Datenerfassung
Extrahieren Sie strukturierte Informationen aus Gesprächen, etwa Kontaktdaten und Geschäftsdaten.
Die Datenerfassung extrahiert mithilfe LLM-gestützter Analyse automatisch strukturierte Informationen aus Gesprächstranskripten. So erfassen Sie wertvolle Datenpunkte ohne manuelle Verarbeitung und verbessern Betriebseffizienz und Datengenauigkeit.
Überblick
Die Datenerfassung analysiert Gesprächstranskripte, um von Ihnen definierte Informationen zu erkennen und zu extrahieren. Die extrahierten Daten werden nach Ihren Vorgaben strukturiert und für nachgelagerte Verarbeitung und Analysen bereitgestellt.
Unterstützte Datentypen
Die Datenerfassung unterstützt vier Datentypen für verschiedene Informationsformate:
- String: Textbasierte Informationen (Namen, E-Mail-Adressen, Anschriften)
- Boolean: Wahr/Falsch-Werte (Zustimmungsstatus, Berechtigung)
- Integer: Ganze Zahlen (Menge, Alter, Bewertungen)
- Number: Dezimalzahlen (Preise, Prozentsätze, Messwerte)
Konfiguration
Einstellungen für die Datenerfassung öffnen
Navigieren Sie im Tab Analysis Ihrer Agenteneinstellungen zum Bereich Data collection.
Datenerfassungselemente hinzufügen
Klicken Sie auf Add data collection, um eine neue Datenextraktionsregel zu erstellen oder eine aus der Analysebibliothek Ihres Workspaces zuzuweisen.
Konfigurieren Sie jedes Element mit:
- Name: Eindeutiger Name für das Datenfeld (z. B.
email,customer_rating) - Datentyp: Wählen Sie String, Boolean, Integer oder Number
- Beschreibung: Detaillierte Anweisungen zur Extraktion der Daten aus dem Transkript
Das Beschreibungsfeld wird an das LLM übergeben und sollte möglichst genau angeben, was extrahiert werden soll und wie es formatiert werden muss.
Datenerfassungselemente sind in Trial- und Enterprise-Plänen auf 50 pro Agent begrenzt, in anderen Plänen auf 25 pro Agent.
Best Practices
Effektive Extraktions-Prompts schreiben
- Geben Sie das erwartete Format explizit an (z. B. „E-Mail-Adresse im Format user@domain.com“)
- Legen Sie fest, was bei fehlenden oder unklaren Informationen geschehen soll
- Fügen Sie Beispiele für gültige und ungültige Daten hinzu
- Nennen Sie alle Validierungsanforderungen
Häufige Beispiele für die Datenerfassung
Kontaktinformationen:
email: „Extrahiere die E-Mail-Adresse des Kunden im Standardformat (user@domain.com)“phone_number: „Extrahiere die Telefonnummer des Kunden einschließlich Vorwahl“full_name: „Extrahiere den vollständigen Namen des Kunden wie angegeben“
Geschäftsdaten:
issue_category: „Klassifiziere das Problem des Kunden als eines von: technisch, Abrechnung, Konto oder allgemein“satisfaction_rating: „Extrahiere jede vom Kunden angegebene numerische Zufriedenheitsbewertung (Skala von 1 bis 10)“order_number: „Extrahiere jede vom Kunden genannte Bestell- oder Referenznummer“
Verhaltensdaten:
was_angry: „Stelle fest, ob der Kunde während des Anrufs Ärger oder Frustration ausgedrückt hat“requested_callback: „Stelle fest, ob der Kunde einen Rückruf oder eine Nachverfolgung angefordert hat“
Umgang mit fehlenden oder unklaren Daten
Wenn die angeforderten Daten im Transkript nicht gefunden werden können oder mehrdeutig sind, gibt die Extraktion null oder leere Werte zurück. Beachten Sie Folgendes:
- Verwenden Sie bedingte Logik in Ihren Anwendungen, um fehlende Daten zu behandeln
- Erstellen Sie Fallback-Kriterien für unvollständige Extraktionen
- Schulen Sie Agenten, erforderliche Informationen konsequent zu erfassen
Richtlinien für Datentypen
String
Boolean
Integer
Number
Verwenden Sie diesen Typ für textbasierte Informationen, die nicht in andere Typen passen.
Beispiele:
- Kundennamen
- E-Mail-Adressen
- Produktkategorien
- Problembeschreibungen
Best Practices:
- Geben Sie bei Bedarf das erwartete Format an
- Schließen Sie Validierungsanforderungen ein
- Berücksichtigen Sie Anforderungen an die Standardisierung
Anwendungsfälle
Fehlerbehebung
Datenextraktion gibt leere Werte zurück
- Prüfen Sie, ob die Daten im Gesprächstranskript vorhanden sind
- Prüfen Sie, ob Ihr Extraktions-Prompt spezifisch genug ist
- Stellen Sie sicher, dass der Datentyp dem erwarteten Format entspricht
- Berücksichtigen Sie, ob die Informationen im Gespräch klar kommuniziert wurden
Inkonsistente Datenformate
- Prüfen Sie Extraktions-Prompts auf Formatvorgaben
- Fügen Sie den Prompts Validierungsanforderungen hinzu
- Erwägen Sie Nachbearbeitung zur Datenstandardisierung
- Testen Sie mit verschiedenen Gesprächsszenarien
Leistungsaspekte
- Jede Datenerfassungsregel erhöht die Verarbeitungszeit
- Die Auswertung komplexer Extraktionslogik kann länger dauern
- Überwachen Sie die Extraktionsgenauigkeit im Verhältnis zu Geschwindigkeitsanforderungen
- Optimieren Sie Prompts, wenn möglich, auf Effizienz
Extrahierte Daten sind über Webhooks nach Anrufen zur Integration mit CRM-Systemen, Datenbanken und Analyseplattformen verfügbar.