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
Öppna inställningarna för datainsamling
Gå till avsnittet Datainsamling på fliken Analys i agentens inställningar.

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.
Bästa praxis
Skriva effektiva extraktionsprompter
- 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
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 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”
Hantera saknade eller otydliga data
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
Sträng
Boolesk
Heltal
Tal
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
Felsökning
Dataextraktion returnerar tomma värden
- 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
Inkonsekventa dataformat
- Granska extraktionsprompter för formatspecifikationer
- Lägg till valideringskrav i prompter
- Överväg efterbearbetning för datastandardisering
- Testa med olika konversationsscenarier
Prestandaöverväganden
- 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.
