Comment Matomo suit-il le trafic généré par les chatbots ?

Matomo a présenté un suivi dédié aux chatbots dans sa suite AI Assistants, permettant d’identifier et d’analyser les interactions IA pour mesurer trafic et conversions. Source principale : annonce officielle Matomo (blog produit). Poursuivez pour savoir quoi mesurer et comment l’implémenter, en respectant la privacy.

Qu’est‑ce que le suivi des chatbots par Matomo

Matomo ajoute un suivi spécifique pour les assistants IA afin d’identifier et d’analyser le trafic généré par des chatbots au sein de sa suite AI Assistants.

Présentation rapide de Matomo. Matomo est une plateforme d’analytics open‑source axée sur la protection de la vie privée, disponible en mode self‑hosted (hébergement par vos soins) ou en cloud géré. Cette orientation privacy‑first signifie un contrôle fort des données, compatibilité RGPD et option d’anonymisation par défaut. Le suivi des chatbots s’inscrit naturellement dans cette logique en permettant d’instrumenter les expériences conversationnelles sans envoyer de données à des tiers opaque.

Bénéfices principaux. Le suivi spécifique apporte :

• Visibilité sur les sessions IA : Permet de distinguer les sessions initiées ou prises en charge par un assistant IA versus une interaction humaine.
• Segmentation du trafic IA vs humain : Autorise des segments dédiés pour analyser comportements, taux de rebond et pages consultées après une interaction bot.
• Mesure de conversion et diagnostic : Rend possible le suivi des conversions issues d’un échange conversationnel et le diagnostic des points de friction dans le parcours.

Cas d’usage concrets. Le suivi sert notamment pour :

• Support client automatisé : Mesurer résolutions automatiques vs escalades vers un agent humain.
• FAQ dynamiques : Évaluer quelles réponses automatiques réduisent les visites vers la docs ou le support.
• Collecte de leads via assistant : Traquer la provenance et la qualité des leads générés par le chatbot pour calculer le ROI.

Découvrez égalementComment Matomo suit-il le trafic des chatbots ?

Limites à préciser. Le suivi nécessite une instrumentation correcte du chatbot pour associer événements et sessions. Certaines données peuvent manquer si le bot n’envoie pas d’identifiants ou si le chiffrement/anonymisation retire des métadonnées utiles. Enfin, le consentement utilisateur et les bloqueurs peuvent réduire la complétude des données.

Conclusion technique. La logique de ce suivi est prête ; la partie suivante détaille l’implémentation pratique et les événements à tracer pour obtenir des KPIs exploitables.

Comment fonctionne techniquement le tracking des chatbots

Le tracking combine l’émission d’événements conversationnels (messages, intents, étapes) et l’association à une session/utilisateur via API HTTP (server‑side) ou SDK, pour envoyer ces données vers Matomo.

Deux approches techniques

Le tracking peut se faire côté client ou côté serveur selon l’intégration et le canal.

• Client‑side (JavaScript) : Idéal lorsque le chatbot est embarqué sur un site. Le script Matomo envoie des events JavaScript (trackEvent, setUserId) liés à la session navigateur.
• Server‑side (HTTP API) : Nécessaire lorsque le bot fonctionne sur serveur, messagerie externe ou application native. Le serveur construit et envoie des hits à l’API HTTP de Matomo (fiable face aux bloqueurs).

Découvrez égalementGuide Matomo MCP Server

Evénements à tracker et propriétés utiles

Suivre des événements précis permet d’analyser l’efficacité et d’alimenter des modèles.

• message_received : Propriétés (timestamp, user_id/session_id, message_length, channel).
• message_sent : Propriétés (timestamp, user_id, message_length, response_time_ms).
• intent_detected : Propriétés (intent, confidence_score, timestamp, user_id).
• fallback_triggered : Propriétés (timestamp, user_id, fallback_count, last_intent).
• conversion_assisted : Propriétés (timestamp, user_id, conversion_id, assisted_path).

Exemple de payload JSON et code

Exemple de payload JSON envoyé server‑side (champs représentatifs) :

{
  "siteId": "5",
  "action_name": "chat_message_received",
  "e_c": "Chatbot",
  "e_a": "message_received",
  "e_n": "user_question",
  "uid": "user-1234",
  "_id": "abcd1234ef567890",
  "timestamp": "2026-03-22T10:34:00Z",
  "intent": "order_status",
  "confidence_score": 0.87,
  "channel": "web",
  "cd1": "premium_user" 
}

Mini‑exemple Node (fetch) pour poster l’événement :

const fetch = require('node-fetch');
const payload = { /* voir JSON ci‑dessus */ };
await fetch('https://matomo.example/matomo.php', {
  method: 'POST',
  headers: { 'Content-Type': 'application/json' },
  body: JSON.stringify(payload)
});

Découvrez égalementQuelles nouveautés apporte Matomo 5.8.0 pour le tracking ?

