Coleta de dados
Extraia informações estruturadas das conversas, como dados de contato e dados comerciais.
A coleta de dados extrai automaticamente informações estruturadas das transcrições de conversas usando análises com tecnologia de LLM. Isso permite capturar dados valiosos sem processamento manual, melhorando a eficiência operacional e a precisão dos dados.
Visão geral
A coleta de dados analisa transcrições de conversas para identificar e extrair informações específicas que você define. Os dados extraídos são estruturados de acordo com suas especificações e disponibilizados para processamento e análise posteriores.
Tipos de dados compatíveis
A coleta de dados oferece suporte a quatro tipos de dados para lidar com vários formatos de informação:
- String: Informações em texto (nomes, e-mails, endereços)
- Boolean: Valores verdadeiro/falso (status de concordância, elegibilidade)
- Integer: Números inteiros (quantidade, idade, avaliações)
- Number: Números decimais (preços, porcentagens, medidas)
Configuração
Acessar as configurações de coleta de dados
Na aba Análise das configurações do seu agente, acesse a seção Coleta de dados.
Adicionar itens de coleta de dados
Clique em Adicionar item para criar uma nova regra de extração de dados.
Configure cada item com:
- Identificador: Nome exclusivo para o campo de dados (por exemplo,
email,customer_rating) - Tipo de dados: Selecione entre string, boolean, integer ou number
- Descrição: Instruções detalhadas sobre como extrair os dados da transcrição
O campo de descrição é enviado ao LLM e deve ser o mais específico possível sobre o que extrair e como formatar os dados.
Os itens de coleta de dados são limitados a 40 por agente nos planos Trial e Enterprise, e a 25 por agente nos outros planos.
Práticas recomendadas
Como escrever prompts de extração eficazes
- Seja explícito sobre o formato esperado (por exemplo, “endereço de e-mail no formato usuario@dominio.com”)
- Especifique o que fazer quando as informações estiverem ausentes ou não estiverem claras
- Inclua exemplos de dados válidos e inválidos
- Mencione quaisquer requisitos de validação
Exemplos comuns de coleta de dados
Informações de contato:
email: “Extraia o endereço de e-mail do cliente no formato padrão (usuario@dominio.com)”phone_number: “Extraia o número de telefone do cliente, incluindo o código de área”full_name: “Extraia o nome completo do cliente conforme informado”
Dados comerciais:
issue_category: “Classifique o problema do cliente em uma destas categorias: técnico, faturamento, conta ou geral”satisfaction_rating: “Extraia qualquer avaliação numérica de satisfação fornecida pelo cliente (escala de 1 a 10)”order_number: “Extraia qualquer número de pedido ou referência mencionado pelo cliente”
Dados comportamentais:
was_angry: “Determine se o cliente expressou raiva ou frustração durante a ligação”requested_callback: “Determine se o cliente solicitou um retorno ou acompanhamento”
Como lidar com dados ausentes ou pouco claros
Quando os dados solicitados não puderem ser encontrados ou forem ambíguos na transcrição, a extração retornará valores nulos ou vazios. Considere:
- Usar lógica condicional nos seus aplicativos para lidar com dados ausentes
- Criar critérios alternativos para extrações incompletas
- Treinar agentes para coletar as informações necessárias de forma consistente
Diretrizes para tipos de dados
String
Boolean
Integer
Number
Use para informações em texto que não se encaixam em outros tipos.
Exemplos:
- Nomes de clientes
- Endereços de e-mail
- Categorias de produtos
- Descrições de problemas
Práticas recomendadas:
- Especifique o formato esperado quando for relevante
- Inclua requisitos de validação
- Considere necessidades de padronização
Casos de uso
Solução de problemas
A extração de dados retorna valores vazios
- Verifique se os dados existem na transcrição da conversa
- Confira se o prompt de extração é específico o suficiente
- Garanta que o tipo de dados corresponde ao formato esperado
- Considere se as informações foram comunicadas claramente durante a conversa
Formatos de dados inconsistentes
- Revise os prompts de extração quanto às especificações de formato
- Adicione requisitos de validação aos prompts
- Considere o pós-processamento para padronizar os dados
- Teste com vários cenários de conversa
Considerações de desempenho
- Cada regra de coleta de dados adiciona tempo de processamento
- Uma lógica de extração complexa pode levar mais tempo para ser avaliada
- Monitore a precisão da extração em relação aos requisitos de velocidade
- Otimize os prompts para eficiência quando possível
Os dados extraídos estão disponíveis por meio de Webhooks pós-chamada para integração com sistemas de CRM, bancos de dados e plataformas de análise.