj Google účet mezi testovací uživatele.
4. Vytvořte OAuth klienta typu Desktop app a stáhněte jeho JSON. Uložte ho mimo repozitář.
5. V následujícím příkazu upravte cestu k JSON souboru a spusťte ho. Otevře prohlížeč, kde vyberete účet s přístupem k auditovanému webu a potvrdíte oprávnění. Funguje i v PowerShellu.

gcloud auth application-default login --client-id-file="CESTA_K_SOUBORU.json" --scopes="https://www.googleapis.com/auth/analytics.readonly,https://www.googleapis.com/auth/analytics.edit,https://www.googleapis.com/auth/tagmanager.edit.containers,https://www.googleapis.com/auth/cloud-platform"

Použijte opravdu application-default login, běžné gcloud auth login nestačí. Příkaz přepíše dosavadní lokální přihlášení ADC. U externí testovací aplikace počítejte s novým přihlášením po sedmi dnech. Podrobnosti jsou v dokumentaci Googlu.

Účet zároveň musí mít práva v jednotlivých nástrojích: GA4 Editor, GTM Edit bez Publish a u BigQuery Data Editor na vybraném datasetu plus Job User na projektu pro dotazy. Samotná autorizace tato práva nepřidá. Přístupy připravujeme i pro pozdější práci, ale zadání tohoto auditu dovoluje jen číst a navrhovat změny.

Spuštění auditu

Otevřete složku repozitáře v Codexu nebo Claude Code. Napište mu názvy či ID property, GTM kontejneru a případného Cloud projektu. Pak mu zadejte:

Přečti AGENTS.md nebo CLAUDE.md a sdílená pravidla auditu.
Připrav config.json pro dohodnutou property, její webové streamy,
publikovaný GTM kontejner a případný BigQuery projekt.
Ověř přístupy a projdi všechny použitelné body checklistů.
Samostatně dohledávej souvislosti a navrhuj opravy, ale nic neměň.
BigQuery začni jedním dnem; dodržuj společný limit dat a nákladů.
Výsledky ulož do nové složky runs/: report, stav kontrol a CSV parametrů.
Rozlišuj zjištění, hypotézu a to, co se nepodařilo ověřit.

Agent nemusí zůstat u připravených skriptů. Může si napsat vlastní SQL, projít historii dotazů nebo dohledat, kde se konkrétní parametr přejmenovává. Od toho tam je.

Aby audit zbytečně neprocházel terabajty dat, RAW export kontroluje nejprve za jeden dokončený den, maximálně za sedm. Výchozí rozpočet je 10 GiB na dotaz a 50 GiB na celý audit, včetně vlastních dotazů agenta. Historii SQL prochází za posledních 30 dní.

Co z auditu dostanete

Report popíše, co agent našel, o jaká data se opírá a co doporučuje změnit. Kde mu chybí přístup nebo podklady, uvede to.

Pro představu dva modelové příklady:

• Platební brána mezi zdroji objednávek. Agent projde TOP 20 session zdrojů u návštěv s purchase. Když najde třeba GoPay, zjistí podíl a upozorní na pravděpodobný problém s nežádoucími referrals. Konkrétní nastavení je pak potřeba ověřit.
• Parametr se ztrácí při zpracování. product_id přichází někdy jako číslo, jindy jako text. SQL čte jen číselnou hodnotu a u části produktů tak místo ID vrátí NULL. Agent dohledá místo v SQL a doporučí sjednocení typu. U ID obvykle na string, u číselné veličiny podle jejího významu.

Pokud máte RAW export v BigQuery a přístup i rozpočet dovolí jeho kontrolu, dostanete také parameters.csv: parametry a user properties, jejich datové typy, chybějící či zástupné hodnoty a agentův odhad důležitosti. Vedle je prostor pro vaše vlastní hodnocení. Soubor parameter_usage.csv ukazuje dohledané použití v SQL. Některé parametry záměrně nepoužíváte — to samo o sobě není chyba.

Checklist také doporučuje nastavit nejvyšší dostupnou retenci a zapnout Google Signals, pokud tím neutrpí použitelnost důležitých reportů. Ani jedno ale nenahradí správně nastavený sběr dat.

Audit je určený pro webovou GA4, publikované GTM a případné BigQuery. Mobilní aplikace, sGTM a rozpracované workspaces neřeší. Z API také nezjistíte všechno, co se skutečně děje v prohlížeči.

Proto na závěr zkontrolujte web zdarma v AnalyticsProof. Ověříte webovou část měření: cookie lištu, Consent Mode a chování detekovaných měřicích nástrojů.