> 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. # Coleta de dados 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**. ![Configurando a coleta de dados](/docs/_fern-files/elevenlabs.docs.buildwithfern.com/1dd7120a0d0236e4b225f1054f17c13956dc5ccc7de275e600eaab9e20604634/assets/images/conversational-ai/collection.gif) #### 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 > **Info** > > O campo de descrição é enviado ao LLM e deve ser o mais específico possível sobre o que extrair e como formatar os dados. > **Note** > > 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. #### Revisar dados extraídos Os dados extraídos aparecem no histórico de conversas, permitindo que você revise quais informações foram capturadas em cada interação. ![Resultados da coleta de dados no histórico de conversas](/docs/_fern-files/elevenlabs.docs.buildwithfern.com/beddd4acf7a431f10b6d6ac602d4ef16604e93bc51040325e185df6517ba3021/assets/images/conversational-ai/collection_result.gif) ## 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](mailto: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](mailto: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 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 #### Boolean Use para determinações de sim/não ou verdadeiro/falso. **Exemplos:** * Status de concordância do cliente * Verificação de elegibilidade * Solicitações de recursos * Indicadores de reclamação **Práticas recomendadas:** * Defina claramente o que constitui verdadeiro e falso * Lide com respostas ambíguas * Considere valores padrão para casos pouco claros #### Integer Use para valores numéricos inteiros. **Exemplos:** * Idade do cliente * Quantidades de produtos * Pontuações de avaliação * Número de problemas **Práticas recomendadas:** * Especifique intervalos válidos quando aplicável * Lide com respostas não numéricas * Considere regras de arredondamento, se necessário #### Number Use para valores decimais ou de ponto flutuante. **Exemplos:** * Valores monetários * Porcentagens * Medidas * Pontuações calculadas **Práticas recomendadas:** * Especifique requisitos de precisão * Inclua o contexto de moeda ou unidade * Lide com diferentes formatos numéricos ## Casos de uso #### Qualificação de leads Extraia informações de contato, critérios de qualificação e níveis de interesse de conversas de vendas. #### Inteligência do cliente Colete dados estruturados sobre preferências, feedbacks e padrões de comportamento dos clientes para obter insights estratégicos. #### Análise de suporte Capture categorias de problemas, detalhes de resolução e pontuações de satisfação para melhorias operacionais. #### Documentação de conformidade Extraia divulgações, consentimentos e informações regulatórias exigidos para registros de auditoria. ## 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 > **Info** > > Os dados extraídos estão disponíveis por meio de [Webhooks pós-chamada ](/docs/pt/eleven-agents/workflows/post-call-webhooks) para integração com sistemas de CRM, > bancos de dados e plataformas de análise.