Recopilación de datos
Extrae información estructurada de las conversaciones, como datos de contacto y datos empresariales.
La recopilación de datos extrae automáticamente información estructurada de las transcripciones de conversaciones mediante análisis con LLM. Esto te permite capturar datos valiosos sin procesamiento manual, mejorando la eficiencia operativa y la precisión de los datos.
Descripción general
La recopilación de datos analiza las transcripciones de conversaciones para identificar y extraer la información específica que definas. Los datos extraídos se estructuran según tus especificaciones y quedan disponibles para su procesamiento y análisis posteriores.
Tipos de datos compatibles
La recopilación de datos admite cuatro tipos de datos para manejar distintos formatos de información:
- Cadena: Información basada en texto (nombres, correos electrónicos, direcciones)
- Booleano: Valores verdadero/falso (estado de acuerdo, elegibilidad)
- Entero: Números enteros (cantidad, edad, valoraciones)
- Número: Números decimales (precios, porcentajes, medidas)
Configuración
Accede a los ajustes de recopilación de datos
En la pestaña Análisis de los ajustes de tu agente, ve a la sección Recopilación de datos.
Añade elementos de recopilación de datos
Haz clic en Añadir recopilación de datos para crear una nueva regla de extracción de datos o asignar una desde la biblioteca de análisis de tu espacio de trabajo.
Configura cada elemento con:
- Nombre: Nombre único para el campo de datos (p. ej.,
email,customer_rating) - Tipo de datos: Selecciona cadena, booleano, entero o número
- Descripción: Instrucciones detalladas sobre cómo extraer los datos de la transcripción
El campo de descripción se envía al LLM y debe ser lo más específico posible sobre qué extraer y cómo formatearlo.
Los elementos de recopilación de datos están limitados a 50 por agente en los planes Trial y Enterprise, y a 25 por agente en otros planes.
Buenas prácticas
Redactar prompts de extracción eficaces
- Indica explícitamente el formato esperado (p. ej., “dirección de correo electrónico con el formato usuario@dominio.com”)
- Especifica qué hacer cuando la información falte o no esté clara
- Incluye ejemplos de datos válidos y no válidos
- Menciona cualquier requisito de validación
Ejemplos habituales de recopilación de datos
Información de contacto:
email: “Extrae la dirección de correo electrónico del cliente en formato estándar (usuario@dominio.com)”phone_number: “Extrae el número de teléfono del cliente, incluido el prefijo”full_name: “Extrae el nombre completo del cliente tal como se haya proporcionado”
Datos empresariales:
issue_category: “Clasifica la incidencia del cliente en una de estas categorías: técnica, facturación, cuenta o general”satisfaction_rating: “Extrae cualquier valoración numérica de satisfacción proporcionada por el cliente (escala de 1 a 10)”order_number: “Extrae cualquier número de pedido o referencia mencionado por el cliente”
Datos de comportamiento:
was_angry: “Determina si el cliente expresó enfado o frustración durante la llamada”requested_callback: “Determina si el cliente solicitó una devolución de llamada o seguimiento”
Gestionar datos ausentes o poco claros
Cuando los datos solicitados no se encuentren en la transcripción o sean ambiguos, la extracción devolverá valores nulos o vacíos. Ten en cuenta lo siguiente:
- Utiliza lógica condicional en tus aplicaciones para gestionar datos ausentes
- Crea criterios alternativos para extracciones incompletas
- Entrena a agentes para recopilar de forma consistente la información necesaria
Guía de tipos de datos
Cadena
Booleano
Entero
Número
Úsalo para información basada en texto que no encaje en otros tipos.
Ejemplos:
- Nombres de clientes
- Direcciones de correo electrónico
- Categorías de productos
- Descripciones de incidencias
Buenas prácticas:
- Especifica el formato esperado cuando sea relevante
- Incluye requisitos de validación
- Ten en cuenta las necesidades de estandarización
Casos de uso
Resolución de problemas
La extracción de datos devuelve valores vacíos
- Verifica que los datos existan en la transcripción de la conversación
- Comprueba si tu prompt de extracción es lo bastante específico
- Asegúrate de que el tipo de datos coincide con el formato esperado
- Considera si la información se comunicó claramente durante la conversación
Formatos de datos incoherentes
- Revisa las especificaciones de formato en los prompts de extracción
- Añade requisitos de validación a los prompts
- Considera el posprocesamiento para estandarizar los datos
- Realiza pruebas con distintos escenarios de conversación
Consideraciones de rendimiento
- Cada regla de recopilación de datos añade tiempo de procesamiento
- La lógica de extracción compleja puede tardar más en evaluarse
- Supervisa la precisión de la extracción frente a los requisitos de velocidad
- Optimiza los prompts para mejorar la eficiencia cuando sea posible
Los datos extraídos están disponibles a través de Webhooks posteriores a la llamada para integrarlos con sistemas CRM, bases de datos y plataformas de analítica.