KI-Agent Manus für Matomo: Automatisierte Webanalyse im Test
Wie lassen sich Webanalysen mit Matomo automatisieren – und was kann ein KI-Agent wirklich leisten?
Der folgende Blog-Beitrag, soll die Möglichkeiten und den Status Quo einer Anbindung von Webanalyse-Daten aus Matomo an einen KI-Agenten zeigen.
Ich habe mich aufgrund der einfachen Verfügbarkeit und damit der sehr schnellen Einsetzbarkeit für Manus AI (https://manus.im) entschieden.
Manus AI ist ein cloudbasierter KI-Agent, der im Sprachdialog gestellte Aufgaben löst, dabei technische Schnittstellen ansprechen kann, selbstständig den Lösungsweg sucht sowie eine regelmäßige Durchführbarkeit ermöglicht.
Auch wenn Manus vom Unternehmen Butterfly Effect AI aus Singapur die DSGVO nicht berücksichtigt und damit für Matomo-Nutzer im Normalfall nicht in Frage kommen dürfte, fand ich das Thema spannend genug für diesen Blogbeitrag, da es das Potenzial und die Richtung künftiger Webanalyse andeutet.
Was soll der KI-Agent für Matomo leisten? Die konkrete Analyseaufgabe
Aufgabe des KI-Agenten soll eine monatliche Auswertung der wichtigsten Webanalyse-Kennzahlen (Eindeutige Besuche, Seitenansichten, Absprungrate, Herkunft nach Kanal) und des Erreichens einer Konversion (Stellenbewerbung) sowie darauf basierende Nennung von Handlungsempfehlungen sein.
Exemplarisch führte ich das mit der Matomo-Demo-Umgebung durch, die eingespielte Daten und keine echten Tracking-Daten enthält.
KI-Agent vs. KI-Assistent: Was unterscheidet Manus von ChatGPT & Co.?
- Ein KI-Agent ist im Gegensatz zu einem KI-Assistenten wie ChatGPT, Gemini oder Perplexity in der Lage Aufgabenstellungen eigenständig („autonom“) auszuführen
- Ein Regelwerk wie bei klassischer Programmierung muss nicht hinterlegt werden.
- Ein KI-Agent erhält eine definierte Aufgabe, der Lösungsweg ist dem Agenten jedoch freigestellt.
- Wie KI-Assistenten auch, verwenden die KI-Agenten Sprachmodelle (LLM), um sowohl Aufgabenstellung als auch zur Lösung bereitgestellte oder herangezogene Informationen zu analysieren, zu verstehen und daraus zu lernen.
- Erst der Einsatz von KI-Agenten wird als die Chance zur Steigerung von Produktivität und Effizienz im Rahmen des derzeitigen Künstliche Intelligenz-Hypes angesehen, da sie Abläufe und Prozesse automatisieren.
Vergleich dazu aktuelle McKinsey-Studie: GenAI Paradox: Seizing the agentic AI advantage
Mein Erfahrungsbericht – So arbeitet Manus AI mit Matomo-Daten
Manus wird im Dialog bedient. Der KI-Agent versucht selbst herauszufinden, wie es Zugang zu Matomo-Daten erreichen kann. Dazu wird auf dem Manus-System auf einen Cloud-Browser zurückgegriffen, der die Matomo-Webseite mit der Dokumentation aufruft.
Der Suchvorgang auf der Matomo-Webseite dauert etwas länger, so dass ich abbreche und die Bereitstellung von Zugangslinks zur Matomo-API vorschlage.
Ein solcher Link ist bspw. für den Abruf aller relevanten Besuche-Daten folgender:
https://demo.matomo.cloud/index.php?module=API&format=JSON&idSite=1&period=day&date=2025-05-01,2025-05-31&method=API.get&filter_limit=-1&format_metrics=1&fetch_archive_state=1&expanded=1&showMetadata=0
Ferner habe ich die wichtigsten JSON-Felder beschrieben, um die gewünschte Analyse zu konkretisieren. Ich nehme aber an, dass Manus die Bedeutung der JSON-Felder selbst herausgefunden hätte.
Ebenfalls habe ich einen weiteren API-Link angegeben, um für das Ziel „New Job Application“ nähere Informationen zu erhalten.
Ich habe mich bewusst für das Format JSON entschieden, da es von den angebotenen am ehesten State-of-the-art ist.
Die Aufgabenstellung wird als Text im Dialog übermittelt. Man kann erste Recherchen von Manus AI abbrechen und weitere Informationen ergänzen.
Live verfolge ich mit, dass die Daten nacheinander abgerufen werden, eine Analyse und Auswertung durchgeführt wird und Handlungsempfehlungen erarbeitet werden. Nach mehreren Minuten wird mir ein PDF zum Download angeboten.
Das erste Ergebnis ist falsch. Manus sieht einen Rückgang der Besuche-Daten, den es aber laut Matomo-Benutzeroberfläche nicht gegeben hat. Ich teile das mit, ohne selber analysiert zu haben, was hier schief gegangen sein könnte. Lediglich informiere ich, dass ich selber einen Anstieg von 7.000 Besuchen feststelle.
