> 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.

# डेटा कलेक्शन

डेटा कलेक्शन, LLM-संचालित विश्लेषण का उपयोग करके बातचीत के ट्रांसक्रिप्ट से संरचित जानकारी अपने-आप निकालता है। इससे आप मैन्युअल प्रोसेसिंग के बिना अहम डेटा पॉइंट्स कैप्चर कर सकते हैं, जिससे ऑपरेशनल दक्षता और डेटा की सटीकता बेहतर होती है।

## ओवरव्यू

डेटा कलेक्शन, बातचीत के ट्रांसक्रिप्ट का विश्लेषण करके आपके तय किए गए खास जानकारी की पहचान करता है और उसे निकालता है। निकाला गया डेटा आपके विनिर्देशों के अनुसार संरचित होता है और आगे की प्रोसेसिंग और विश्लेषण के लिए उपलब्ध होता है।

### समर्थित डेटा टाइप

डेटा कलेक्शन, अलग-अलग जानकारी के फ़ॉर्मैट संभालने के लिए चार डेटा टाइप सपोर्ट करता है:

* **स्ट्रिंग**: टेक्स्ट-आधारित जानकारी (नाम, ईमेल, पते)
* **बूलियन**: सही/गलत वैल्यू (सहमति की स्थिति, पात्रता)
* **इंटीजर**: पूर्ण संख्याएं (मात्रा, उम्र, रेटिंग)
* **नंबर**: दशमलव संख्याएं (कीमतें, प्रतिशत, माप)

## कॉन्फ़िगरेशन

#### डेटा कलेक्शन सेटिंग्स खोलें

अपनी एजेंट सेटिंग्स के **Analysis** टैब में, **Data collection** सेक्शन पर जाएं।

![डेटा कलेक्शन सेट अप करना](/docs/_fern-files/elevenlabs.docs.buildwithfern.com/1dd7120a0d0236e4b225f1054f17c13956dc5ccc7de275e600eaab9e20604634/assets/images/conversational-ai/collection.gif)

#### डेटा कलेक्शन आइटम जोड़ें

नया डेटा एक्सट्रैक्शन नियम बनाने के लिए **Add item** पर क्लिक करें।

हर आइटम को इन सेटिंग्स के साथ कॉन्फ़िगर करें:

* **आइडेंटिफ़ायर**: डेटा फ़ील्ड का यूनिक नाम (जैसे, `email`, `customer_rating`)
* **डेटा टाइप**: स्ट्रिंग, बूलियन, इंटीजर या नंबर में से चुनें
* **विवरण**: ट्रांसक्रिप्ट से डेटा निकालने के तरीके के बारे में विस्तृत निर्देश

> **Info**
>
> विवरण फ़ील्ड LLM को भेजा जाता है। इसमें क्या निकालना है और उसे कैसे फ़ॉर्मैट करना है, इसके बारे में यथासंभव स्पष्ट जानकारी दें।

> **Note**
>
> Trial और Enterprise प्लान में डेटा कलेक्शन आइटम प्रति एजेंट 40 तक सीमित हैं, जबकि दूसरे प्लान में प्रति एजेंट 25 तक सीमित हैं।

#### निकाला गया डेटा देखें

निकाला गया डेटा आपकी बातचीत हिस्ट्री में दिखता है, जिससे आप हर इंटरैक्शन से कैप्चर की गई जानकारी की समीक्षा कर सकते हैं।

![बातचीत हिस्ट्री में डेटा कलेक्शन के नतीजे](/docs/_fern-files/elevenlabs.docs.buildwithfern.com/beddd4acf7a431f10b6d6ac602d4ef16604e93bc51040325e185df6517ba3021/assets/images/conversational-ai/collection_result.gif)

## बेहतरीन तरीके

#### प्रभावी एक्सट्रैक्शन प्रॉम्प्ट लिखना

* अपेक्षित फ़ॉर्मैट साफ़ तौर पर बताएं (जैसे, "[user@domain.com](mailto:user@domain.com) फ़ॉर्मैट में ईमेल पता")
* जानकारी गायब या अस्पष्ट होने पर क्या करना है, यह बताएं
* मान्य और अमान्य डेटा के उदाहरण शामिल करें
* किसी भी वैलिडेशन की ज़रूरत का उल्लेख करें

#### डेटा कलेक्शन के आम उदाहरण

**संपर्क जानकारी:**

* `email`: "कस्टमर का ईमेल पता स्टैंडर्ड फ़ॉर्मैट में निकालें ([user@domain.com](mailto:user@domain.com))"
* `phone_number`: "एरिया कोड सहित कस्टमर का फ़ोन नंबर निकालें"
* `full_name`: "कस्टमर का दिया गया पूरा नाम निकालें"

**बिज़नेस डेटा:**

* `issue_category`: "कस्टमर की समस्या को इनमें से किसी एक में वर्गीकृत करें: तकनीकी, बिलिंग, अकाउंट या सामान्य"
* `satisfaction_rating`: "कस्टमर द्वारा दी गई कोई भी संख्यात्मक संतुष्टि रेटिंग निकालें (1-10 स्केल)"
* `order_number`: "कस्टमर द्वारा बताया गया कोई भी ऑर्डर या रेफ़रेंस नंबर निकालें"

**व्यवहार संबंधी डेटा:**

* `was_angry`: "तय करें कि कस्टमर ने कॉल के दौरान गुस्सा या निराशा व्यक्त की थी या नहीं"
* `requested_callback`: "तय करें कि कस्टमर ने कॉलबैक या फ़ॉलो-अप का अनुरोध किया था या नहीं"

