Comment Matomo MCP accélère vos décisions data ?

Matomo MCP permet d’interroger vos données analytics en langage naturel depuis un outil d’IA. L’intérêt est simple : moins de navigation dans les rapports, plus de réponses exploitables, sans perdre le contrôle des accès, des permissions et des chiffres à vérifier.

Pourquoi Matomo MCP change l’analyse data ?

Matomo MCP change l’analyse data parce qu’il réduit le délai entre une question métier et une réponse fondée sur les données réelles de Matomo.

Dans beaucoup d’équipes, la question est simple, mais le chemin pour obtenir la réponse ne l’est pas. Une personne du marketing veut savoir quelles sources ont généré le plus de conversions la semaine dernière. Une équipe produit cherche les pages qui perdent le plus d’utilisateurs. Le SEO veut comparer les entrées organiques avec le mois précédent. La direction demande une synthèse claire avant une réunion. À chaque fois, il faut retrouver le bon rapport, choisir les bons segments, comparer les bonnes périodes, puis reformuler les résultats dans un langage métier.

Un insight n’est pas une métrique affichée dans un tableau de bord. C’est une information exploitable pour prendre une décision. “Le trafic LinkedIn a augmenté” reste descriptif. “LinkedIn a généré moins de visites que Google Ads, mais un meilleur taux de conversion sur les formulaires B2B la semaine dernière” devient utile, parce que l’équipe peut ajuster un budget, une campagne ou une priorité.

Le langage naturel change l’accès à la donnée parce qu’il évite une partie de la navigation manuelle. Au lieu d’ouvrir plusieurs rapports Matomo, l’utilisateur peut demander : “Quelles sources ont généré le plus de conversions la semaine dernière ?” Ou encore : “Quelles campagnes ont progressé depuis le mois précédent ?” MCP, pour Model Context Protocol, est un protocole documenté par Anthropic qui permet à un assistant IA d’accéder à des outils et à des données externes de manière structurée. Connecté à Matomo, il sert donc de pont entre une question métier et les données analytics.

Les frictions habituelles deviennent moins lourdes :

• Dépendance aux analystes pour des demandes récurrentes ou exploratoires.
• Délais de reporting entre la question initiale et la réponse exploitable.
• Interprétations divergentes selon les rapports, les segments ou les périodes utilisés.
• Perte de contexte quand la demande passe par plusieurs personnes avant d’arriver au résultat final.

Matomo MCP ne remplace pas l’analyse humaine. Il accélère l’exploration, le résumé et la préparation des décisions. Les chiffres importants doivent rester vérifiés dans Matomo, notamment quand ils servent à arbitrer un budget, mesurer une conversion ou communiquer un résultat officiel. Les références les plus fiables restent la documentation officielle Matomo Analytics pour les rapports et métriques, ainsi que la documentation officielle du Model Context Protocol publiée par Anthropic.

Comment fonctionne Matomo MCP ?

Matomo MCP fonctionne comme un pont sécurisé entre un assistant IA compatible et les données disponibles dans Matomo. MCP signifie Model Context Protocol : c’est un protocole ouvert qui permet à des applications d’IA de se connecter à des outils et à des sources de données externes de manière structurée.

Le principe est simple. Vous posez une question dans Claude, ChatGPT, OpenAI Codex ou un autre outil compatible. L’outil IA transmet la demande au serveur MCP. Le serveur MCP interroge Matomo uniquement avec les accès autorisés. Matomo renvoie les données demandées. L’IA reformule ensuite la réponse dans un langage lisible, avec un résumé, une comparaison ou une mise en contexte.

• Vous demandez par exemple : « Quels canaux ont généré le plus de conversions la semaine dernière ? »
• L’assistant IA ne devine pas les chiffres.
• Le serveur MCP appelle Matomo avec les permissions disponibles.
• Matomo reste la source fiable des données.
• L’IA transforme le résultat brut en réponse exploitable.

La distinction est importante : Matomo fournit la donnée, tandis que l’IA facilite l’interprétation. L’assistant conversationnel sert d’interface pour interroger, résumer, comparer ou reformuler. Il ne remplace pas votre outil analytics et ne devient pas la source officielle des chiffres.

Quelques termes méritent d’être clarifiés. Une API, ou interface de programmation applicative, permet à deux logiciels d’échanger des données. OAuth2 est un standard d’autorisation qui permet d’accorder un accès sans partager directement un mot de passe. Un token API est une clé d’accès technique : il doit être limité, surveillé et révoqué dès qu’il n’est plus nécessaire.

Le point clé est là : Matomo MCP ne consiste pas à envoyer toutes vos données sans contrôle à une IA. Il autorise des requêtes encadrées, selon les droits définis. Cette approche garde Matomo au centre de la gouvernance data, tout en rendant l’analyse plus rapide et plus accessible.

Quels usages tester en premier ?

Les premiers usages à tester sont ceux qui font gagner du temps sur les questions récurrentes de performance, d’acquisition, de conversion et de préparation de réunion.

