Matomo identifie et trace les interactions des chatbots via sa suite AI Assistants, en fournissant des métriques dédiées au trafic IA (source : annonce Matomo, Hannah Kaufhold). Lisez la suite pour exploiter ces données et fiabiliser vos analytics tout en préservant la confidentialité.
Que mesure le suivi des chatbots Matomo
Le suivi des chatbots Matomo collecte des métriques dédiées au trafic IA (nombre d’interactions, sessions bot, intents, durée moyenne, conversions issues de l’IA, temps de réponse et métadonnées de l’assistant).
Chaque métrique a une définition opérationnelle, une utilité claire et une méthode de remontée que Matomo supporte via événements (pour actions ponctuelles), dimensions personnalisées (pour segments et filtres) et objectifs/rapports (pour conversions).
- Nombre d’interactions : Compte total des messages échangés entre l’utilisateur et le bot. Utile pour mesurer l’engagement brut et la charge. À exposer comme événement «chat_interaction» avec une dimension personnalisée «assistant_id».
- Sessions bot : Regroupe une série d’interactions liées à un même contexte utilisateur (session_id). Utile pour analyser le parcours et le taux de rebond bot. À exposer via une dimension personnalisée «session_id» et un événement de début/fin de session.
- Intents : Intentions détectées par le NLU (ex : «demande_prix»). Utile pour analyse sémantique et optimisation des flux. À exposer comme dimension personnalisée ou événement «intent_detected» avec score de confiance.
- Durée moyenne : Temps moyen passé dans la session bot ou sur une interaction. Utile pour mesurer complexité et friction. À exposer via événements temporels et calcul en report.
- Conversions issues de l’IA : Actions business réalisées suite à une interaction (formulaire soumis, achat, lead). Utile pour attribuer valeur commerciale. À enregistrer comme objectif Matomo ou événement «conversion».
- Temps de réponse : Latence entre la requête utilisateur et la réponse du bot (ms). Utile pour SLA et expérience utilisateur. À exposer comme champ numérique dans l’événement.
- Métadonnées de l’assistant : Version du modèle, canal, fallback utilisé. Utile pour diagnostics et tests A/B. À exposer via dimensions personnalisées.
La différence principale entre interaction et session bot tient à la granularité : l’interaction est un échange unique message/réponse, tandis que la session bot regroupe plusieurs interactions liées par un même session_id et un même objectif utilisateur. En marketing, on utilise les intents pour segmenter campagnes. En support, on suit le taux de résolution par session. En produit, on analyse les temps de réponse pour prioriser optimisations.
Formez-vous à Matomo !
Apprendre à utiliser Matomo, c'est faire le choix d'une solution d'analyse web éthique, flexible et puissante. Nos formations Matomo vous apprendront à prendre le contrôle total de vos données, en respectant la vie privée de vos utilisateurs et en profitant d'une communauté dynamique, Matomo se présente comme une alternative de choix face aux solutions traditionnelles d'analyse.
Schéma d’événement recommandé (champs et types) :
| assistant_id | string |
| session_id | string |
| user_id_anonymized | string |
| intent | string |
| confidence | float |
| response_time_ms | integer |
| outcome | string (conversion|none) |
Exemple pseudo-requête HTTP POST (style Matomo Tracking API). À adapter strictement aux docs officielles Matomo.
POST /matomo.php
Content-Type: application/x-www-form-urlencoded
idsite=1
&rec=1
&action_name=chat_interaction
&ec=chatbot
&ea=interaction
&evar1=assistant_42
&evar2=session_abc123
&evar3=user_xxx
&custom_intent=demande_prix
&custom_confidence=0.87
&custom_response_time=240
&custom_outcome=conversion
Tableau synthèse :
| Métrique | Finalité | Méthode |
| Nombre d’interactions | Mesurer engagement | Event |
| Sessions bot | Analyser parcours | CustomDimension + Event |
| Intents | Segmentation sémantique | CustomDimension / Event |
| Durée moyenne | Évaluer friction | Event (timestamps) |
| Conversions IA | Attribuer valeur | Goal / Event |
| Temps de réponse | Suivre performance | Event (numérique) |
| Métadonnées assistant | Diagnostics et A/B | CustomDimension |
Pourquoi différencier trafic IA et trafic humain
Il est crucial de distinguer trafic IA et humain pour garantir la qualité des insights, l’attribution des conversions et la conformité RGPD.
Un mélange non filtré produit des conséquences concrètes et mesurables. Les taux de conversion deviennent biaisés lorsque les interactions automatiques gonflent les sessions sans intention d’achat réelle. Les décisions produit s’appuient alors sur des comportements artificiels, entraînant des développements inutiles ou mal ciblés. Les budgets marketing se retrouvent mal alloués parce que le retour sur investissement des campagnes est sur- ou sous-estimé selon la part d’IA dans les volumes. Les modèles de facturation basés sur le volume de requêtes risquent d’engendrer des coûts additionnels si le trafic bot n’est pas séparé.
