> 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. # Recopilación de datos La recopilación de datos extrae automáticamente información estructurada de las transcripciones de conversaciones mediante análisis basado en LLM. Esto te permite capturar datos valiosos sin procesamiento manual, lo que mejora la eficiencia operativa y la precisión de los datos. ## Resumen La recopilación de datos analiza las transcripciones de conversaciones para identificar y extraer 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 gestionar diversos 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**. ![Configuración de la recopilación de datos](/docs/_fern-files/elevenlabs.docs.buildwithfern.com/1dd7120a0d0236e4b225f1054f17c13956dc5ccc7de275e600eaab9e20604634/assets/images/conversational-ai/collection.gif) #### Añade elementos de recopilación de datos Haz clic en **Añadir elemento** para crear una nueva regla de extracción de datos. Configura cada elemento con: * **Identificador**: Nombre único para el campo de datos (p. ej., `email`, `customer_rating`) * **Tipo de datos**: Selecciona entre cadena, booleano, entero o número * **Descripción**: Instrucciones detalladas sobre cómo extraer los datos de la transcripción > **Info** > > El campo de descripción se envía al LLM y debe ser lo más específico posible sobre qué extraer y cómo darle formato. > **Note** > > Los elementos de recopilación de datos están limitados a 40 por agente en los planes Trial y Enterprise, y a 25 por agente en los demás planes. #### Revisa los datos extraídos Los datos extraídos aparecen en tu historial de conversaciones, lo que te permite revisar qué información se capturó de cada interacción. ![Resultados de recopilación de datos en el historial de conversaciones](/docs/_fern-files/elevenlabs.docs.buildwithfern.com/beddd4acf7a431f10b6d6ac602d4ef16604e93bc51040325e185df6517ba3021/assets/images/conversational-ai/collection_result.gif) ## Buenas prácticas #### Redactar prompts de extracción eficaces * Indica explícitamente el formato esperado (p. ej., "dirección de correo electrónico con el formato [user@domain.com](mailto:user@domain.com)") * Especifica qué hacer cuando falta información o no está clara * Incluye ejemplos de datos válidos y no válidos * Menciona los requisitos de validación #### Ejemplos habituales de recopilación de datos **Información de contacto:** * `email`: "Extrae la dirección de correo electrónico del cliente en formato estándar ([user@domain.com](mailto:user@domain.com))" * `phone_number`: "Extrae el número de teléfono del cliente, incluido el prefijo" * `full_name`: "Extrae el nombre completo del cliente tal como lo haya proporcionado" **Datos de negocio:** * `issue_category`: "Clasifica el problema del cliente en una de estas categorías: técnico, facturación, cuenta o general" * `satisfaction_rating`: "Extrae cualquier valoración numérica de satisfacción proporcionada por el cliente (escala del 1 al 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 que le devolvieran la llamada o un seguimiento" #### Gestionar datos ausentes o poco claros Cuando los datos solicitados no se encuentran o son ambiguos en la transcripción, la extracción devolverá valores nulos o vacíos. Considera lo siguiente: * Usar lógica condicional en tus aplicaciones para gestionar datos ausentes * Crear criterios alternativos para extracciones incompletas * Formar a los agentes para que recopilen sistemáticamente la información necesaria ## Guía de tipos de datos #### Cadena 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 problemas **Buenas prácticas:** * Especifica el formato esperado cuando sea relevante * Incluye requisitos de validación * Ten en cuenta las necesidades de estandarización #### Booleano Úsalo para determinaciones de sí/no o verdadero/falso. **Ejemplos:** * Estado de acuerdo del cliente * Verificación de elegibilidad * Solicitudes de funciones * Indicadores de reclamaciones **Buenas prácticas:** * Define claramente qué se considera verdadero y qué falso * Gestiona respuestas ambiguas * Considera valores predeterminados para casos poco claros #### Entero Úsalo para valores numéricos enteros. **Ejemplos:** * Edad del cliente * Cantidades de productos * Puntuaciones de valoración * Número de problemas **Buenas prácticas:** * Especifica intervalos válidos cuando corresponda * Gestiona respuestas no numéricas * Considera reglas de redondeo si es necesario #### Número Úsalo para valores decimales o de coma flotante. **Ejemplos:** * Importes monetarios * Porcentajes * Medidas * Puntuaciones calculadas **Buenas prácticas:** * Especifica requisitos de precisión * Incluye el contexto de la moneda o la unidad * Gestiona distintos formatos numéricos ## Casos de uso #### Cualificación de leads Extrae información de contacto, criterios de cualificación y niveles de interés de las conversaciones de ventas. #### Información sobre clientes Recopila datos estructurados sobre las preferencias, los comentarios y los patrones de comportamiento de los clientes para obtener información estratégica. #### Análisis de soporte Captura categorías de problemas, detalles de resolución y puntuaciones de satisfacción para mejorar las operaciones. #### Documentación de cumplimiento normativo Extrae divulgaciones, consentimientos e información normativa obligatorios para los registros de auditoría. ## Solución de problemas #### La extracción de datos devuelve valores vacíos * Comprueba que los datos existan en la transcripción de la conversación * Comprueba si tu prompt de extracción es lo suficientemente específico * Asegúrate de que el tipo de datos coincida 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 * Prueba 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 > **Info** > > Los datos extraídos están disponibles mediante [webhooks posteriores a la llamada](/docs/es/eleven-agents/workflows/post-call-webhooks) para integrarlos con sistemas CRM, > bases de datos y plataformas de análisis.