Hoppa till navigering

Datainsamling

Extrahera strukturerad information från konversationer, exempelvis kontaktuppgifter och affärsdata.

Datainsamling extraherar automatiskt strukturerad information från konversationsutskrifter med hjälp av LLM-baserad analys. Det gör att du kan samla in värdefulla datapunkter utan manuell bearbetning, vilket förbättrar effektiviteten och datanoggrannheten.

Översikt

Datainsamling analyserar konversationsutskrifter för att identifiera och extrahera specifik information som du definierar. De extraherade data struktureras enligt dina specifikationer och görs tillgängliga för vidare bearbetning och analys.

Datatyper som stöds

Datainsamling har stöd för fyra datatyper som hanterar olika informationsformat:

  • Sträng: Textbaserad information (namn, e-postadresser, adresser)
  • Boolesk: Sant/falskt-värden (godkännandestatus, behörighet)
  • Heltal: Hela tal (antal, ålder, betyg)
  • Tal: Decimaltal (priser, procentandelar, mätvärden)

Konfiguration

1

Öppna inställningarna för datainsamling

Gå till avsnittet Datainsamling på fliken Analys i agentens inställningar.

Konfigurera datainsamling

2

Lägg till datainsamlingsobjekt

Klicka på Lägg till datainsamling för att skapa en ny dataextraktionsregel eller koppla en från arbetsytans analysbibliotek.

Konfigurera varje objekt med:

  • Namn: Unikt namn för datafältet (t.ex. email, customer_rating)
  • Datatyp: Välj mellan sträng, boolesk, heltal eller tal
  • Beskrivning: Detaljerade instruktioner om hur data ska extraheras från utskriften

Beskrivningsfältet skickas till LLM:en och bör vara så specifikt som möjligt om vad som ska extraheras och hur det ska formateras.

Datainsamlingsobjekt är begränsade till 50 per agent för Trial- och Enterprise-planer och 25 per agent för andra planer.

3

Granska extraherade data

Extraherade data visas i din konversationshistorik, så att du kan granska vilken information som samlades in från varje interaktion.

Resultat från datainsamling i konversationshistoriken

Bästa praxis

  • Var tydlig med det förväntade formatet (t.ex. “e-postadress i formatet user@domain.com”)
  • Ange vad som ska göras när information saknas eller är oklar
  • Ta med exempel på giltiga och ogiltiga data
  • Nämn eventuella valideringskrav

Kontaktinformation:

  • email: “Extrahera kundens e-postadress i standardformat (user@domain.com)”
  • phone_number: “Extrahera kundens telefonnummer inklusive riktnummer”
  • full_name: “Extrahera kundens fullständiga namn som det anges”

Affärsdata:

  • issue_category: “Klassificera kundens ärende som ett av följande: tekniskt, fakturering, konto eller allmänt”
  • satisfaction_rating: “Extrahera eventuellt numeriskt nöjdhetsbetyg från kunden (skala 1–10)”
  • order_number: “Extrahera eventuellt order- eller referensnummer som kunden nämner”

Beteendedata:

  • was_angry: “Avgör om kunden uttryckte ilska eller frustration under samtalet”
  • requested_callback: “Avgör om kunden begärde att bli uppringd eller få en uppföljning”

När de begärda data inte kan hittas eller är tvetydiga i utskriften returnerar extraktionen null- eller tomma värden. Överväg att:

  • Använda villkorslogik i dina applikationer för att hantera saknade data
  • Skapa reservkriterier för ofullständiga extraktioner
  • Träna agenter att konsekvent samla in nödvändig information

Riktlinjer för datatyper

Använd för textbaserad information som inte passar andra typer.

Exempel:

  • Kundnamn
  • E-postadresser
  • Produktkategorier
  • Ärendebeskrivningar

Bästa praxis:

  • Ange förväntat format när det är relevant
  • Inkludera valideringskrav
  • Överväg behov av standardisering

Användningsområden

Kvalificering av leads

Extrahera kontaktinformation, kvalificeringskriterier och intressenivåer från säljsamtal.

Kundinsikter

Samla strukturerade data om kundpreferenser, återkoppling och beteendemönster för strategiska insikter.

Supportanalys

Samla in ärendekategorier, lösningsdetaljer och nöjdhetspoäng för verksamhetsmässiga förbättringar.

Dokumentation för efterlevnad

Extrahera nödvändiga upplysningar, samtycken och regulatorisk information för granskningsspår.

Felsökning

  • Kontrollera att data finns i konversationsutskriften
  • Kontrollera om din extraktionsprompt är tillräckligt specifik
  • Säkerställ att datatypen motsvarar det förväntade formatet
  • Överväg om informationen kommunicerades tydligt under konversationen
  • Granska extraktionsprompter för formatspecifikationer
  • Lägg till valideringskrav i prompter
  • Överväg efterbearbetning för datastandardisering
  • Testa med olika konversationsscenarier
  • Varje datainsamlingsregel ökar bearbetningstiden
  • Komplex extraktionslogik kan ta längre tid att utvärdera
  • Övervaka extraktionsnoggrannhet i förhållande till hastighetskrav
  • Optimera prompter för effektivitet när det är möjligt

Extraherade data är tillgängliga via Webhooks efter samtal för integrering med CRM-system, databaser och analysplattformar.