Matomo MCP, pour Model Context Protocol, sert à connecter un assistant IA à vos données Matomo sans passer systématiquement par des exports, des filtres manuels ou des allers-retours dans l’interface. L’intérêt n’est pas de remplacer l’analyse, mais d’obtenir plus vite une première lecture exploitable.

Voici les quatre familles de cas d’usage que je testerais en priorité :

• Explorer la performance plus vite. Demandez : “Quelles sources de trafic ont généré le plus de conversions sur les 30 derniers jours ?” La décision possible : ajuster un budget média, renforcer un canal rentable ou creuser une source qui convertit mal malgré un volume élevé.
• Résumer un rapport. Demandez : “Quelles anomalies apparaissent cette semaine ?” La décision possible : préparer un compte rendu, identifier une baisse de performance ou vérifier si un pic vient d’une campagne, d’un changement SEO ou d’un problème de tracking.
• Comparer des segments. Demandez : “Comment se comparent mobile et desktop ?” Ou : “Quelles pages d’entrée génèrent le plus de conversions ?” La décision possible : vérifier une hypothèse sur un segment, prioriser une optimisation UX ou concentrer le travail SEO sur les pages qui contribuent vraiment aux conversions.
• Préparer une réunion ou un point hebdomadaire. Demandez : “Quels canaux ont baissé par rapport à la période précédente ?” Ou : “Quelles campagnes apportent le meilleur taux de conversion ?” La décision possible : arriver avec une synthèse claire, isoler les sujets à traiter et éviter de passer la réunion à chercher les chiffres.

Sans MCP et avec MCP

Une réponse rapide n’est pas automatiquement une bonne décision. Elle doit toujours être replacée dans le contexte business, la période analysée, les campagnes actives, la saisonnalité et les éventuels changements de tracking, car une variation peut venir d’un vrai signal comme d’une mesure dégradée.

Comment garder le contrôle des données ?

Le contrôle repose sur le choix de l’outil IA, les droits d’accès, les permissions Matomo et la vérification des chiffres sensibles avant diffusion.

Avec Matomo MCP, l’utilisateur ou l’administrateur décide quelles données sont accessibles, avec quels identifiants et dans quel périmètre. Un périmètre peut être un site, une application, une période, un segment d’audience ou un type de rapport. Cette séparation évite qu’un assistant IA interroge plus de données que nécessaire.

Les tokens API servent de clés d’accès techniques. Ils permettent à un outil externe de lire certaines données Matomo sans utiliser directement le mot de passe d’un compte humain. OAuth2, de son côté, est un mécanisme d’autorisation plus encadré : l’utilisateur autorise une application à accéder à certaines ressources, souvent avec une durée ou un périmètre limité. Dans les deux cas, l’enjeu est simple : donner un accès identifiable, révocable et contrôlable.

La règle la plus saine reste le moindre privilège. Chaque compte, token ou application doit recevoir uniquement les droits nécessaires. Pour une analyse de trafic, un accès en lecture seule suffit dans la majorité des cas. Les droits administrateur doivent rester réservés aux tâches d’administration : configuration, gestion des utilisateurs, modification du tracking ou paramétrage global.

Matomo est souvent choisi pour conserver des données analytics first-party, c’est-à-dire collectées directement par votre organisation sur ses propres sites, applications ou espaces numériques. Autre point important : les données non échantillonnées permettent d’analyser l’ensemble disponible, et non un extrait statistique. Cela réduit le risque d’interprétation biaisée quand les volumes sont faibles, les segments précis ou les décisions sensibles.

La fiabilité des réponses IA demande aussi une discipline. Un modèle peut mal comprendre une question, confondre une métrique, résumer trop vite ou produire une interprétation plausible mais incorrecte. Avant de partager un chiffre en réunion, de l’envoyer à un client ou de l’utiliser pour une décision budgétaire, je recommande de le vérifier directement dans Matomo, qui doit rester la source de vérité.

• Limiter les accès aux données réellement utiles.
• Documenter les tokens API, leurs propriétaires, leurs droits et leur date de création.
• Tester Matomo MCP sur un périmètre restreint avant un déploiement plus large.
• Vérifier les métriques critiques dans Matomo avant diffusion.
• Former les utilisateurs aux bonnes questions, avec des définitions claires des indicateurs.
• Conserver Matomo comme source de vérité pour les décisions importantes.

Comment démarrer sans risque ?

Le bon démarrage consiste à connecter Matomo MCP sur un périmètre limité, avec des droits contrôlés, puis à tester des questions simples avant d’élargir les usages.

Matomo MCP, pour Model Context Protocol, sert d’interface entre vos données Matomo et un outil d’intelligence artificielle compatible. L’intérêt est réel, mais il faut éviter de brancher toute l’organisation dès le premier jour.

Une méthode simple en 5 étapes limite les risques :

• Identifier les besoins prioritaires. Par exemple, suivre l’acquisition, comprendre les conversions ou préparer un reporting hebdomadaire.
• Choisir l’outil IA compatible. Il peut s’agir d’un assistant interne, d’un client MCP ou d’un environnement déjà utilisé par votre équipe data.
• Configurer les permissions. Un profil marketing n’a pas forcément besoin d’accéder aux mêmes données qu’un analyste ou qu’un administrateur.
• Tester des prompts simples. Une question courte, claire et vérifiable vaut mieux qu’une demande trop large.
• Comparer les réponses avec les rapports Matomo. Cette étape permet de repérer les écarts, les filtres mal compris ou les métriques ambiguës.

