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 bestimmte von Ihnen definierte Informationen zu identifizieren und zu extrahieren. Die extrahierten Daten werden gemäß Ihren Vorgaben strukturiert und für die nachgelagerte Verarbeitung und Analyse bereitgestellt.
Unterstützte Datentypen
Die Datenerfassung unterstützt vier Datentypen für verschiedene Informationsformate:
- String: Textbasierte Informationen (Namen, E-Mail-Adressen, Adressen)
- 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 Agent-Einstellungen zum Bereich Data collection.
Elemente zur Datenerfassung hinzufügen
Klicken Sie auf Add item, um eine neue Regel zur Datenextraktion zu erstellen.
Konfigurieren Sie jedes Element mit:
- Identifier: Eindeutiger Name für das Datenfeld (z. B.
email,customer_rating) - Data type: Wählen Sie String, Boolean, Integer oder Number
- Description: Detaillierte Anweisungen, wie Daten aus dem Transkript extrahiert werden sollen
Das Beschreibungsfeld wird an das LLM übergeben. Geben Sie möglichst genau an, was extrahiert und wie es formatiert werden soll.
Die Datenerfassung ist auf 40 Elemente pro Agent in Trial- und Enterprise-Plänen und auf 25 Elemente pro Agent in anderen Plänen begrenzt.
Best Practices
Effektive Extraktions-Prompts schreiben
- Geben Sie das erwartete Format ausdrücklich 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 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: „Ordne das Anliegen des Kunden einer der folgenden Kategorien zu: 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 erwähnte Bestell- oder Referenznummer“
Verhaltensdaten:
was_angry: „Stelle fest, ob der Kunde während des Anrufs Ärger oder Frustration geäußert hat“requested_callback: „Stelle fest, ob der Kunde um einen Rückruf oder eine Nachverfolgung gebeten hat“
Umgang mit fehlenden oder unklaren Daten
Wenn die angeforderten Daten im Transkript nicht gefunden werden 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
- Definieren Sie Fallback-Kriterien für unvollständige Extraktionen
- Schulen Sie Agents darin, erforderliche Informationen konsistent zu erfassen
Richtlinien für Datentypen
String
Boolean
Integer
Number
Verwenden Sie diesen Typ für textbasierte Informationen, die nicht zu anderen Typen passen.
Beispiele:
- Kundennamen
- E-Mail-Adressen
- Produktkategorien
- Problembeschreibungen
Best Practices:
- Geben Sie bei Bedarf das erwartete Format an
- Fügen Sie Validierungsanforderungen hinzu
- Berücksichtigen Sie Anforderungen an die Standardisierung
Anwendungsfälle
Fehlerbehebung
Die 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 Formatspezifikationen
- Fügen Sie den Prompts Validierungsanforderungen hinzu
- Erwägen Sie eine Nachbearbeitung zur Datenstandardisierung
- Testen Sie verschiedene Gesprächsszenarien
Überlegungen zur Leistung
- Jede Regel zur Datenerfassung erhöht die Verarbeitungszeit
- Die Auswertung komplexer Extraktionslogik kann länger dauern
- Überwachen Sie Extraktionsgenauigkeit im Verhältnis zu Geschwindigkeitsanforderungen
- Optimieren Sie Prompts, wenn möglich, auf Effizienz
Extrahierte Daten sind über Post-call Webhooks zur Integration mit CRM-Systemen, Datenbanken und Analyseplattformen verfügbar.