Bot Slack z AI odpowiadający na pytania o dane GA4 — n8n krok po kroku

Najczęstsze pytania o dane w e-commerce nie wymagają analityka — wymagają dostępu. „Ile mieliśmy wczoraj sesji z płatnych?”, „jak konwersja tydzień do tygodnia?” — odpowiedź zajmuje 30 sekund, ale tylko temu, kto zna interfejs GA4. Reszta organizacji pisze do analityka i czeka. Analityk przerywa pracę i wyklikuje raport. Obie strony tracą.

Bot Slack z n8n i agentem AI zdejmuje ten problem: pytanie naturalnym językiem w kanale, odpowiedź z danych GA4 w kilka sekund. Wdrożyłem to jako narzędzie wewnętrzne — kontekst biznesowy opisuję w case study Bot Slack + GA4 + LLM, a tutaj przechodzę przez pełny proces techniczny, razem z decyzjami, które w tutorialach zwykle pomija się milczeniem.

Bot Slack z danymi GA4 — jak korzysta z niego zespół

Zero szkoleń, zero nowych narzędzi. Ktoś z marketingu pisze w kanale:

@AnalyticsBot ile sesji z Google Ads mieliśmy w tym tygodniu vs poprzedni?

Bot odpowiada w wątku po kilku sekundach: liczby, zakres dat, krótki komentarz. Dzięki pamięci konwersacji działają dopytania — „a w rozbiciu na urządzenia?” — bez powtarzania kontekstu. Nikt nie loguje się do GA4, nikt nie czeka na analityka.

Decyzje architektoniczne — dlaczego ten stack

Decyzja	Alternatywy	Dlaczego tak
n8n self-hosted	n8n Cloud, Make, Zapier	Stały koszt niezależny od liczby pytań — Make/Zapier liczą per operacja, a bot pytany kilkadziesiąt razy dziennie robi się drogi. Dane przechodzą przez własną infrastrukturę. Natywny node AI Agent z tool callingiem.
VPS na Hostingerze	Hetzner, Railway, Render	Gotowy szablon n8n — deploy w minuty zamiast ręcznej konfiguracji. Kilkadziesiąt złotych miesięcznie. Hetzner równie dobry, ale bez szablonu.
Claude (Anthropic)	GPT-4, Gemini Pro	O jakości bota decyduje tool calling — poprawne budowanie zapytań do GA4 API. Działa z każdym z trzech; wybierz tego dostawcę, z którym organizacja ma już umowę.
Service Account	OAuth pracownika	Bot nie może zależeć od czyjegoś konta — odejście z firmy = martwa integracja. SA z rolą Viewer to least privilege: tylko odczyt.

Ile to kosztuje

Stałe składowe są tanie: VPS to kilkadziesiąt złotych miesięcznie, Slack App jest darmowa. Zmienna i niedoszacowywana pozycja to model LLM, i tu warto policzyć uczciwie, bo „grosze za pytanie” to mit.

Jedno pytanie do agenta to nie jeden request do API. Agent działa w pętli: rozumuje, woła narzędzie GA4, dostaje dane, rozumuje ponownie, odpowiada. Każda iteracja wysyła ponownie cały kontekst — system prompt, definicje narzędzi, historię i dane z GA4. Z włączoną pamięcią i dopytaniami kontekst narasta. Realnie jedno pytanie to ~6 tys. tokenów wejścia i ~800 wyjścia, skumulowanie przez 2–3 iteracje.

Model (cennik input/output za 1M)	Koszt/pytanie	50 osób × ~200 pytań/dzień	150 osób × ~600 pytań/dzień
Claude Haiku 4.5 ($1 / $5)	~$0,01	~240 zł/mies.	~720 zł/mies.
Claude Sonnet 4.6 ($3 / $15)	~$0,03	~720 zł/mies.	~2 100 zł/mies.
Claude Opus 4.8 ($5 / $25)	~$0,05	~1 200 zł/mies.	~3 600 zł/mies.

Ceny modeli Anthropic, stan na czerwiec 2026. Kwoty miesięczne przeliczone po ~4 zł/USD przy ~30 dniach. Cenniki LLM zmieniają się — przed wdrożeniem zweryfikuj aktualne stawki u dostawcy.

Dla jednoosobowego użytku to faktycznie grosze. Dla dużego e-commerce ze 150 osobami pytającymi codziennie — od ~720 do ~3 600 zł miesięcznie zależnie od modelu, czyli wielokrotność kosztu VPS. Dwa zastrzeżenia, o których trzeba wiedzieć:

Cennik API się zmienia. Stawki bywają korygowane w górę; nie buduj budżetu na założeniu, że dzisiejsza cena jest stała.
Abonament (Claude Pro, ChatGPT Plus) to nie alternatywa dla bota. Płaski abonament obejmuje interfejs czatu dla człowieka, nie dostęp programistyczny. n8n potrzebuje klucza API — automatyzacja zawsze płaci per-token, co jest z natury droższe niż abonament. To nie jest wybór; to ograniczenie architektury.

