> This is a page from the ElevenLabs documentation. For a complete page index, fetch https://elevenlabs.io/docs/llms.txt. For the full documentation in a single file, fetch https://elevenlabs.io/docs/llms-full.txt. # Datenerfassung 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**. ![Datenerfassung einrichten](/docs/_fern-files/elevenlabs.docs.buildwithfern.com/1dd7120a0d0236e4b225f1054f17c13956dc5ccc7de275e600eaab9e20604634/assets/images/conversational-ai/collection.gif) #### 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 > **Info** > > Das Beschreibungsfeld wird an das LLM übergeben. Geben Sie möglichst genau an, was extrahiert und wie es formatiert werden soll. > **Note** > > Die Datenerfassung ist auf 40 Elemente pro Agent in Trial- und Enterprise-Plänen und auf 25 Elemente pro Agent in anderen Plänen begrenzt. #### Extrahierte Daten prüfen Extrahierte Daten erscheinen in Ihrem Gesprächsverlauf. So können Sie prüfen, welche Informationen aus jeder Interaktion erfasst wurden. ![Ergebnisse der Datenerfassung im Gesprächsverlauf](/docs/_fern-files/elevenlabs.docs.buildwithfern.com/beddd4acf7a431f10b6d6ac602d4ef16604e93bc51040325e185df6517ba3021/assets/images/conversational-ai/collection_result.gif) ## Best Practices #### Effektive Extraktions-Prompts schreiben * Geben Sie das erwartete Format ausdrücklich an (z. B. „E-Mail-Adresse im Format [user@domain.com](mailto: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](mailto: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 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 #### Boolean Verwenden Sie diesen Typ für Ja/Nein- oder Wahr/Falsch-Entscheidungen. **Beispiele:** * Zustimmungsstatus des Kunden * Überprüfung der Berechtigung * Funktionsanfragen * Indikatoren für Beschwerden **Best Practices:** * Definieren Sie klar, was wahr bzw. falsch bedeutet * Behandeln Sie mehrdeutige Antworten * Berücksichtigen Sie Standardwerte für unklare Fälle #### Integer Verwenden Sie diesen Typ für ganzzahlige Werte. **Beispiele:** * Alter des Kunden * Produktmengen * Bewertungswerte * Anzahl der Probleme **Best Practices:** * Geben Sie gegebenenfalls gültige Bereiche an * Behandeln Sie nicht numerische Antworten * Berücksichtigen Sie bei Bedarf Rundungsregeln #### Number Verwenden Sie diesen Typ für Dezimal- oder Gleitkommawerte. **Beispiele:** * Geldbeträge * Prozentsätze * Messwerte * Berechnete Werte **Best Practices:** * Geben Sie Präzisionsanforderungen an * Geben Sie den Kontext für Währung oder Einheit an * Behandeln Sie verschiedene Zahlenformate ## Anwendungsfälle #### Lead-Qualifizierung Extrahieren Sie Kontaktinformationen, Qualifizierungskriterien und Interessensstufen aus Verkaufsgesprächen. #### Kundeninformationen Erfassen Sie strukturierte Daten zu Kundenpräferenzen, Feedback und Verhaltensmustern für strategische Erkenntnisse. #### Support-Analysen Erfassen Sie Problemkategorien, Lösungsdetails und Zufriedenheitswerte für operative Verbesserungen. #### Compliance-Dokumentation Extrahieren Sie erforderliche Offenlegungen, Einwilligungen und regulatorische Informationen für Prüfprotokolle. ## 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 > **Info** > > Extrahierte Daten sind über [Post-call Webhooks](/docs/de/eleven-agents/workflows/post-call-webhooks) zur Integration mit CRM-Systemen, > Datenbanken und Analyseplattformen verfügbar.