Erneut findet der Prozess des Abrufes und der Verarbeitung statt – als sogenannte Re-Evaluation.
Das zweite Ergebnis liefert eine korrekte Auswertung. Ich erhalte einen revidierten Bericht. Auf meine Nachfrage hin erhalte ich eine Erklärung, was der Fehler in der ersten Berechnung war.
Interessanterweise, ohne dass es mir bewusst war, hatte ich in der Tat die Aufgabe mit einem Fallstrick formuliert. Ich forderte einen Monatsvergleich, lieferte aber eine API-URL, die Einzeltage enthielt. Da ich mich nun explizit für die Entwicklung „Eindeutiger Besuche“ interessierte, die immer bezogen auf die Zeiteinheit (Tag, Woche, Monat) von Matomo geliefert werden, rechnete Manus im ersten Versuch mit den eindeutigen Besuchern je Tag – aufsummiert für die 31 Tage des Monats. Im zweiten Versuch erkannte das Tool den Fehler und änderte selbständig den API-Abruf von tageweise und monatsweise Zahlen um, so dass Matomo die eindeutigen Besuche für den Monat bereitstellte.
Das Analyse-Ergebnis: Wie Manus Matomo-Daten auswertet und interpretiert
Der Bericht, ein 4-seitiges PDF mit Texten, stellte in Kapitel-Form strukturiert,
· Zusammenfassung,
· Trendanalyse und Auffälligkeiten,
· Handlungsempfehlungen (kurz-, mittel- und langfristig) bereit.
Downloads der Berichte:
- Final generierte PDF-Dokument von Manus
- PDF des ersten „falschen“ Berichtes, der andere Handlungsempfehlungen aufgrund des angenommenen Rückgangs ausspricht
Auszug aus den Handlungsempfehlungen für Webanalysten durch den KI-Agenten Manus
Stärken des KI-Berichts: Struktur, Darstellung, Nutzen
Die Vergleichszahlen Vormonat zu Vor-Vormonat sind stimmig und zeigen auf die Schnelle die Trendentwicklung.
Die Strukturierung mit Tabellen, Fettschrift-Hervorhebung sowie in Satzform beschriebenen Zusammenfassungen und Empfehlungen sind aus rein optischer Sicht beeindruckend.
Das Dokument wirkt professionell, auch wenn Details wie Seitenzahlen, Kopf- und Fußzeilen fehlen (was sich sicherlich auf Anforderung integrieren ließe).
Die formulierten Handlungsempfehlungen sind umfangreich und bieten einiges an Grundlagen, über die man zur weiteren Optimierung des Webauftritts nachdenken kann.
Kritik: Schwächen des Berichts und Grenzen der KI-Auswertung
Für das Aufgabenverständnis als auch für die Formulierungen zur Trendanalyse und zu Handlungsempfehlungen greift Manus für die Erzeugung von Sätzen auf sein intern verwendetes Sprachmodell zurück.
Wie üblich kennen diese Sprachmodelle nur die im Eingabe-Prompt mitgeteilten Informationen des Anfragenden und das vorab durch unzählige Daten allgemein angelernte Wissen.
Die Handlungsempfehlungen von Manus sind in der Folge recht allgemein gültig und durchdenkenswert, würden aber, wenn man sie jeden Monat neu „serviert“ bekommt, an Beachtung und Bedeutung verlieren.
Bei genauerem Lesen wirken manche Formulierungen sprachlich überzogen bzw. zu spekulativ (natürlicherweise, wenn Kontext fehlt):
Bspw. werden die 2,5% mehr Besuche aus Suchmaschinen im Mai als „starkes Zeichen der Sichtbarkeit“ bezeichnet. Wenn man bedenkt, dass der Mai 31 Tage und der April 30 Tage hatte (was allein schon ca. 3,2% mehr Zeit bedeutet) ist das eher erwartbar.
Ferner finden sich Mutmaßungen im Text, woran das liegen könnte.
Der Anstieg der eindeutigen Besucher und Aktionen, insbesondere aus Suchmaschinen, ist ein starkes Zeichen für eine verbesserte Sichtbarkeit und Attraktivität Ihrer Website.
Dies könnte auf erfolgreiche SEO-Maßnahmen, qualitativ hochwertige Inhalte oder eine erhöhte Markenbekanntheit zurückzuführen sein.
Dies macht die Schwäche der LLM’s von KI-Assistenten und KI-Agenten deutlich:
- Sie sind trainiert anhand von allgemein verfügbaren Informationen. D.h. sie haben globales Wissen und öffentlich zugängliches Branchenwissen
- Ihnen fehlen jedoch nicht zugängliches internes Branchenwissen, Unternehmensinformationen und situatives Wissen
Die Veränderung von Zugriffszahlen einer Webseite beispielsweise kann eine Reihe von erklärbaren Gründen haben:
- Kampagnen wurden gestartet oder beendet
- Ein Thema der Webseite war medial sehr präsent und führte zu einem Besuche-Strom
- Eine saisonale Besonderheit führt mehr oder weniger Besuche zu
- es gab Umstellungen im Tracking im Rahmen des Consent Managements usw.
