> 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. # Collecte de données 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 #### 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](/docs/_fern-files/elevenlabs.docs.buildwithfern.com/1dd7120a0d0236e4b225f1054f17c13956dc5ccc7de275e600eaab9e20604634/assets/images/conversational-ai/collection.gif) #### 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 > **Info** > > Le champ de description est transmis au LLM et doit préciser au maximum les données à extraire et leur format. > **Note** > > 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. #### 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](/docs/_fern-files/elevenlabs.docs.buildwithfern.com/beddd4acf7a431f10b6d6ac602d4ef16604e93bc51040325e185df6517ba3021/assets/images/conversational-ai/collection_result.gif) ## Bonnes pratiques #### Rédiger des prompts d'extraction efficaces * Indiquez explicitement le format attendu (par exemple, « adresse email au format [user@domain.com](mailto: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 #### Exemples courants de collecte de données **Coordonnées :** * `email` : « Extrayez l'adresse email du client au format standard ([user@domain.com](mailto: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 » #### Gérer les données absentes ou ambiguës 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 #### Chaîne de caractères 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 #### Booléen À utiliser pour les déterminations oui/non ou vrai/faux. **Exemples :** * Statut d'accord du client * Vérification de l'éligibilité * Demandes de fonctionnalités * Indicateurs de réclamation **Bonnes pratiques :** * Définissez clairement ce qui constitue une valeur vraie ou fausse * Gérez les réponses ambiguës * Prévoyez des valeurs par défaut pour les cas peu clairs #### Entier À utiliser pour les valeurs entières. **Exemples :** * Âge du client * Quantités de produits * Notes d'évaluation * Nombre de problèmes **Bonnes pratiques :** * Précisez les plages valides lorsque nécessaire * Gérez les réponses non numériques * Prévoyez des règles d'arrondi si besoin #### Nombre À utiliser pour les valeurs décimales ou à virgule flottante. **Exemples :** * Montants monétaires * Pourcentages * Mesures * Scores calculés **Bonnes pratiques :** * Précisez les exigences de précision * Indiquez le contexte de devise ou d'unité * Gérez les différents formats de nombres ## 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 #### L'extraction de données renvoie des valeurs vides * 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 #### Formats de données incohérents * 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 #### Considérations relatives aux performances * 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 > **Info** > > Les données extraites sont accessibles via les [webhooks post-appel](/docs/fr/eleven-agents/workflows/post-call-webhooks) pour l'intégration aux systèmes CRM, > bases de données et plateformes d'analyse.