Prompt caching — dlaczego pętla nie musi kosztować ×3

Dźwignia, która realnie tnie koszt pętli, to prompt caching. Żeby zobaczyć, skąd biorą się oszczędności, trzeba rozłożyć trzy pojęcia:

Pętla (agentic loop) — model nie odpowiada jednym strzałem. Na jedno pytanie wykonuje serię kroków: rozumuje → woła narzędzie GA4 → dostaje dane → rozumuje ponownie → odpowiada. Każdy krok to osobne wywołanie API, które wysyła ponownie cały dotychczasowy kontekst. Stąd jedno pytanie to 2–3 wywołania, nie jedno.
System prompt — stały blok instrukcji doklejany na początek każdego wywołania: persona agenta, biała lista metryk GA4, definicje narzędzi. Ten fragment jest identyczny w każdej iteracji — nie zmienia się między krokami.
cache_control — znacznik mówiący API „zapamiętaj wszystko do tego miejsca”. Przy kolejnym wywołaniu z identycznym prefiksem API nie przelicza go od nowa, tylko odczytuje z cache za ~0,1× ceny wejścia. Cache żyje ~5 minut — a że iteracje jednego pytania dzieją się w sekundach, prefiks jest „ciepły” przez całą pętlę.

Poniżej to, co realnie leci na serwery Anthropic, gdy ktoś zada jedno pytanie:

    Slack → @AnalyticsBot ile sesji z Google Ads w tym tygodniu?
  

↓ agent uruchamia pętlę ↓

ITERACJA 1 — model rozumuje i woła narzędzie GA4

System prompt + definicje narzędzi (~2 000 tokenów) stałe · zapis do cache ×1,25*

Pytanie użytkownika zmienne · pełna stawka

↓ wynik z GA4 wraca do modelu ↓

ITERACJA 2 — model formułuje odpowiedź

Ten sam system prompt + definicje narzędzi odczyt z cache ×0,1*

Pytanie + dane z GA4 zmienne · pełna stawka

Zielony prefiks jest w obu iteracjach identyczny — od iteracji 2 czyta się go z cache za ~0,1× zamiast pełnej stawki. Fioletowy fragment (pytanie, dane z GA4) zmienia się i zawsze idzie pełną stawką. Stąd reguła: stałe na górze, zmienne na dole.

* Liczby przy cache to mnożniki ceny input danego modelu (z tabeli wyżej), nie kwoty absolutne — i są to stawki cennikowe Anthropic, nie wartości wyliczone. Zapis prefiksu do cache kosztuje ×1,25 przy domyślnym 5-minutowym TTL (×2 przy 1-godzinnym), a każdy późniejszy odczyt ×0,1. Mnożniki są identyczne dla wszystkich modeli Claude.

Związek z architekturą pamięci: pamięć konwersacji (w n8n — Simple Memory) sprawia, że kontekst rośnie z każdym dopytaniem, a pętla wysyła go w całości przy każdym kroku — im dłuższa rozmowa, tym więcej zyskujesz na cache’owaniu stałego prefiksu. Warunek konstrukcyjny widać na diagramie: stałe elementy muszą iść na początku, bo cache to dopasowanie prefiksu — dowolna zmiana powyżej zmiennej części unieważnia go w całości.

Zastrzeżenie: zadziała tylko, jeśli używany node w n8n wystawia cache_control — natywne node’y oparte na LangChain nie zawsze to robią. Sprawdź to, zanim wliczysz oszczędność w budżet.

Czego potrzebujesz

Narzędzie	Rola	Co przygotować
n8n (self-hosted)	Silnik workflow	VPS + Docker Compose, HTTPS
GA4 Data API	Źródło danych	Service Account + rola Viewer w GA4 + włączona Google Analytics Data API w projekcie GCP
LLM provider	Mózg agenta	Klucz API (Anthropic / OpenAI / Google)
Slack	Interfejs	Slack App + Bot token: `chat:write`, `app_mentions:read`

n8n bot Slack GA4 — wdrożenie krok po kroku

Krok 1 — n8n na VPS

Najprostsza droga: na Hostingerze wybierz szablon n8n przy tworzeniu VPS. Instalacja z Dockerem, reverse proxy i certyfikatem HTTPS jest gotowa, a kluczowe zmienne środowiskowe są ustawione za Ciebie — dlatego przy tej ścieżce nie dotykasz N8N_HOST ani WEBHOOK_URL. To nie jest pominięcie kroku; szablon po prostu wykrywa publiczny adres i wstawia te wartości sam.

