GSC＋GA4統合でSEO改善提案を自動化するClaude Codeスキル

この記事の著者

株式会社Nexa 代表取締役川島 陸

一橋大学経済学部卒業後、フォーティエンスコンサルティング株式会社（旧 株式会社クニエ）にて法人向けAI導入支援等を経験。独立後、AI系メディア運営やDify/n8nの導入支援を経て、株式会社Nexaを創業。法人向けAI研修・AI導入支援・AI関連メディア運営を手掛ける。

詳しく見る無料相談をする

「SEOのデータを見ているだけで、具体的に何をすべきかわからない」という状況に陥った経験はないでしょうか。

Google Search Console（GSC）とGA4はどちらも強力なツールですが、それぞれ単体では「どの記事をどう改善すべきか」という答えを直接教えてはくれません。GSCは検索パフォーマンスをデータとして見せてくれますが、そのページに訪問したユーザーがどう行動したかはわかりません。GA4はユーザー行動を詳細に記録していますが、どのキーワードから来たのかという検索意図との紐付けが難しいのです。

この記事では、あるメディアサイトで実際に構築・運用している「Claude CodeによるGSC＋GA4統合SEO改善提案の自動化」の仕組みを解説します。2つのデータを統合分析し、優先度付きの改善提案レポートを毎日自動生成する手順を、具体的な実装経験をもとにご紹介します。

なぜGSCとGA4を「統合」する必要があるのか

GSCとGA4を別々に見ていると、重要な判断を見落とすことがあります。2つのデータを統合して初めて、「この記事は何が問題で、どう改善すべきか」が明確になります。

GSCが教えてくれること

GSCは検索パフォーマンスの情報源です。主に以下のデータを取得できます。

特に重要なのは「掲載順位10〜20位のキーワード」です。1ページ目に表示されているが下位にある記事は、少しの改善でクリック数を大幅に増やせる可能性があります。このような記事は「順位押し上げ候補」として優先度高く対処すべきターゲットです。

GA4が教えてくれること

GA4はユーザーの行動データを記録します。

エンゲージメント率が低い記事は、「ユーザーの期待を満たしていない可能性が高い」記事です。コンテンツの質・構成・情報の鮮度に問題があることが多く、リライトの優先候補になります。

統合することで見えてくること

2つのデータを組み合わせると、以下のような判断ができるようになります。

この分類を毎日手動で行うのは非常に工数がかかります。Claude Codeのスキルを活用すれば、この判断を自動化できます。

Claude Codeで構築する3層スキル構造

あるメディアサイトで実際に構築した仕組みは、以下の3つのスキルを連携させたチェーン構造になっています。

各スキルはClaude CodeのSKILL.md形式で記述され、独立して実行することも、チェーンとして組み合わせることも可能です。

第1層: GSCスキルで検索パフォーマンスを自動取得

GSCスキルは、Google Search Console APIをサービスアカウント経由で操作するPythonスクリプトをラップしたものです。主要なコマンドは以下の通りです。

# サマリー取得（クリック数・表示回数・CTR・平均順位）python3 gsc_query.py summary# 検索クエリ上位30件の取得python3 gsc_query.py queries --limit 30# ページ別パフォーマンス上位30件の取得python3 gsc_query.py pages --limit 30# 改善機会の分析（CTR改善候補・順位改善候補を抽出）python3 gsc_query.py opportunities

詳細な設定手順については、Google Search Consoleのデータ取得をClaude Codeで自動化をご参照ください。

第2層: GA4スキルでユーザー行動を自動取得

GA4スキルは、GA4 Data APIを通じてアクセスデータを取得し、Markdownレポートとして出力します。

# 総合レポート生成（セッション・PV・エンゲージ率・滞在時間）python3 ga4_report.py summary --output /tmp/ga4-report.md# ページ別パフォーマンス（エンゲージ率が低いページを抽出）python3 ga4_report.py pages --limit 30 --output /tmp/ga4-pages.md

