{"id":116,"date":"2025-07-03T17:32:46","date_gmt":"2025-07-03T15:32:46","guid":{"rendered":"https:\/\/www.marketingpredictor.com\/it\/?p=116"},"modified":"2025-07-03T17:32:47","modified_gmt":"2025-07-03T15:32:47","slug":"come-tracciare-il-traffico-generato-dagli-llm-in-adobe-analytics-e-google-analytics","status":"publish","type":"post","link":"https:\/\/www.marketingpredictor.com\/it\/news\/come-tracciare-il-traffico-generato-dagli-llm-in-adobe-analytics-e-google-analytics\/","title":{"rendered":"Come tracciare il traffico generato dagli LLM in Adobe Analytics e Google Analytics"},"content":{"rendered":"\n

Con l\u2019integrazione crescente di assistenti conversazionali e strumenti di intelligenza artificiale nei siti web, una nuova sfida si impone agli specialisti di web analytics: come monitorare in modo efficace il traffico generato dai modelli linguistici di grandi dimensioni (LLM). Che si tratti di un chatbot basato su GPT\u20114 o di un sistema AI che consiglia contenuti agli utenti, \u00e8 fondamentale saper distinguere e analizzare le interazioni generate da queste tecnologie rispetto al traffico umano tradizionale.<\/p>\n\n\n\n

Perch\u00e9 il traffico da LLM non \u00e8 come gli altri<\/h2>\n\n\n\n

Un LLM pu\u00f2 generare traffico in modo diretto o indiretto. Pu\u00f2 suggerire un link all\u2019utente, oppure \u201cprecaricare\u201d contenuti per conto del visitatore, creando richieste al server che non corrispondono a sessioni reali. In molti casi, queste visite appaiono come \u201ctraffico diretto\u201d o \u201creferral\u201d generico, senza alcuna attribuzione chiara. Questo crea un buco nei dati e pu\u00f2 distorcere le analisi su performance di campagne, contenuti e comportamento degli utenti.<\/p>\n\n\n\n

Non solo: il traffico da LLM \u00e8 spesso asincrono, distribuito su pi\u00f9 dispositivi e difficile da ricondurre a un\u2019identit\u00e0 coerente. Senza una strategia di tracciamento specifica, le aziende rischiano di perdere informazioni preziose su come l\u2019intelligenza artificiale stia gi\u00e0 influenzando la customer journey digitale.<\/p>\n\n\n\n

Strategia base: usare parametri personalizzati<\/h2>\n\n\n\n

Il primo passo per tracciare correttamente il traffico LLM \u00e8 introdurre un parametro identificativo nelle URL generate o consigliate dal modello AI. Un esempio pratico: se un chatbot propone un link, quel link dovrebbe contenere un parametro come ?fonte_ai=chatbotGPT4<\/code>.<\/p>\n\n\n\n

In Google Analytics 4, \u00e8 possibile definire una dimensione personalizzata chiamata ad esempio fonte_ai<\/strong>, da valorizzare in ogni evento \u201cpage_view\u201d o \u201cclick\u201d. Lo stesso principio si applica in Adobe Analytics, creando una variabile eVar dedicata, come eVar20 = Fonte AI<\/strong>. Questi dati possono poi essere esplorati nei report personalizzati o integrati in dashboard pi\u00f9 complesse.<\/p>\n\n\n\n

Gestire la sessione: continuit\u00e0 e stitching<\/h2>\n\n\n\n

Il traffico AI\u2011generato ha spesso un limite critico: l\u2019attribuzione si perde tra un dispositivo e l\u2019altro, o tra diverse fonti di accesso. Un utente pu\u00f2 iniziare il suo percorso tramite chatbot e poi tornare da desktop ore dopo, senza che le analytics riescano a collegare i due momenti.<\/p>\n\n\n\n

Per affrontare questo problema, si pu\u00f2 implementare un identificatore persistente \u2014 ad esempio un cookie o un localStorage value \u2014 che lega la fonte AI all\u2019utente anche in sessioni successive. In GA4 questo si pu\u00f2 gestire tramite il client ID, mentre in Adobe si pu\u00f2 sfruttare il visitor ID personalizzato. Il risultato? Un\u2019analisi pi\u00f9 accurata delle conversioni influenzate dagli LLM, anche se non avvengono subito.<\/p>\n\n\n\n

KPI specifici per il traffico LLM<\/h2>\n\n\n\n

Per valutare l\u2019impatto reale degli LLM serve andare oltre il semplice numero di sessioni. Alcuni indicatori chiave da tenere d\u2019occhio includono:<\/p>\n\n\n\n