Intérêt et précautions du server‑side

Le server‑side évite les bloqueurs, centralise la logique et permet d’enrichir les hits (IA, logs, scoring).

• Précaution latence : Mesurer et asynchronez les envois pour ne pas ralentir le bot.
• Précaution sécurité : Protéger tokens/API keys, chiffrer en transit et éviter d’envoyer des PII non nécessaires.

Checklist d’implémentation technique

Quelles métriques et dimensions suivre pour un chatbot

Les métriques clés sont taux d’engagement (messages/session), taux de résolution (conversions assistées), taux de fallback, durée moyenne de session et score d’intention/confidence ; les dimensions utiles incluent canal, version du modèle, intent et segment utilisateur.

1) Définition des KPI.

• Taux d’engagement (messages/session) — Formule : Nombre total de messages / Nombre de sessions. Interprétation : Mesure l’activité utilisateur avec le bot. Seuils : Alerte si <1,5 (faible), OK entre 1,5–4, élevé >4 (peut indiquer un besoin de clarification).
• Taux de résolution (conversions assistées) — Formule : Conversions suite à interaction bot / Conversations initiées. Interprétation : Mesure l’efficacité du bot à atteindre un objectif business. Seuils : Alerte si <10%, bon si >30% selon le contexte.
• Taux de fallback — Formule : Messages fallback / Messages totaux. Interprétation : Indique les problèmes de compréhension. Seuils : Alerte si >5–10%.
• Durée moyenne de session — Formule : Somme des durées de conversation / Sessions. Interprétation : Durée utile vs session trop courte (drop) ou trop longue (friction). Seuils : Alerte si <15s ou >600s selon cas d’usage.
• Score d’intention/confidence — Formule : Moyenne des scores de confiance retournés par le NLU. Interprétation : Qualité de la classification d’intent. Seuils : Alerte si moyen <0,6 (60%).

2) Custom dimensions Matomo recommandées.

• bot_version — Version du modèle / déploiement.
• intent_name — Nom de l’intent détecté.
• intent_confidence_bucket — Bucket de confiance (0–0.5, 0.5–0.8, >0.8).
• channel — Canal (web, mobile, whatsapp, messenger).
• conversation_step — Numéro d’étape ou état (salutation, collecte_info, recommandation, transfert).

3) Exemples de rapports utiles.

• Funnel conversationnel avec étapes : accueil → qualification → solution → conversion.
• Heatmap des intents : fréquence et taux de résolution par intent.
• Cohortes par version IA : évolution du taux de résolution après déploiement.
• Tableau des fallbacks par page ou canal pour prioriser corrections NLU.

4) Croisement avec conversions classiques.

• Lier conversation_id et visitorId à des goals Matomo pour attribuer conversions au bot.
• Segmenter visites avec custom dimension bot_interaction pour comparer taux de conversion (avec/sans bot).
• Utiliser l’attribution temporelle (assisted conversions) pour mesurer l’impact réel du bot sur ventes et formulaires.

5) Snippet d’implémentation Matomo pour dimension personnalisée.

_paq.push(['setCustomDimension', 1, 'v3.2']); // bot_version
_paq.push(['setCustomDimension', 2, 'intent_checkout']); // intent_name

Comment implémenter en respectant la privacy et la conformité

Implémentez le tracking en minimisant les données personnelles, en anonymisant/masquant les PII, en offrant opt‑out et en documentant la finalité pour rester conforme RGPD.

Principes à appliquer :

• Minimisation — Collectez uniquement les événements nécessaires au suivi (clics, intent, durée), pas le contenu intégral des messages.
• Anonymisation — Supprimez ou hachez toute information permettant d’identifier une personne (adresses, emails, numéros).
• Conservation limitée — Fixez et documentez une durée de conservation des logs compatible avec la finalité (ex. 6 à 24 mois selon usage).
• Transparence — Informez clairement l’utilisateur de la finalité et proposez un moyen d’opposition (opt‑out).

