Vibe Coding in der Webanalyse: GA4, GTM und BigQuery mit KI auditieren

Bei Analytics-Audits tauchen immer wieder dieselben Fragen auf. Wie lange bewahrt GA4 die Daten auf? Wird der Zahlungsanbieter plötzlich als Quelle einer Bestellung ausgewiesen? Und wo ist der Parameter geblieben, der im RAW-Export vorhanden ist, aber im Bericht fehlt?

Vieles davon lässt sich inzwischen mit Codex oder Claude Code untersuchen. Über APIs lesen die Agenten GA4-Einstellungen, den veröffentlichten GTM-Container und Daten aus BigQuery aus. Mit einer guten Checkliste können sie das Audit abarbeiten und dabei selbstständig Zusammenhängen nachgehen.

Dafür habe ich ein Repository mit Checklisten und Hilfsskripten zusammengestellt. Darin stehen auch AGENTS.md und CLAUDE.md mit Regeln für beide Agenten. Das Ergebnis ist ein Bericht mit Befunden und Korrekturvorschlägen. Die Korrekturen selbst nehmen wir uns ein anderes Mal vor.

Ablauf: Was du brauchst · Google-Zugriff · Audit starten · Die Ergebnisse

Was du brauchst

• Codex oder Claude Code, installiert und angemeldet. Die offiziellen Anleitungen erklären die Installation.
• Python 3.11+ und die Google Cloud CLI.
• Zugriff auf eine GA4-Property und einen Web-Container in GTM. BigQuery ist optional.

Lade das Repository auf GitHub über Code → Download ZIP herunter, entpacke es und öffne es im Agenten. Führe unter macOS diese Befehle im Repository-Ordner aus:

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

Unter Windows verwendest du PowerShell:

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

Damit sind die Python-Umgebung und die Bibliotheken für die Skripte vorbereitet. gcloud verwenden wir gleich zur Anmeldung. BigQuery selbst braucht es nicht: Abfragen lassen sich direkt über die API ausführen.

Google-Zugriff

Hier steckt der größte Teil der Vorbereitung. Die Anmeldung bei Claude oder Codex verschafft dem Agenten noch keinen Zugriff auf deine Google-Konten.

1. Wähle in der Google Cloud Console ein Projekt für die API-Zugriffe aus oder erstelle eines. Es muss nicht dasselbe Projekt sein, in dem dein GA4-Export liegt.
2. Aktiviere die Google Analytics Admin API, Google Analytics Data API und Tag Manager API. Für BigQuery kommt die BigQuery API dazu; für geplante Abfragen und Dataform außerdem die BigQuery Data Transfer API und Dataform API.
3. Richte in Google Auth Platform die Anwendung und ihre Zielgruppe ein. Bei einer externen Anwendung im Modus Testing fügst du dein Google-Konto als Testnutzer hinzu.
4. Erstelle einen OAuth-Client vom Typ Desktop app und lade seine JSON-Datei herunter. Speichere sie außerhalb des Repositorys.
5. Passe im folgenden Befehl den Pfad zur JSON-Datei an und führe ihn aus. Im Browser wählst du das Konto mit Zugriff auf die Webanalyse der geprüften Website und bestätigst die Berechtigungen. Der Befehl funktioniert auch in PowerShell.

gcloud auth application-default login --client-id-file="PFAD_ZUR_DATEI.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"

Verwende wirklich application-default login; ein normales gcloud auth login reicht nicht. Der Befehl ersetzt deine bisherigen lokalen ADC-Anmeldedaten. Bei einer externen Testanwendung musst du dich nach sieben Tagen erneut anmelden. Einzelheiten stehen in der Google-Dokumentation.

Das Konto braucht außerdem die passenden Rechte in den einzelnen Diensten: Editor in GA4, Edit ohne Publish in GTM sowie Data Editor für das gewählte BigQuery-Dataset und Job User für das Projekt, in dem die Abfragen ausgeführt werden. Die Autorisierung der Anwendung vergibt diese Rollen nicht. Wir bereiten den Zugriff auch für spätere Arbeiten vor; der Auftrag für dieses Audit erlaubt aber nur das Lesen und das Vorschlagen von Änderungen.

