LLM および AI 生成トラフィックのレポート

このユースケースでは、Customer Journey Analyticsの派生フィールド機能を基盤として使用して、LLM （大規模言語モデル）とAI生成トラフィックについてレポートする方法を解説します。

検出方法

LLMおよびAI生成トラフィックを検出するには、次の点を区別します。

LLMとAI生成のトラフィックを識別および監視するための3つの一般的なコア検出方法は次のとおりです。

次の表に、さまざまなLLMおよびAI インタラクションシナリオに対して検出方法を使用する方法を示します。

課題

LLMとAI エージェントは、デジタルプロパティを利用する際に、複雑で進化する行動を示します。 これらのテクノロジーは、プラットフォームやバージョン間で一貫性がなく動作します。 こうした一貫性の欠如は、データ担当者にとって特有の課題をもたらします。 行動パターンは大きく異なり、使用される特定のAI プラットフォーム、バージョン、インタラクションモードによって異なります。 この運用上の多様性により、標準的な分析フレームワーク内で、LLMとAI生成トラフィックを追跡および分類する取り組みが複雑化します。 これらのインタラクションの複雑な性質と急速な進化を組み合わせることで、データの整合性を維持するための詳細な検出および分類方法が必要になります。

署名の検出

2025年8月現在、以下の具体的なシグナルを検出方法ごとに特定できます。

ユーザーエージェントの識別

リファラー分類

クエリパラメータ検出

実装

派生フィールド ​、​ セグメント ​、​ ワークスペースプロジェクト ​の具体的な設定と設定により、一般的なCustomer Journey Analytics設定（connection、​ データビュー、および​ ワークスペースプロジェクト ​）内のLLMとAI生成トラフィックについてレポートできます。

派生フィールド

検出方法と検出信号を設定するには、派生フィールドを基盤として使用します。 例えば、​ ユーザーエージェント ID、​ クエリパラメーター検出、​ リファラー分類の派生フィールドを定義します。

LLM/AI ユーザーエージェントの識別

Case When派生フィールド関数を使用して、LLM/AI ユーザーエージェントを識別する派生フィールドを定義します。

{modal="regular"}

LLM/AI クエリパラメーター検出

URL解析および分類派生フィールド関数を使用して、クエリパラメーターを検出する派生フィールドを定義します。

{modal="regular"}

LLM/AI リファラー分類

URL解析および分類派生フィールド関数を使用して、リファラーを分類する派生フィールドを定義します。

{modal="regular"}

セグメント

専用セグメントを設定して、LLMとAIが生成したトラフィックに関連するイベント、セッション、人物を特定するのに役立ちます。 例えば、先ほど作成した派生フィールドを使用して、LLMとAIが生成したトラフィックを識別するセグメントを定義します。

{modal="regular"}

Workspace プロジェクト

派生フィールドとセグメントを使用して、LLMとAIが生成したトラフィックをレポートし、分析します。 例えば、以下の注釈付きプロジェクトを参照してください。

{modal="regular"}