Un bon prompt doit préciser cinq éléments : la période, la métrique, le segment, la comparaison attendue et le format de sortie souhaité. Sans ces détails, l’IA risque de produire une réponse correcte en apparence, mais difficile à valider.

• Résume les conversions par canal sur les 30 derniers jours, sous forme de tableau.
• Compare mobile et desktop sur le taux de conversion du mois en cours, avec l’écart en pourcentage.
• Liste les campagnes dont les conversions ont augmenté par rapport à la période précédente, en indiquant le volume et la variation.

Le périmètre de départ doit rester volontairement étroit. Je recommande de commencer avec un seul site, une seule équipe ou un seul cas d’usage, par exemple le reporting acquisition hebdomadaire. Une fois les réponses validées et les règles comprises, l’élargissement devient plus sûr.

La gouvernance compte autant que la technique. Il faut savoir qui peut poser quelles questions, qui valide les chiffres, où les accès sont documentés et comment les tokens inutilisés sont révoqués. Un token est une clé d’accès technique. S’il traîne sans contrôle, il devient un risque de sécurité.

Et si votre analytics devenait enfin interrogeable ?

Matomo MCP répond à un besoin très concret : obtenir plus vite des réponses fiables à partir de vos données analytics. L’IA devient une interface de questionnement, pas une nouvelle source de vérité. Les gains viennent surtout de la réduction des manipulations, de la préparation plus rapide des analyses et d’un meilleur accès aux insights pour les équipes non techniques. Le point clé reste la gouvernance : permissions limitées, accès en lecture seule si possible, vérification des chiffres importants dans Matomo. Bien déployé, Matomo MCP vous aide à décider plus vite, avec moins de friction et plus de contrôle.

FAQ

• Qu’est-ce que Matomo MCP ?
  Matomo MCP est un serveur basé sur le Model Context Protocol. Il permet à un outil d’IA compatible d’interroger les données Matomo via des accès contrôlés, puis de formuler une réponse en langage naturel.
• Matomo MCP remplace-t-il les rapports Matomo ?
  Non. Matomo reste la source de vérité pour les chiffres. MCP sert surtout à poser des questions plus vite, explorer des tendances, résumer des rapports et préparer des analyses. Les données importantes doivent être vérifiées directement dans Matomo.
• Quels outils IA peuvent utiliser Matomo MCP ?
  Le principe de MCP est de connecter des assistants IA compatibles, comme Claude, ChatGPT ou OpenAI Codex selon les configurations disponibles. Le choix dépend de votre environnement technique, de vos règles de sécurité et des connecteurs réellement pris en charge.
• Les données Matomo sont-elles envoyées sans contrôle à l’IA ?
  Non, l’accès dépend des permissions configurées. Il faut limiter les droits, utiliser des accès adaptés comme un token API ou OAuth2, privilégier la lecture seule pour l’analyse et documenter qui peut accéder à quelles données.
• Quels prompts utiliser pour commencer avec Matomo MCP ?
  Commencez par des questions précises : quelles sources ont généré le plus de conversions sur les 30 derniers jours ; quelles campagnes ont progressé par rapport à la période précédente ; compare mobile et desktop sur le taux de conversion ; résume les principales variations de trafic cette semaine.

A propos de l’auteur

Je suis Franck Scandolera, responsable de l’agence webAnalyste et de l’organisme Formations Analytics. J’accompagne les entreprises sur le tracking avancé server-side, l’Analytics Engineering, Matomo, l’automatisation No/Low Code avec n8n, l’intégration de l’IA, le SEO et le GEO. J’ai travaillé pour des organisations comme Logis Hôtel, Yelloh Village, BazarChic, la Fédération Française de Football ou Texdecor. Si vous voulez connecter vos données analytics à l’IA sans perdre le contrôle technique, sécurité et business, contactez-moi.

Franck Scandolera

⭐ Analytics engineer, Data Analyst et Automatisation IA ⭐

• Ref clients : Logis Hôtel, Yelloh Village, BazarChic, Fédération Football Français, Texdecor…

Mon terrain de jeu :

• Data Analyst & Analytics engineering : tracking avancé (GA4, Matomo, Piano, GTM server, Tealium, Commander Act, e-commerce, CAPI, RGPD), entrepôt de données (BigQuery, Snowflake, PostgreSQL, ClickHouse), modèles (Airflow, dbt, Dataform), dashboards décisionnels (Looker, Power BI, Metabase, SQL, Python).
• Automatisation IA des taches Data, Marketing, RH, compta etc : conception de workflows intelligents robustes (n8n, App Script, scraping) connectés aux API de vos outils et LLM (OpenAI, Mistral, Claude…).
• Engineering IA pour créer des applications et agent IA sur mesure : intégration de LLM (OpenAI, Mistral…), RAG, assistants métier, génération de documents complexes, APIs, backends Node.js/Python.