Audit starten

Öffne den Repository-Ordner in Codex oder Claude Code. Nenne dem Agenten die Namen oder IDs der Property, des GTM-Containers und gegebenenfalls des Cloud-Projekts. Gib ihm dann diesen Auftrag:

Lies AGENTS.md oder CLAUDE.md und die gemeinsamen Audit-Regeln.
Erstelle config.json für die vereinbarte Property, ihre Web-Streams,
den veröffentlichten GTM-Container und gegebenenfalls das BigQuery-Projekt.
Prüfe die Zugriffe und arbeite alle anwendbaren Checklistenpunkte ab.
Untersuche Zusammenhänge selbstständig und schlage Korrekturen vor,
ändere aber nichts. Beginne in BigQuery mit einem Tag und halte
die gemeinsamen Daten- und Kostenlimits ein.
Speichere die Ergebnisse in einem neuen Ordner unter runs/:
Bericht, Prüfstatus und Parameter-CSVs.
Unterscheide Befunde, Hypothesen und nicht überprüfbare Punkte.

Der Agent muss sich nicht auf die mitgelieferten Skripte beschränken. Er kann eigenes SQL schreiben, den Abfrageverlauf durchgehen oder nachsehen, an welcher Stelle ein Parameter umbenannt wird. Genau dafür ist er da.

Damit das Audit nicht unnötig Terabytes durchsucht, beginnt es beim RAW-Export mit einem abgeschlossenen Tag und prüft höchstens sieben Tage. Das Standardbudget beträgt 10 GiB pro Abfrage und 50 GiB für das gesamte Audit, einschließlich der eigenen Abfragen des Agenten. Beim SQL-Verlauf betrachtet er die letzten 30 Tage.

Die Ergebnisse

Der Bericht beschreibt die Befunde, die zugehörigen Belege und die empfohlenen Änderungen. Fehlende Zugriffsrechte oder Unterlagen werden ebenfalls genannt.

Zwei Beispiele zur Veranschaulichung:

• Ein Zahlungsanbieter taucht als Quelle von Bestellungen auf. Der Agent prüft die 20 häufigsten Sitzungsquellen bei Sitzungen mit purchase. Findet er beispielsweise GoPay, ermittelt er dessen Anteil und weist auf ein wahrscheinliches Problem mit unerwünschten Verweisen hin. Die konkrete Einstellung muss anschließend überprüft werden.
• Ein Parameter geht bei der Verarbeitung verloren. product_id kommt teils als Zahl, teils als Text an. Das SQL liest nur den Zahlenwert und liefert deshalb für manche Produkte NULL statt einer ID. Der Agent findet die betreffende SQL-Stelle und empfiehlt einen einheitlichen Typ: bei IDs meist String, bei numerischen Größen einen zu ihrer Bedeutung passenden Zahlentyp.

Wenn ein RAW-Export in BigQuery vorhanden ist und Zugriffsrechte sowie Budget die Prüfung erlauben, erhältst du auch parameters.csv: Parameter und Nutzereigenschaften, ihre Datentypen, fehlende Werte oder Platzhalter sowie eine Einschätzung ihrer Wichtigkeit durch den Agenten. Daneben ist Platz für deine eigene Bewertung. parameter_usage.csv zeigt die im SQL gefundene Verwendung. Manche Parameter werden bewusst nicht genutzt; das allein ist kein Fehler.

Die Checkliste empfiehlt außerdem die längste verfügbare Datenaufbewahrung und das Aktivieren von Google Signals, sofern wichtige Berichte dadurch nicht an Nutzbarkeit verlieren. Beides ersetzt keine sauber eingerichtete Datenerfassung.

Das Audit umfasst GA4 für Websites, veröffentlichtes GTM und gegebenenfalls BigQuery. Mobile Apps, sGTM und Workspaces mit unveröffentlichten Änderungen sind nicht enthalten. Auch über APIs lässt sich nicht alles feststellen, was tatsächlich im Browser passiert.

Prüfe deshalb zum Abschluss deine Website kostenlos mit AnalyticsProof. Damit kontrollierst du die Web-Seite des Trackings: Cookie-Banner, Consent Mode und das Verhalten erkannter Tracking-Tools.