LLM および AI 生成トラフィックのレポート

このユースケース記事では、Customer Journey Analytics派生フィールド機能を基盤として、LLM （Large Language Model）と AI によって生成されたトラフィックについてレポートする方法について説明します。

検出方法

LLM および AI 生成トラフィックを検出するには、次を区別します。

LLM および AI 生成トラフィックを識別および監視する 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どのように使用できるかを示します。

課題

LLM および AI エージェントは、デジタルプロパティを操作する際に、複雑で進化する動作を示します。 これらのテクノロジーは、プラットフォームとバージョン間で一貫性なく動作します。 この不整合は、データプロフェッショナル固有の課題を生み出します。 行動パターンは大きく異なり、使用する 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、標準の分析フレームワーク内で LLM と AI によって生成されたトラフィックを追跡および分類する取り組みが複雑になります。 これらのやり取りは複雑であり、その急速な進化も伴うため、データの整合性を維持するために微妙な検出とクラス分けの方法が必要となります。

検出のシグネチャ

2025 年 8 月の時点で、検出手法ごとに以下の具体的な信号が特定できるようになりました。

ユーザーエージェントの識別

リファラーの分類

クエリパラメーターの検出

実装

​ 派生フィールド ​、​ セグメント ​ および ​ ワークスペースプロジェクト ​ の固有の設定と設定を通じて、通常のCustomer Journey Analytics設定（connection、data views および ​ ワークスペースプロジェクト ​）内で LLM および AI によって生成された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

検出方法及び検出信号を構成するために、導出フィールドを基礎として使用する。 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 ​、および ​ 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

LLM および AI 生成トラフィックに関連するイベント、セッションまたは人物を識別するのに役立つ専用のセグメントを設定します。 例えば、以前に作成した派生フィールドを使用して、LLM および AI によって生成され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 および AI で生成されたトラフィックをレポートおよび分析します。 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"}