Zbieranie danych
Wyodrębniaj z rozmów ustrukturyzowane informacje, takie jak dane kontaktowe i dane biznesowe.
Zbieranie danych automatycznie wyodrębnia uporządkowane informacje z transkrypcji rozmów za pomocą analizy opartej na LLM. Pozwala to zbierać cenne dane bez ręcznego przetwarzania, zwiększając sprawność działania i dokładność danych.
Omówienie
Zbieranie danych analizuje transkrypcje rozmów, aby wykryć i wyodrębnić wskazane przez ciebie informacje. Wyodrębnione dane są porządkowane zgodnie z twoimi wymaganiami i udostępniane do dalszego przetwarzania oraz analizy.
Obsługiwane typy danych
Zbieranie danych obsługuje cztery typy danych dla różnych formatów informacji:
- Ciąg znaków: Informacje tekstowe (imiona, e-maile, adresy)
- Wartość logiczna: Wartości prawda/fałsz (status zgody, kwalifikacja)
- Liczba całkowita: Liczby całkowite (ilość, wiek, oceny)
- Liczba: Liczby dziesiętne (ceny, wartości procentowe, pomiary)
Konfiguracja
Otwórz ustawienia zbierania danych
Na karcie Analysis w ustawieniach agenta przejdź do sekcji Data collection.
Dodaj elementy zbierania danych
Kliknij Add item, aby utworzyć nową regułę wyodrębniania danych.
Skonfiguruj każdy element:
- Identyfikator: Unikalna nazwa pola danych (np.
email,customer_rating) - Typ danych: Wybierz ciąg znaków, wartość logiczną, liczbę całkowitą lub liczbę
- Opis: Szczegółowe instrukcje wyodrębniania danych z transkrypcji
Pole opisu jest przekazywane do LLM, więc powinno jak najdokładniej określać, co wyodrębnić i jak to sformatować.
W planach Trial i Enterprise możesz dodać do 40 elementów zbierania danych na agenta, a w pozostałych planach — do 25.
Dobre praktyki
Jak pisać skuteczne prompty do wyodrębniania danych
- Jasno określ oczekiwany format (np. „adres e-mail w formacie user@domain.com”)
- Określ, co zrobić, gdy informacji brakuje lub są niejasne
- Dodaj przykłady prawidłowych i nieprawidłowych danych
- Wspomnij o wymaganiach dotyczących walidacji
Typowe przykłady zbierania danych
Dane kontaktowe:
email: „Wyodrębnij adres e-mail klienta w standardowym formacie (user@domain.com)”phone_number: „Wyodrębnij numer telefonu klienta wraz z numerem kierunkowym”full_name: „Wyodrębnij pełne imię i nazwisko klienta zgodnie z podaną informacją”
Dane biznesowe:
issue_category: „Przypisz problem klienta do jednej z kategorii: techniczny, rozliczenia, konto lub ogólny”satisfaction_rating: „Wyodrębnij każdą liczbową ocenę satysfakcji podaną przez klienta (skala 1–10)”order_number: „Wyodrębnij każdy numer zamówienia lub numer referencyjny wspomniany przez klienta”
Dane behawioralne:
was_angry: „Określ, czy klient wyraził złość lub frustrację podczas rozmowy”requested_callback: „Określ, czy klient poprosił o oddzwonienie lub dalszy kontakt”
Obsługa brakujących lub niejasnych danych
Gdy żądanych danych nie można znaleźć w transkrypcji lub są niejednoznaczne, wyodrębnianie zwróci wartości null lub puste. Rozważ:
- Użycie logiki warunkowej w aplikacji do obsługi brakujących danych
- Utworzenie kryteriów zastępczych dla niepełnych wyników
- Szkolenie agentów, aby konsekwentnie zbierali wymagane informacje
Wskazówki dotyczące typów danych
Ciąg znaków
Wartość logiczna
Liczba całkowita
Liczba
Używaj do informacji tekstowych, które nie pasują do innych typów.
Przykłady:
- Imiona i nazwiska klientów
- Adresy e-mail
- Kategorie produktów
- Opisy problemów
Dobre praktyki:
- W razie potrzeby określ oczekiwany format
- Dodaj wymagania dotyczące walidacji
- Uwzględnij potrzebę standaryzacji
Przypadki użycia
Rozwiązywanie problemów
Wyodrębnianie danych zwraca puste wartości
- Sprawdź, czy dane znajdują się w transkrypcji rozmowy
- Sprawdź, czy prompt do wyodrębniania jest wystarczająco precyzyjny
- Upewnij się, że typ danych pasuje do oczekiwanego formatu
- Zastanów się, czy informacja została jasno przekazana podczas rozmowy
Niespójne formaty danych
- Sprawdź, czy prompty do wyodrębniania zawierają specyfikacje formatów
- Dodaj wymagania dotyczące walidacji do promptów
- Rozważ dalsze przetwarzanie w celu standaryzacji danych
- Przetestuj różne scenariusze rozmów
Wydajność
- Każda reguła zbierania danych wydłuża czas przetwarzania
- Złożona logika wyodrębniania może wymagać więcej czasu na ocenę
- Monitoruj dokładność wyodrębniania względem wymagań dotyczących szybkości
- Jeśli to możliwe, optymalizuj prompty pod kątem wydajności
Wyodrębnione dane są dostępne przez Webhooki po rozmowie, co ułatwia integrację z systemami CRM, bazami danych i platformami analitycznymi.