詳細な構築手順については、GA4のデータをClaude Codeで取得してSEOレポートを自動生成をご参照ください。

第3層: SEO改善提案スキルで統合分析・提案生成

第3層のスキルが、2つのデータを読み込んで統合分析を行います。SKILL.mdには以下の手順が記載されています。

1. GSCスキルを実行し、全データを取得する2. GA4スキルを実行し、レポートを /tmp/ga4-report.md に保存する3. 両方のデータを読み込み、以下の7カテゴリで改善候補を分類する4. 全文を省略なく出力する

7つの改善カテゴリとは以下の通りです。

スキル設計のポイントと実装の注意点

実際に構築する過程では、いくつかの設計上の教訓がありました。これらを先にお伝えすることで、同様のつまずきを避けられます。

当初はフェーズ構造が複雑すぎた

最初の設計では、スキルを「フェーズ1: データ収集」「フェーズ2: 統合分析」「フェーズ3: 提案生成」「フェーズ4: レポート出力」という4フェーズに分けていました。しかし実際に実行してみると、フェーズの区切りでClaudeが途中で確認を求めたり、前のフェーズの出力を次のフェーズに正しく引き継げないことがありました。

また、最初のレポートにはGA4データが含まれておらず、GSCのデータのみで改善提案が生成されるという問題も起きました。

シンプルな4ステップに整理する

試行錯誤の結果、最終的には以下のシンプルな構造に落ち着きました。

1. GSCスキルを実行してデータを取得する（summary, queries, pages, opportunities）2. GA4スキルを実行してレポートを /tmp/seo-report-ga4.md に保存する3. /tmp/seo-report-ga4.md を読み込み、GSCデータと照合して7カテゴリで分類する4. GSCの全数値とGA4の全数値を省略せず記載し、改善すべき記事と方向性を提示する

「フェーズなし、省略なし」というシンプルさが重要です。Claudeに対してはできる限り明確で一直線な指示が有効です。

改善提案の7カテゴリを事前に定義する

判断ロジックをスキルの中に事前定義しておくことで、毎回の出力品質が安定します。「CTRが〜%以下ならCTR改善候補」「エンゲージ率が〜%以下なら低エンゲージ候補」という数値基準をSKILL.md内に明記することが大切です。

cronで毎日自動実行する設定方法

スキルが完成したら、OpenClawのcronジョブ機能を使って毎日自動実行する設定を行います。

cronジョブの基本設定

OpenClawの ~/.openclaw/cron/jobs.json に以下のような設定を追加します。

{  "name": "seo-improvement",  "enabled": true,  "schedule": "30 9 * * *",  "timezone": "Asia/Tokyo",  "timeout": 600,  "message": "以下のスキルファイルを読み込み、ワークフローを実行してください。\n\nスキルファイル: /Users/[username]/.claude/skills/seo-improvement/SKILL.md"}

Slack通知の設定

cronジョブの実行結果をSlackに通知するには、delivery 設定が重要です。実際の構築時に、以下の設定が正しく動作することを確認しています。

"delivery": {  "channel": "slack",  "to": "channel:[SlackチャンネルID]"}

"channel": "last" という設定では通知が届かないケースがありました。必ず "slack" と明示してください。

実行モデルの選定

初回実行時にモデル選定で問題が起きた事例があります。具体的には、「thinkingモード」と「タイムアウト設定」の組み合わせを調整する必要が生じました。

最終的には以下の設定で安定動作しています。

Claude Codeによるスキル構築の手順や自社への適用方法について、個別にご相談いただけます。「どこから始めればいいかわからない」という段階から対応しています。

実際のレポートで改善優先度をどう判断するか

自動生成されたレポートには、GSCとGA4の全数値が掲載され、その下に改善提案が並びます。レポートの読み方のポイントを説明します。

「CTR改善候補」の見方

表示回数は多いのにCTRが低い記事は、「検索結果には表示されているがクリックされていない」状態です。改善の方向は主にタイトルとメタディスクリプションです。

実務での活用ポイント: CTR改善候補に上がった記事のタイトルを、競合上位記事のタイトルと比較してみましょう。「何を得られるか」「誰向けか」が明確なタイトルに変更するだけでCTRが改善するケースが多いです。