#### गायब या अस्पष्ट डेटा संभालना

जब मांगा गया डेटा ट्रांसक्रिप्ट में नहीं मिलता या अस्पष्ट होता है, तो एक्सट्रैक्शन null या खाली वैल्यू लौटाएगा। इन बातों पर विचार करें:

* गायब डेटा संभालने के लिए अपने एप्लिकेशन में कंडीशनल लॉजिक का उपयोग करें
* अधूरे एक्सट्रैक्शन के लिए फ़ॉलबैक मानदंड बनाएं
* ज़रूरी जानकारी लगातार जुटाने के लिए एजेंट्स को प्रशिक्षित करें

## डेटा टाइप गाइडलाइंस

#### स्ट्रिंग

ऐसी टेक्स्ट-आधारित जानकारी के लिए इस्तेमाल करें जो दूसरे टाइप में फिट नहीं होती।

**उदाहरण:**

* कस्टमर के नाम
* ईमेल पते
* प्रोडक्ट कैटेगरी
* समस्या का विवरण

**बेहतरीन तरीके:**

* ज़रूरत होने पर अपेक्षित फ़ॉर्मैट बताएं
* वैलिडेशन की ज़रूरतें शामिल करें
* मानकीकरण की ज़रूरतों पर विचार करें

#### बूलियन

हां/नहीं या सही/गलत निर्धारण के लिए इस्तेमाल करें।

**उदाहरण:**

* कस्टमर की सहमति की स्थिति
* पात्रता वेरिफ़िकेशन
* फ़ीचर अनुरोध
* शिकायत के संकेतक

**बेहतरीन तरीके:**

* साफ़ तौर पर तय करें कि true और false क्या होगा
* अस्पष्ट जवाबों को संभालें
* अस्पष्ट मामलों के लिए डिफ़ॉल्ट वैल्यू पर विचार करें

#### इंटीजर

पूर्ण संख्या वाली वैल्यू के लिए इस्तेमाल करें।

**उदाहरण:**

* कस्टमर की उम्र
* प्रोडक्ट की मात्रा
* रेटिंग स्कोर
* समस्याओं की संख्या

**बेहतरीन तरीके:**

* लागू होने पर मान्य रेंज बताएं
* गैर-संख्यात्मक जवाबों को संभालें
* ज़रूरत होने पर राउंडिंग नियमों पर विचार करें

#### नंबर

दशमलव या फ़्लोटिंग-पॉइंट वैल्यू के लिए इस्तेमाल करें।

**उदाहरण:**

* धनराशि
* प्रतिशत
* माप
* कैलकुलेट किए गए स्कोर

**बेहतरीन तरीके:**

* सटीकता की ज़रूरतें बताएं
* मुद्रा या यूनिट का संदर्भ शामिल करें
* अलग-अलग संख्या फ़ॉर्मैट संभालें

## इस्तेमाल के मामले

#### लीड क्वालिफ़िकेशन

सेल्स बातचीत से संपर्क जानकारी, क्वालिफ़िकेशन मानदंड और रुचि के स्तर निकालें।

#### कस्टमर इंटेलिजेंस

रणनीतिक इनसाइट्स के लिए कस्टमर की पसंद, फ़ीडबैक और व्यवहार पैटर्न के बारे में संरचित डेटा जुटाएं।

#### सपोर्ट एनालिटिक्स

ऑपरेशनल सुधारों के लिए समस्या कैटेगरी, समाधान का विवरण और संतुष्टि स्कोर कैप्चर करें।

#### कंप्लायंस डॉक्यूमेंटेशन

ऑडिट ट्रेल्स के लिए ज़रूरी डिस्क्लोज़र, सहमति और नियामकीय जानकारी निकालें।

## समस्या निवारण

#### डेटा एक्सट्रैक्शन से खाली वैल्यू मिल रही हैं

* जांचें कि डेटा बातचीत के ट्रांसक्रिप्ट में मौजूद है
* जांचें कि आपका एक्सट्रैक्शन प्रॉम्प्ट पर्याप्त रूप से स्पष्ट है या नहीं
* सुनिश्चित करें कि डेटा टाइप अपेक्षित फ़ॉर्मैट से मेल खाता है
* विचार करें कि बातचीत के दौरान जानकारी साफ़ तौर पर दी गई थी या नहीं

#### असंगत डेटा फ़ॉर्मैट

* फ़ॉर्मैट विनिर्देशों के लिए एक्सट्रैक्शन प्रॉम्प्ट की समीक्षा करें
* प्रॉम्प्ट में वैलिडेशन की ज़रूरतें जोड़ें
* डेटा मानकीकरण के लिए पोस्ट-प्रोसेसिंग पर विचार करें
* अलग-अलग बातचीत परिदृश्यों के साथ टेस्ट करें

#### परफ़ॉर्मेंस से जुड़ी बातें

* हर डेटा कलेक्शन नियम प्रोसेसिंग समय बढ़ाता है
* जटिल एक्सट्रैक्शन लॉजिक का मूल्यांकन करने में ज़्यादा समय लग सकता है
* एक्सट्रैक्शन की सटीकता और स्पीड की ज़रूरतों पर नज़र रखें
* जहां संभव हो, दक्षता के लिए प्रॉम्प्ट ऑप्टिमाइज़ करें

> **Info**
>
> निकाला गया डेटा CRM सिस्टम, डेटाबेस और एनालिटिक्स प्लेटफ़ॉर्म के साथ इंटीग्रेशन के लिए [Post-call Webhooks](/docs/hi/eleven-agents/workflows/post-call-webhooks) से उपलब्ध है।