Datainsamling
Extrahera strukturerad information från konversationer, till exempel kontaktuppgifter och affärsdata.
Datainsamling extraherar automatiskt strukturerad information från konversationsutskrifter med LLM-driven analys. Det gör att du kan samla in värdefulla datapunkter utan manuell bearbetning, vilket förbättrar den operativa effektiviteten och datanoggrannheten.
Översikt
Datainsamling analyserar konversationsutskrifter för att identifiera och extrahera specifik information som du definierar. De extraherade uppgifterna struktureras enligt dina specifikationer och görs tillgängliga för vidare bearbetning och analys.
Datatyper som stöds
Datainsamling har stöd för fyra datatyper för att hantera olika informationsformat:
- Sträng: Textbaserad information (namn, e-postadresser, adresser)
- Boolesk: Sant/falskt-värden (avtalsstatus, behörighet)
- Heltal: Hela tal (antal, ålder, betyg)
- Tal: Decimaltal (priser, procenttal, mått)
Konfiguration
Öppna inställningarna för datainsamling
Gå till avsnittet Datainsamling på fliken Analys i agentens inställningar.
Lägg till datainsamlingsobjekt
Klicka på Lägg till objekt för att skapa en ny regel för dataextrahering.
Konfigurera varje objekt med:
- Identifierare: Unikt namn för datafältet (t.ex.
email,customer_rating) - Datatyp: Välj bland 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.
Antalet datainsamlingsobjekt är begränsat till 40 per agent för Trial- och Enterprise-planer, och 25 per agent för andra planer.
Bästa praxis
Skriva effektiva extraheringsprompter
- 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 otydlig
- Inkludera exempel på giltiga och ogiltiga data
- Nämn eventuella valideringskrav
Vanliga exempel på datainsamling
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 angavs”
Affärsdata:
issue_category: “Klassificera kundens problem 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 bad om att bli uppringd eller om uppföljning”
Hantera saknade eller otydliga data
När de begärda uppgifterna inte kan hittas eller är tvetydiga i utskriften returnerar extraheringen null- eller tomma värden. Överväg att:
- Använda villkorslogik i dina applikationer för att hantera saknade data
- Skapa reservkriterier för ofullständiga extraheringar
- Träna agenter att konsekvent samla in nödvändig information
Riktlinjer för datatyper
Sträng
Boolesk
Heltal
Tal
Använd för textbaserad information som inte passar andra typer.
Exempel:
- Kundnamn
- E-postadresser
- Produktkategorier
- Problembeskrivningar
Bästa praxis:
- Ange förväntat format när det är relevant
- Inkludera valideringskrav
- Tänk på behov av standardisering
Användningsfall
Felsökning
Dataextrahering returnerar tomma värden
- Kontrollera att uppgifterna finns i konversationsutskriften
- Kontrollera om din extraheringsprompt är tillräckligt specifik
- Kontrollera att datatypen matchar det förväntade formatet
- Överväg om informationen kommunicerades tydligt under samtalet
Inkonsekventa dataformat
- Granska extraheringsprompter för formatspecifikationer
- Lägg till valideringskrav i prompter
- Överväg efterbearbetning för standardisering av data
- Testa med olika samtalsscenarier
Prestandaöverväganden
- Varje datainsamlingsregel ökar bearbetningstiden
- Komplex extraheringslogik kan ta längre tid att utvärdera
- Följ upp extraheringsnoggrannhet i förhållande till hastighetskrav
- Optimera prompter för effektivitet när det är möjligt
Extraherade data är tillgängliga via webhooks efter samtal för integration med CRM-system, databaser och analysplattformar.