Te zmienne stają się istotne dopiero przy ręcznej konfiguracji (Ubuntu 22.04, własny docker-compose.yml, reverse proxy nginx/Caddy) — i warto rozumieć, po co istnieją:

WEBHOOK_URL to najważniejsza z nich. n8n stojące za reverse proxy domyślnie nie wie, pod jakim publicznym adresem jest dostępne — widzi tylko swój wewnętrzny localhost:5678. Bez tej zmiennej node Slack Trigger wygeneruje webhook URL wskazujący na localhost, którego Slack nigdy nie osiągnie. WEBHOOK_URL mówi n8n: „adresy webhooków buduj względem tej publicznej domeny”. Na szablonie Hostingera ten problem nie występuje, bo instalacja zna swój adres od startu.
N8N_HOST to hostname, pod którym n8n uznaje, że działa — używany przy generowaniu linków w interfejsie. Mniej krytyczny niż WEBHOOK_URL, ale w setupie za proxy warto ustawić go spójnie.

Niezależnie od ścieżki HTTPS jest obowiązkowy — Slack odrzuca webhooki bez TLS. W szablonie certyfikat jest gotowy; przy ręcznej konfiguracji Caddy załatwia go automatycznie.

Krok 2 — Service Account i GA4

W projekcie GCP włącz Google Analytics Data API (Biblioteka API) — bez tego każde wywołanie skończy się błędem 403 i będziesz szukać winy w złym miejscu
IAM → Service Accounts → utwórz (np. n8n-ga4-reader) → wygeneruj klucz JSON
GA4 Admin → Zarządzanie dostępem → dodaj e-mail SA z rolą Viewer — bot tylko czyta, nigdy nie dawaj więcej

W n8n: credential Google Analytics (Service Account) + wklej JSON.

Krok 3 — Slack App

api.slack.com/apps → Create App. OAuth Scopes: chat:write (odpowiadanie), app_mentions:read (reagowanie na wzmianki), channels:history (kontekst wątku). W n8n dodaj node Slack Trigger na event app_mention — to on wygeneruje webhook URL, który wklejasz w Event Subscriptions po stronie Slacka. Weryfikację url_verification n8n obsługuje sam.

Krok 4 — Workflow

Slack Trigger
→
AI Agent
model + pamięć
→
GA4 Tool
→
Slack
Send Message

Slack Trigger odbiera pytanie, agent z pamięcią i narzędziem GA4 buduje odpowiedź i odsyła ją do kanału.

Slack Trigger — nasłuchuje app_mention, przekazuje tekst, channel_id i thread_ts
AI Agent — wariant Tools Agent (nie ReAct — starszy wariant nie wspiera poprawnie narzędzi razem z pamięcią); w polu Chat Model podpinasz wybranego providera
Simple Memory — jako Session Key ustaw kombinację kanału i wątku (np. {{ channel_id }}-{{ thread_ts }}), inaczej rozmowy różnych osób będą mieszać sobie kontekst
GA4 Tool — propertyId + zamknięta lista metryk i wymiarów
Slack → Send Message — odpowiedź do wątku z thread_ts

Krok 5 — Prompt systemowy

Prompt mapuje język biznesowy na metryki GA4. Minimalny starter:

Jesteś analitykiem danych. Odpytuj GA4 Data API w odpowiedzi na pytania zespołu.
Dostępne metryki: sessions, activeUsers, screenPageViews, conversions, totalRevenue.
Dostępne wymiary: date, sessionDefaultChannelGroup, deviceCategory, country.
Odpowiadaj zwięźle po polsku. Zawsze podaj zakres dat użyty w zapytaniu.

Zamknięta lista pól to nie wygoda, tylko konieczność: LLM-y chętnie zmyślają nazwy metryk, a każda zmyślona nazwa to błąd 400 z API. Whitelist w prompcie + opisie narzędzia eliminuje większość takich przypadków.

Krok 6 — Format odpowiedzi

Slack używa mrkdwn (podzbiór Markdownu). Dopisz w prompcie, by agent pogrubiał kluczowe liczby i cytował (>) interpretację pytania — czytelnik od razu widzi, czy bot dobrze zrozumiał, o co pytano.

Pułapki, których nie ma w tutorialach

Reguła 3 sekund Slacka. Slack wymaga potwierdzenia eventu w 3 s — inaczej wysyła go ponownie i bot odpowiada dwa albo trzy razy na jedno pytanie. Node Slack Trigger potwierdza od razu; jeśli budujesz na generycznym Webhooku, ustaw odpowiedź natychmiastową, nie po zakończeniu workflow.
Simple Memory żyje w pamięci procesu. Restart kontenera = czysta historia rozmów. Do jednorazowych pytań o bieżące dane wystarcza; jeśli potrzebujesz ciągłości, podmień na Redis Memory lub Postgres.
Halucynacje pól API. Opisane w kroku 5 — whitelist metryk to pierwsza linia obrony i warto ją utrzymywać w jednym miejscu.

Wszystko powyżej dotyczy workflow, który budujesz sam — znasz każdy węzeł, bo sam go wstawiłeś. Cudzy gotowiec z marketplace to odwrotna sytuacja: oszczędza czas, ale przemyca własne miny, prawne i techniczne. Rozbieram je w audycie szablonu n8n.