Créer un rapport sur le trafic généré par LLM et IA

Cet article de cas d’utilisation explique comment utiliser la fonctionnalité de champs dérivés de Customer Journey Analytics comme base pour créer des rapports sur le trafic LLM (Large Language Model) et généré par l’IA.

Méthodes de détection

Pour détecter le trafic généré par LLM et par l’IA, faites la distinction entre :

Trois méthodes de détection principales courantes pour identifier et surveiller le trafic généré par LLM et par l’IA sont les suivantes :

Le tableau suivant illustre la manière dont les méthodes de détection peuvent être utilisées dans différents scénarios d’interaction LLM et AI.

Les défis

Les agents LLM et AI démontrent des comportements complexes et en évolution lors de l’interaction avec des propriétés numériques. Ces technologies fonctionnent de manière incohérente sur les différentes plateformes et versions. Cette incohérence crée des défis uniques pour les professionnels des données. Les modèles de comportement varient considérablement et dépendent de la plateforme d’IA, de la version et du mode d’interaction spécifiques utilisés. Cette diversité opérationnelle complique les efforts de suivi et de catégorisation du trafic généré par LLM et par l’IA dans les cadres d’analyse standard. La nature complexe de ces interactions, combinée à leur évolution rapide, nécessite des méthodes de détection et de classification nuancées pour maintenir l’intégrité des données :

Signatures de détection

Depuis août 2025, les signaux spécifiques suivants peuvent être identifiés pour chacune des méthodes de détection.

Identification de l'agent utilisateur

Classification de référent

Détection des paramètres de requête

Implémentation

Vous pouvez créer des rapports sur le trafic généré par LLM et par l’IA dans une configuration Customer Journey Analytics standard (connexion, vues de données et projets d’espace de travail) par le biais de la configuration spécifique des champs dérivés, segments et projets d’espace de travail.

Champs dérivés

Pour configurer les méthodes de détection et les signaux de détection, utilisez les champs dérivés comme base. Par exemple, définissez les champs dérivés pour identification de l’agent utilisateur, détection des paramètres de requête et classification du référent.

Identification de l’agent utilisateur LLM/AI

Utilisez les fonctions de champ dérivé Case When pour définir un champ dérivé qui identifie les agents utilisateur LLM/AI.

{modal="regular"}

Détection des paramètres de requête LLM/AI

Utilisez les fonctions de champ dérivé Analyse d’URL et Classifier pour définir un champ dérivé qui détecte les paramètres de requête.

{modal="regular"}

Classification de référent LLM/AI

Utilisez les fonctions de champ dérivé Analyse d’URL et Classifier pour définir un champ dérivé qui classe les référents.

{modal="regular"}

Segments

Configurez des segments dédiés qui vous aident à identifier les événements, sessions ou personnes liés au trafic généré par LLM et IA. Par exemple, utilisez les champs dérivés que vous avez créés précédemment pour définir un segment qui identifie le trafic généré par LLM et par l’IA.

{modal="regular"}

projet Workspace

Utilisez les champs dérivés et les segments pour générer des rapports et des analyses sur le trafic généré par LLM et par l’IA. Par exemple, consultez le projet annoté ci-dessous.

{modal="regular"}