Analyse de la documentation : les métriques à suivre

Les vues de page mentent. Les pages principales par vues vous indiquent quelles pages sont populaires, pas quelles pages sont utiles. Les métriques qui améliorent réellement la qualité de la documentation sont différentes.

Ceci est l'ensemble de travail que nous expédions aux clients de Docsbook.

TL;DR#

Les cinq métriques qui changent le comportement :

1. Recherches échouées — ce que les utilisateurs ont essayé de trouver et n'ont pas pu
2. Questions d'IA sans réponse — même signal, forme conversationnelle
3. Retour d'information négatif (👎) — pages où l'utilisateur a activement signalé un échec
4. Parcours de page — ce que les utilisateurs font avant de rebondir ou de convertir
5. Pages les plus échouées — pages qui reçoivent du trafic mais qui obtiennent les pires retours

Les vues de page et le taux de rebond sont un contexte de fond, pas des moteurs d'action.

Recherches échouées : le métrique à plus fort impact#

Une recherche échouée est un utilisateur qui savait exactement ce qu'il voulait, l'a tapé, et vos documents n'ont rien retourné.

Chaque recherche échouée représente un vide de contenu avec un titre connu. L'utilisateur vous a dit quoi écrire.

Dans Docsbook, get_failed_searches renvoie la liste ordonnée par fréquence. Les 10 premiers dans un mois donné correspondent généralement directement aux 10 prochaines pages de documents que vous devriez écrire.

Exemples que nous avons vus dans les documents des clients :

• "comment révoquer une clé API"
• "en-têtes de limitation de taux"
• "que se passe-t-il lorsque mon plan expire"
• "déploiement auto-hébergé"
• "supprimer un compte"

Chacun d'eux est un élément de backlog de documentation avec un titre en forme de requête de recherche.

Questions d'IA sans réponse#

Si vous exécutez un chat IA sur vos documents, enregistrez les questions où l'IA renvoie une réponse hésitante ou vide. Même signal que les recherches échouées, souvent avec plus de contexte.

get_ai_unanswered dans Docsbook MCP renvoie ceux-ci. Le schéma : les utilisateurs posent des questions, le LLM ne peut pas trouver de réponse confiante dans votre contenu, vous voyez ce qui a été demandé.

Différence par rapport aux recherches échouées : les questions d'IA ont tendance à être plus longues, plus contextuelles et révèlent les modèles mentaux des utilisateurs.

Recherche échouée : "stripe webhook"

Question d'IA : "Je reçois toujours des 401 sur mon webhook Stripe même après avoir ajouté le secret de signature. Qu'est-ce que je fais mal ?"

La question d'IA est précieuse pour la conception de contenu.

Retour négatif#

Un pouce vers le bas sur une page de documentation est un utilisateur qui a lu la page et a conclu qu'elle n'a pas aidé. C'est le signal le plus rare et le plus précieux.

get_negative_feedback dans Docsbook MCP renvoie les pages et les commentaires écrits optionnels.

Ce qu'il faut rechercher :

• Une page qui obtient 10+ vues par 👎 fonctionne bien
• Une page qui obtient 2–3 vues par 👎 est cassée — réécrire
• Une page qui obtient 0 vue n'a aucun signal, ignorer

Parcours de page#

Où les utilisateurs vont après une page vous indique si la page a résolu la question ou a redirigé l'utilisateur vers une autre page.

get_page_journeys dans Docsbook MCP renvoie des chemins multi-pages communs.

Modèles à rechercher :

• Rebondissements depuis le démarrage rapide — votre démarrage rapide est trop long, ou votre CTA est incorrect
• Boucle entre deux pages — les utilisateurs sont confus quant à celle qui s'applique
• Vues de page → recherche → sortie — la page a amené l'utilisateur à poser plus de questions, puis il n'a pas réussi à les trouver

À quoi servent les pages vues#

Les pages vues sont un contexte de fond. Elles vous indiquent l'étendue, pas la santé.

Classez les pages par volume multiplié par le taux d'échec, et non par l'un ou l'autre seul. Une page très lue avec un taux de rétroaction négatif modeste fait échouer plus de lecteurs en termes absolus qu'une page rarement lue avec un terrible, et la seconde est la page qu'une liste triée par taux met en haut. Triez par le produit des deux et vous travaillez sur les pages qui nuisent réellement.

Quel taux de rebond est bon#

Le taux de rebond dans la documentation est souvent trompeur. Un utilisateur qui rebondit peut être un utilisateur satisfait qui a lu la réponse et est parti. Ou un utilisateur frustré qui a vu la page et a immédiatement fermé l'onglet.

Pour clarifier, utilisez :

• Temps sur la page (bas + rebond = mauvais, élevé + rebond = OK)
• Profondeur de défilement (pas de défilement + rebond = mauvais)
• Interaction avec le widget de feedback

Ce que nous avons cessé de suivre#

• Durée moyenne de session — trop bruyante, confondue avec des onglets de navigateur inactifs
• Pages par session — un nombre élevé de pages par session peut signifier que les utilisateurs recherchent sans succès
• Distribution géographique au niveau de la page — utile pour la planification de la traduction, pas pour la qualité du contenu

Cohortes qui comptent#

Trois tranches :

Nouveaux vs anciens#

Les nouveaux utilisateurs accèdent à votre guide de démarrage rapide. Les utilisateurs de retour accèdent à votre référence. Différentes pages, différents critères de succès.

Connecté vs anonyme#

Les utilisateurs connectés sont plus avancés dans l'entonnoir. Leurs signaux de rebond sont plus forts.

Source de référence#

Direct, recherche, recherche AI (perplexity.ai, chat.openai.com, claude.ai), social. Chaque cohorte a une intention différente. Les références de recherche AI sont souvent le trafic avec l'intention la plus profonde.

Suivre les références de recherche AI séparément#

Dans l'analyse de Docsbook, filtrez les référents par :

• perplexity.ai
• chat.openai.com
• claude.ai
• gemini.google.com

Ceci est le canal de distribution AI du côté de l'utilisateur. Suivez la conversion de ces référents séparément — ils convertissent souvent mieux que le trafic Google.

Que faire avec les données#

Un rituel mensuel de travail :

1. Extraire les recherches échouées, les réponses non fournies par l'IA, les retours négatifs (3 requêtes, 5 minutes)
2. Regrouper par sujet — plusieurs requêtes sur "X" signifient une page manquante
3. Choisir les 3 principales par fréquence × impact sur les revenus
4. Rédiger les pages manquantes
5. Vérifier à nouveau le mois suivant

C'est la boucle de ROI la plus élevée dans la documentation. Chaque itération transforme un écart de contenu connu en une page indexée par les moteurs de recherche que la recherche IA peut citer.

Lectures connexes#

• Guide SEO pour la documentation
• Chat IA pour la documentation : construire ou acheter
• Comment faire citer des documents par ChatGPT

Docsbook signale les recherches échouées, les questions sans réponse des assistants, les retours négatifs et les parcours de page, de sorte que les lacunes apparaissent sous forme d'une liste de pages à écrire plutôt que comme un graphique à interpréter.

Commencer gratuitement — pas de carte de crédit