Mesures techniques concrètes :

• Hashing/Anonymisation des ids — Utilisez HMAC ou SHA‑256 avec une clé serveur pour anonymiser les user_id avant envoi à Matomo.
• Suppression des messages sensibles — Filtrez et masquez les PII côté bot (regex pour emails, numéros, noms propres) avant envoi.
• Consentement préalable sur site — Déclenchez le tracking Matomo seulement après consentement explicite sur web, et respectez le Do Not Track.
• Enregistrement des préférences — Stockez le consentement et la date dans un cookie ou store côté serveur pour preuves en cas d’audit.
• Opt‑out pour canaux non‑contrôlés — Pour SMS, messengers externes, proposez un lien ou mot‑clé pour refuser le tracking.

Paramètres Matomo utiles :

• anonymizeIp — Activez pour tronquer les IP (ex. last octet supprimé).
• Consent Management — Utilisez le plugin de consentement Matomo pour bloquer l’envoi tant que non‑consentement.
• Respect Do Not Track — Activez l’option pour ignorer les utilisateurs avec DNT activé.
• Durée de conservation des logs — Configurez via Administration > Privacy > Log Data Cleanup.

Cas particuliers :

• Bots multi‑canaux — Centralisez le masking avant agrégation ; appliquez règles spécifiques par canal (SMS plus stricts pour PII).
• Environnements healthcare/finance — Interdisez tout contenu librement stocké ; ne conservez que métriques agrégées et pseudonymisées.

Comment exploiter les données pour optimiser un assistant IA

Utilisez les métriques conversationnelles pour identifier points de friction, affiner intents et scénarios, et tester variantes (A/B) pour améliorer résolution et conversion.

1) Boucle d’optimisation : Collecte → Diagnostic → Hypothèse → Test → Déploiement.

Collectez logs, transcripts et métriques issues de Matomo (pages/actions, events, temps de session, conversions conversationnelles).

Diagnostiquez en mesurant fréquences d’intents, taux de fallback et temps moyen jusqu’à résolution pour repérer les intents fréquents non résolus.

2) Méthodes d’analyse :

Combinez approches quantitatives et qualitatives pour prioriser les actions :

• Funnels conversationnels : Cartographiez étapes (entrée → intent détecté → réponse → résolution) pour calculer points d’abandon à chaque étape.
• Clustering des messages : Regroupez messages utilisateurs non classés pour découvrir intents non couverts (technique non supervisée : K‑means ou embeddings + DBSCAN).
• Analyse des fallbacks et des faibles confidences : Filtrez par score de confiance pour isoler modèles NLU qui échouent.

3) Exemples d’actions concrètes :

Priorisez corrections rapides et à fort impact :

• Réécriture d’un intent mal compris : Ajouter exemples d’expressions, reformuler utterances fréquentes.
• Ajout d’entités : Extraire paramètres (dates, produits) pour diminuer dialogues de clarification.
• Ajout de variations de réponses et tests A/B : Mesurez impact sur taux de conversion.
• Routage vers agent humain selon seuils : Déclenchement si confiance < 0.4 ou après N tentatives.

4) Intégration IA/ML :

Exportez datasets conversationnels depuis Matomo via l’API Reporting en CSV/JSON, anonymisez (masquage PII, hachage IP), transformez en format NLU (intent, utterance, entities), puis réentraîner en respectant split train/val/test.

Mesurez gains via cohortes (utilisateurs exposés au nouveau modèle vs contrôle) et tests A/B statistiques (p < 0.05).

5) KPIs et fréquence :

Suivez taux de résolution (objectif +10%), taux de fallback, satisfaction utilisateur (CSAT), taux de transfert humain et conversion. Revue hebdomadaire pour bugs critiques, réévaluation mensuelle pour évolutions NLU.

Prêt à mesurer et optimiser le trafic IA de vos chatbots avec Matomo ?

Matomo propose désormais un suivi dédié des assistants IA, qui permet de distinguer le trafic IA, mesurer l’engagement conversationnel et relier ces interactions aux conversions. En combinant tracking server‑side, events structurés et respect strict de la privacy, vous obtenez des indicateurs exploitables pour optimiser intents, réduire les fallbacks et démontrer la valeur business. Bénéfice concret : décisions d’amélioration basées sur données fiables et conformes, pour augmenter la résolution automatique et le ROI.

FAQ

A propos de l’auteur

Franck Scandolera — expert & formateur en Tracking avancé server‑side, Analytics Engineering, automatisation No/Low Code (n8n) et intégration IA en entreprise. Responsable de l’agence webAnalyste et de l’organisme Formations Analytics. Références clients : Logis Hôtel, Yelloh Village, BazarChic, Fédération Française de Football, Texdecor. Disponible pour aider les entreprises => contactez‑moi.