> 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.

# Zbieranie danych

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**.

![Konfiguracja zbierania danych](/docs/_fern-files/elevenlabs.docs.buildwithfern.com/1dd7120a0d0236e4b225f1054f17c13956dc5ccc7de275e600eaab9e20604634/assets/images/conversational-ai/collection.gif)

#### 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

> **Info**
>
> Pole opisu jest przekazywane do LLM, więc powinno jak najdokładniej określać, co wyodrębnić i jak to sformatować.

> **Note**
>
> W planach Trial i Enterprise możesz dodać do 40 elementów zbierania danych na agenta, a w pozostałych planach — do 25.

#### Sprawdź wyodrębnione dane

Wyodrębnione dane pojawiają się w historii rozmów, dzięki czemu możesz sprawdzić, jakie informacje zebrano z każdej interakcji.

![Wyniki zbierania danych w historii rozmów](/docs/_fern-files/elevenlabs.docs.buildwithfern.com/beddd4acf7a431f10b6d6ac602d4ef16604e93bc51040325e185df6517ba3021/assets/images/conversational-ai/collection_result.gif)

## Dobre praktyki

#### Jak pisać skuteczne prompty do wyodrębniania danych

* Jasno określ oczekiwany format (np. „adres e-mail w formacie [user@domain.com](mailto: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](mailto: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

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

#### Wartość logiczna

Używaj do określeń tak/nie, prawda/fałsz.

**Przykłady:**

* Status zgody klienta
* Weryfikacja kwalifikacji
* Prośby o funkcje
* Wskaźniki skarg

**Dobre praktyki:**

* Jasno określ, co oznacza prawdę, a co fałsz
* Obsługuj niejednoznaczne odpowiedzi
* Rozważ wartości domyślne dla niejasnych przypadków

#### Liczba całkowita

Używaj dla liczb całkowitych.

**Przykłady:**

* Wiek klienta
* Ilości produktów
* Oceny
* Liczba problemów

**Dobre praktyki:**

* W stosownych przypadkach określ prawidłowe zakresy
* Obsługuj odpowiedzi nieliczbowe
* W razie potrzeby uwzględnij zasady zaokrąglania

#### Liczba

Używaj dla wartości dziesiętnych lub zmiennoprzecinkowych.

**Przykłady:**

* Kwoty pieniężne
* Wartości procentowe
* Pomiary
* Wyliczone wyniki

**Dobre praktyki:**

* Określ wymaganą precyzję
* Podaj kontekst waluty lub jednostki
* Obsługuj różne formaty liczb

## Przypadki użycia

#### Kwalifikacja leadów

Wyodrębniaj dane kontaktowe, kryteria kwalifikacji i poziomy zainteresowania z rozmów sprzedażowych.

#### Wiedza o klientach

Zbieraj uporządkowane dane o preferencjach klientów, opiniach i wzorcach zachowań, aby uzyskać
strategiczne wnioski.

#### Analityka wsparcia

Zbieraj kategorie problemów, szczegóły rozwiązań i oceny satysfakcji, aby usprawniać
działania.

#### Dokumentacja zgodności

Wyodrębniaj wymagane oświadczenia, zgody i informacje regulacyjne na potrzeby ścieżek audytu.

## 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

> **Info**
>
> Wyodrębnione dane są dostępne przez [Webhooki po rozmowie](/docs/pl/eleven-agents/workflows/post-call-webhooks), co ułatwia integrację z systemami CRM,
> bazami danych i platformami analitycznymi.