SuiviAnalyse des conversations

Collecte de données

Extrayez des informations structurées des conversations, telles que des coordonnées et des données métier.

La collecte de données extrait automatiquement des informations structurées des transcriptions de conversations grâce à une analyse propulsée par LLM. Elle vous permet de recueillir des données précieuses sans traitement manuel, afin d’améliorer l’efficacité opérationnelle et la précision des données.

Présentation

La collecte de données analyse les transcriptions de conversations pour identifier et extraire les informations spécifiques que vous définissez. Les données extraites sont structurées selon vos spécifications et mises à disposition pour un traitement et une analyse en aval.

Types de données pris en charge

La collecte de données prend en charge quatre types de données pour traiter différents formats d’information :

  • Chaîne de caractères : Informations textuelles (noms, emails, adresses)
  • Booléen : Valeurs vrai/faux (statut d’accord, éligibilité)
  • Entier : Nombres entiers (quantité, âge, évaluations)
  • Nombre : Nombres décimaux (prix, pourcentages, mesures)

Configuration

1

Accéder aux paramètres de collecte de données

Dans l’onglet Analyse des paramètres de votre agent, accédez à la section Collecte de données.

Configuration de la collecte de données

2

Ajouter des éléments de collecte de données

Cliquez sur Ajouter un élément pour créer une règle d’extraction de données.

Configurez chaque élément avec :

  • Identifiant : Nom unique du champ de données (par exemple, email, customer_rating)
  • Type de données : Sélectionnez chaîne de caractères, booléen, entier ou nombre
  • Description : Instructions détaillées sur l’extraction des données depuis la transcription

Le champ de description est transmis au LLM et doit préciser au maximum les données à extraire et leur format.

Le nombre d’éléments de collecte de données est limité à 40 par agent pour les forfaits Trial et Enterprise, et à 25 par agent pour les autres forfaits.

3

Examiner les données extraites

Les données extraites apparaissent dans votre historique de conversations, ce qui vous permet de vérifier les informations recueillies lors de chaque interaction.

Résultats de la collecte de données dans l'historique des conversations

Bonnes pratiques

  • Indiquez explicitement le format attendu (par exemple, « adresse email au format user@domain.com »)
  • Précisez la marche à suivre lorsque l’information est absente ou ambiguë
  • Incluez des exemples de données valides et non valides
  • Mentionnez les exigences de validation

Coordonnées :

  • email : « Extrayez l’adresse email du client au format standard (user@domain.com) »
  • phone_number : « Extrayez le numéro de téléphone du client, indicatif compris »
  • full_name : « Extrayez le nom complet du client tel qu’il a été fourni »

Données commerciales :

  • issue_category : « Classez le problème du client dans l’une des catégories suivantes : technique, facturation, compte ou général »
  • satisfaction_rating : « Extrayez toute évaluation chiffrée de satisfaction donnée par le client (échelle de 1 à 10) »
  • order_number : « Extrayez tout numéro de commande ou de référence mentionné par le client »

Données comportementales :

  • was_angry : « Déterminez si le client a exprimé de la colère ou de la frustration pendant l’appel »
  • requested_callback : « Déterminez si le client a demandé à être rappelé ou a souhaité un suivi »

Lorsque les données demandées sont introuvables ou ambiguës dans la transcription, l’extraction renvoie des valeurs nulles ou vides. Envisagez de :

  • Utiliser une logique conditionnelle dans vos applications pour gérer les données absentes
  • Créer des critères de repli pour les extractions incomplètes
  • Former les agents à recueillir systématiquement les informations requises

Guide des types de données

À utiliser pour les informations textuelles qui ne correspondent pas aux autres types.

Exemples :

  • Noms des clients
  • Adresses email
  • Catégories de produits
  • Descriptions des problèmes

Bonnes pratiques :

  • Précisez le format attendu lorsque c’est pertinent
  • Incluez les exigences de validation
  • Anticipez les besoins de normalisation

Cas d’usage

Qualification des prospects

Extrayez les coordonnées, les critères de qualification et les niveaux d’intérêt des conversations commerciales.

Connaissance client

Recueillez des données structurées sur les préférences, retours et comportements des clients pour en tirer des informations stratégiques.

Analyse du support

Recueillez les catégories de problèmes, les détails de résolution et les scores de satisfaction afin d’améliorer les opérations.

Documentation de conformité

Extrayez les mentions obligatoires, les consentements et les informations réglementaires pour les pistes d’audit.

Résolution des problèmes

  • Vérifiez que les données figurent dans la transcription de la conversation
  • Vérifiez que votre prompt d’extraction est suffisamment précis
  • Assurez-vous que le type de données correspond au format attendu
  • Vérifiez que l’information a été clairement communiquée au cours de la conversation
  • Vérifiez les spécifications de format dans les prompts d’extraction
  • Ajoutez des exigences de validation aux prompts
  • Envisagez un post-traitement pour normaliser les données
  • Testez différents scénarios de conversation
  • Chaque règle de collecte de données allonge le temps de traitement
  • Une logique d’extraction complexe peut prendre davantage de temps à évaluer
  • Surveillez le compromis entre précision d’extraction et exigences de rapidité
  • Optimisez les prompts pour gagner en efficacité lorsque possible

Les données extraites sont accessibles via les webhooks post-appel pour l’intégration aux systèmes CRM, bases de données et plateformes d’analyse.