「低エンゲージ候補」の見方

エンゲージメント率が低い記事は、訪問したユーザーが期待した情報を得られていない可能性があります。改善の方向は、コンテンツの構成見直し・情報の更新・実践的な内容の追加です。

GA4のAI流入元分析も参照しながら、どの流入元からのユーザーが特にエンゲージが低いかを確認することで、リライトの方向性が明確になります。

実務での活用ポイント: エンゲージ率が低い記事は、記事の冒頭200文字を改善するだけで大きく変わることがあります。まず「この記事を読むと何がわかるか」を明確に提示することから始めましょう。

「順位押し上げ候補」の見方

掲載順位が11〜20位の記事は、内部リンクの強化・コンテンツの充実・FAQセクションの追加などで1ページ目に押し上げられる可能性が高い記事です。

実務での活用ポイント: 11位〜20位の記事に対しては、まず1位〜5位の記事の構成を分析し、不足している情報や見出しを追加するリライトが有効です。

この仕組みを構築することで得られる効果

手動分析との工数比較

週1回の手動分析を毎日の自動分析に切り替えることで、改善サイクルを大幅に短縮できます。

分析頻度向上による効果

2026年の調査（Stormy AI）によると、64%の高成長マーケティングチームがCLIベースのエージェントを使用して技術的SEOを管理しています。手動分析では週1回が限界でしたが、自動化により毎日のデータ確認が可能になります。

これにより、急激な順位低下や新たなキーワードチャンスを即日発見し、迅速に対応できるようになります。

よくある質問

Q. GSCとGA4のどちらを優先すれば良いですか？

どちらか一方ではなく、両方を統合することが重要です。GSCは「検索からどう見つけられているか」、GA4は「見つけた後にどう行動しているか」を測ります。CTRが低いならGSCデータ（タイトル・メタ改善）、エンゲージ率が低いならGA4データ（コンテンツ改善）が改善の出発点になります。

Q. 非エンジニアでもこのスキルを構築できますか？

Claude Codeのスキル構築は、プログラミングの専門知識がなくても取り組めます。ただし、GSCとGA4のAPIアクセス設定（サービスアカウントの作成・権限付与）にはGCPコンソールの操作が必要で、初期設定に数時間かかることがあります。Claude Code個別指導では、この初期設定から丁寧にサポートしています。

Q. スキルをOpenClaw以外の環境で動かすことはできますか？

Claude Codeのスキル自体はどの環境でも動作します。cronによる自動実行はOpenClawに依存しますが、macOSのlaunchdやLinuxのcrontabを使って同様の仕組みを構築することも可能です。

Q. 改善提案の精度を上げるにはどうすればいいですか？

SKILL.md内の判断基準（数値の閾値）を自サイトの特性に合わせてチューニングすることが有効です。例えば、BtoBメディアではエンゲージ率の基準を高めに設定するなど、業種・サイト特性に合わせた調整が精度向上につながります。

まとめ

GSCとGA4を統合してClaude Codeで改善提案を自動化するには、以下の3点がポイントです。

• 3層スキル構造を構築する: GSC取得→GA4取得→改善提案生成のチェーンを設計する
• シンプルな4ステップのSKILL.mdを書く: フェーズ構造より「1. ○○ 2. ○○」の一直線な指示が有効
• cronで毎日自動実行する: OpenClawのcronジョブ + Slack通知で毎朝改善候補を確認できる仕組みを作る

手動で毎週2〜4時間かけていたSEO分析が、毎日3〜5分の自動実行に変わります。改善のサイクルを短縮することで、SEO施策の効果を着実に積み重ねられるようになります。

まずは第1層のGSCスキルから構築し、データが取得できることを確認したうえで、GA4スキル→改善提案スキルと順番に組み立てていくことをお勧めします。