L’attribution multi-touch souffre fortement du bruit IA. Les règles d’attribution replissent les « touches » avec des interactions non humaines, ce qui fausse l’identification des leviers réellement efficaces. Le machine learning appliqué aux métriques dépend de données propres : un modèle d’optimisation alimenté par des données polluées produira des prédictions et des recommandations erronées, voire dangereuses pour le business.
La confidentialité et le consentement imposent des contraintes légales et éthiques. Anonymiser consiste à supprimer ou transformer les identifiants directs (IP, user_id) pour empêcher toute ré-identification. Minimiser signifie ne collecter que les champs strictement nécessaires à l’analyse. La CNIL préconise ces principes dans le cadre du RGPD, et un traitement IA/humain séparé facilite le respect des droits d’accès et d’effacement.
Je recommande des règles opérationnelles :
- Marquer clairement les sessions IA avec un flag dédié au niveau du tag ou du serveur de collecte.
- Conserver les données IA sur des durées courtes et séparées des données utilisateur persistantes.
- Anonymiser et/ou pseudonymiser les champs sensibles avant stockage centralisé.
- Offrir un opt-out pour les utilisateurs humains et documenter les règles de consentement.
- Documenter le data lineage pour tracer l’origine, les transformations et l’usage des données.
Bonnes pratiques opérationnelles :
- Mettre en place des tests de détection automatique des patterns bot.
- Filtrer à la source plutôt qu’en aval pour réduire le bruit.
- Versionner les règles de marquage et les garder auditées.
Mini-checklist à appliquer immédiatement :
- Activer un flag IA sur les endpoints de chatbot.
- Appliquer anonymisation IP et suppression des champs non nécessaires.
- Limiter la rétention des sessions identifiées comme IA.
- Documenter et stocker la preuve du consentement côté utilisateur.
Comment configurer le suivi chatbot dans Matomo
Activez et paramétrez la suite AI Assistants dans Matomo, puis envoyez des événements structurés depuis le chatbot (client ou serveur) en remplissant des dimensions personnalisées pour assistant, intent et confiance.
1) Activez AI Assistants dans l’interface Matomo (voir l’annonce officielle de Matomo sur AI Assistants). 2) Définissez des Custom Dimensions : créez au minimum assistant_id, intent et channel (ou confidence pour la confiance). 3) Choisissez entre tracking client vs server : voici les avantages et limites.
- Choix – Client (navigateur) : Facile à intégrer côté front, capture du contexte utilisateur complet, mais vulnérable aux bloqueurs et pertes réseau.
- Choix – Server (backend) : Plus fiable et sécurisé, meilleure fidélité des événements et déduplication possible, mais nécessite envoyer contextes pertinents depuis le client.
4) Implémentez en server-side pour fiabilité : J’insiste sur la robustesse serveur car les événements sont envoyés depuis un environnement contrôlé, ce qui réduit les pertes, garantit timestamps serveur et facilite l’enrichissement (intent, score de confiance). 5) Testez avec des événements de validation en simulant variations d’intent et de confiance.
Exemple A – fetch POST client vers Matomo (pseudo-URL) :
fetch('https://matomo.example.com/piwik.php', {
method: 'POST',
headers: {'Content-Type': 'application/json'},
body: JSON.stringify({
siteId: '1',
eventCategory: 'chatbot',
eventAction: 'user_message',
customDimensions: [
{id: 'assistant_id', value: 'assistant-xyz'},
{id: 'intent', value: 'order_status'},
{id: 'confidence', value: '0.92'}
]
})
});Exemple B – serveur Node.js après réponse de l’assistant :
// Node.js pseudo
const axios = require('axios');
async function trackAssistantEvent(userId, intent, confidence) {
await axios.post('https://matomo.example.com/piwik.php', {
siteId: '1',
eventCategory: 'chatbot',
eventAction: 'assistant_response',
customDimensions: [
{id: 'assistant_id', value: 'assistant-xyz'},
{id: 'intent', value: intent},
{id: 'confidence', value: String(confidence)}
],
userId
});
}Tests à exécuter : rejouer des sessions (replay), vérifier logs serveur et réponse Matomo, contrôler timestamps serveur vs client, valider la déduplication (ID d’événement ou hashing).
| Étape | Élément à vérifier |
| Activation | AI Assistants actif dans l’interface |
| Custom Dimensions | assistant_id, intent, channel/confidence créés |
| Implémentation | Client vs Server décidé et documenté |
| Envoi d’événements | Payloads conformes, timestamps, userId |
| Tests | Replay, logs, déduplication, surveillance |
- Checklist avant prod : Activation AI Assistants validée.
- Checklist avant prod : Custom Dimensions créées et mappées.