Warum der produktive Einsatz von KI nicht recht vorankommt
Künstliche Intelligenz begeistert in vielen Bereichen, versagt aber oft bei scheinbar simplen Aufgaben. Wir erklären, warum und wie wir IT-Lösungen neu denken müssen.
Ist solch ein KI-Agent-Dokument einsetzbar zur Weitergabe?
Nein. Die Handlungsempfehlungen, die den Kontext vermissen lassen, können weder an ein Web-Contentteam noch an Management-Verantwortliche so vorlegt werden.
Die Handlungsempfehlungen können für den Webanalysten jedoch als Vorlage dienen, die angepasst und in den Kontext gebracht wird.
Um einem KI-Agenten wie Manus mehr Kontext mitzugeben, kann der textliche Eingabe-Prompt genutzt werden.
Regelmäßige Auswertungen mit Manus automatisieren
In Manus kann man im Konto „Scheduled Tasks“ hinterlegen.
Aufgaben also, die regelmäßig von Manus ausgeführt werden. Die Aufgaben-Beschreibung, mitgeteilt als Text (KI-Prompt), könnte erweitert werden um Kontext-Informationen oder Präzisierungen.
Bei der Webanalyse, die selten etwas statisches ist, und auf Veränderungen eingehen können muss (wie beispielsweise neue Konversionsziele, neue Kampagnen), ist dies wichtig (siehe Abschnitt zuvor).
Manus stellt aber auch Code-Skripte in der Sprache Python bereit, die man auf einem eigenen Server nutzen kann. Diese Skripte wurden mir zum Download angeboten und führen im Wesentlichen die Schritte durch, die Manus zur technischen Aufbereitung ebenfalls durchgeführt hat. Also den Abruf und die Analyse der Matomo-Daten und die Generierung – hier in meinem Fall – von CSV-Tabellen.
Die Integration oder Anbindung von LLM’s ist allerdings kein Bestandteil dieser Skripte, so dass diese Python-Skripte keine Handlungsempfehlungen erzeugen. Hier müsste man sich um die Anbindung eines LLM selber bemühen.
Replay der Aufgabe
Folgender Screencast zeigt im Schnelldurchlauf die Aktionen, die Manus für die Aufgabe ausgeführt hat. Insgesamt dauerte der Prozess dieser Einrichtung ca. eine Stunde und verbrauchte ca. 1000 Credits (Kosten/Aufwand-Modell von Manus).
Replay der Manus-Schritte
Datenschutz-Sicht – Ist der KI-Agent für Matomo konform nutzbar?
Die Nichtberücksichtigung der DSGVO (bislang) schließt eine Verwendung von Manus innerhalb der EU in der Regel aus, sei denn es werden keine personenbezogenen Daten verarbeitet.
Ein Zugriff auf Matomo-Daten in diesem Zusammenhang – auch wenn in Matomo normalerweise keine personenbezogenen Daten gespeichert werden – ist als heikel anzusehen, da zumindestens die ursprüngliche Datenerhebung auf Basis von personenbezogenen Daten erfolgte.
Zu beachten bei Matomo ist auch, dass man mit Bereitstellung eines Zugangs zur Matomo-API in Form eines Tokens, Tür und Tor für die Abfrage aller in Matomo gespeicherten Daten geöffnet hat – da sich ein KI-Agent damit beliebige Abfragen zusammenbauen könnte und der Token nicht auf eine spezifische Abfrage begrenzt ist.
Datenschutzkonform wäre es jedoch, die generierten Python-Skripte selber in den eigenen Betrieb zu übernehmen, wobei man hier im Fall von Matomo diese sich mit einer unkritischen Plattform, wie der Matomo-Demoumgebung (wie ich oben), generieren lassen muss und sie dann erst nach der Code-Generierung und der Inbetriebnahme auf das eigene Matomo umstellt. Dies würde aber genauso gut mit einem KI-Assistenten wie ChatGPT als Code-Generierer erreicht werden können.
Fazit
KI-Agenten wie Manus zeigen, dass sich Webanalyse-Prozesse weitgehend automatisieren lassen – bei regelmäßigen Aufgaben kann das echte Effizienzgewinne bringen.
Doch ohne Kontextwissen und DSGVO-konforme Architektur sind die Einsatzmöglichkeiten (noch) begrenzt.
Wer Webanalyse mit Matomo effizienter gestalten möchte, sollte prüfen, ob eigene Skripte, Assistenten oder Trainingslösungen sinnvoller sind.
👉 Sie möchten mehr zu automatisierter Analyse oder Matomo-Optimierung erfahren? Ich unterstütze gerne.
Kundenstimmen aus meinen Projekten
Schreibe einen Kommentar