- Checklist avant prod : Envoi serveur testé et résilient (retry, backoff).
- Checklist avant prod : Tests de replay, timestamp et déduplication passés.
- Checklist avant prod : Dashboards Matomo renseignés pour intents et scoring.
Comment exploiter les données pour optimiser vos assistants
Utilisez les métriques Matomo pour prioriser corrections d’intent, améliorer parcours et mesurer l’impact business (augmentation des conversions, réduction du volume support).
Définissez des objectifs mesurables avant toute analyse.
- Définir KPIs : Taux de résolution (pourcentage d’interactions closes sans intervention humaine), CSAT proxy (évaluation implicite via durée et réitérations), Conversions directes via IA (transactions attribuées à une interaction bot), Taux d’escalade (transferts vers support humain).
- Créer tableaux de bord dédiés : Regrouper métriques par canal, flow et version de modèle afin d’isoler régressions rapidement.
- Établir alertes sur dégradation : Déclencher notifications pour chute du taux de résolution, hausse des abandons ou explosion du temps de réponse.
- Mettre en place boucles d’amélioration : A/B testing des prompts et flows, entraînement périodique des modèles sur logs anonymisés, revue des intents ambigus par équipe produit.
Exemples d’actions concrètes liées aux métriques.
- Hausse du temps de réponse => Optimiser pipeline NLU et prioriser modèles plus rapides ou mise en cache des réponses fréquentes.
- Chute de conversion post-interaction => Revoir flows de qualification et CTA, simplifier étapes, instrumenter liens pour attribution.
- Intents ambigus détectés => Enrichir training data avec exemples réels et ajouter règles de désambiguïsation.
Intégrations typiques à déployer pour exploitation complète des données.
- Connecter CRM pour lier conversations à clients et mesurer valeur vie client liée aux conversions IA.
- Synchroniser ticketing pour suivre réductions de volume support et temps de résolution humains.
- Routage vers data warehouse pour analyses longitudinales et entraînement offline du modèle.
Roadmap d’itération trimestrielle pragmatique.
- T1 : Instrumentation complète et tableaux de bord de baseline.
- T2 : Alertes et premiers A/B tests de prompts.
- T3 : Entraînements sur logs anonymisés et intégration CRM.
- T4 : Mesure de l’impact business et optimisation continue.
Tableau synthétique liant métrique, action et résultat attendu :
| Métrique | Action | Résultat attendu |
| Taux de résolution | Affiner intents, A/B testing flows | Augmentation des résolutions sans humain |
| CSAT proxy | Réduire friction, simplifier wording | Amélioration de la satisfaction perçue |
| Conversions directes via IA | Optimiser CTA et attribution | Hausse des conversions attribuables |
| Taux d’escalade | Réparer intents manquants, reroute conditionnel | Réduction des transferts vers support |
| Temps de réponse | Optimiser pipeline NLU et caching | Réduction de la latence perçue |
Prêt à transformer le trafic IA de vos chatbots en leviers décisionnels ?
Matomo, via sa suite AI Assistants, offre un cadre pour identifier et mesurer le trafic généré par les chatbots. En différenciant trafic IA/humain, en paramétrant des dimensions dédiées et en centralisant les événements (id assistant, intent, confiance), vous obtenez des données fiables pour optimiser UX, réduire le coût du support et améliorer vos conversions. Appliquer les bonnes pratiques présentées vous permet de tirer des insights exploitables tout en respectant la confidentialité — bénéfice direct : des décisions plus précises et des actions mesurables.
FAQ
Le suivi des chatbots dans Matomo capture les interactions et sessions générées par des assistants IA, via des événements et dimensions personnalisées, afin d’analyser le trafic IA séparément du trafic humain.
Le server-side offre plus de fiabilité et contrôle (déduplication, enrichissement, confidentialité). Le client-side est simple pour interfaces web, mais moins résilient face aux bloqueurs et latences.
Priorisez : volume d’interactions, taux de résolution (no escalation), conversions issues du chatbot, durée moyenne d’interaction, intent distribution et temps de réponse.
Anonymisez les identifiants utilisateurs, minimisez la conservation des logs, documentez le data lineage et proposez des options d’opt-out ou de suppression sur demande.
Testez avec événements de validation, vérifiez l’arrivée des données dans Matomo, contrôlez timestamps, dédoublonnage, et comparez volumes sur un intervalle connu. Utilisez logs serveur et replay si nécessaire.
A propos de l’auteur
Franck Scandolera — expert & formateur en Tracking avancé server-side, Analytics Engineering, Automatisation No/Low Code (n8n) et intégration de l’IA en entreprise. Responsable de l’agence webAnalyste et de l’organisme de formation Formations Analytics. Réf clients : Logis Hôtel, Yelloh Village, BazarChic, Fédération Française de Football, Texdecor. Dispo pour aider les entreprises => contactez moi.