> 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.

# Datainsamling

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.

![Konfigurera datainsamling](/docs/_fern-files/elevenlabs.docs.buildwithfern.com/1dd7120a0d0236e4b225f1054f17c13956dc5ccc7de275e600eaab9e20604634/assets/images/conversational-ai/collection.gif)

#### 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

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

> **Note**
>
> Antalet datainsamlingsobjekt är begränsat till 40 per agent för Trial- och Enterprise-planer, och 25 per agent för andra planer.

#### Granska extraherade data

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

![Resultat för datainsamling i konversationshistoriken](/docs/_fern-files/elevenlabs.docs.buildwithfern.com/beddd4acf7a431f10b6d6ac602d4ef16604e93bc51040325e185df6517ba3021/assets/images/conversational-ai/collection_result.gif)

## Bästa praxis

#### Skriva effektiva extraheringsprompter

* Var tydlig med det förväntade formatet (t.ex. "e-postadress i formatet [user@domain.com](mailto: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](mailto: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

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

#### Boolesk

Använd för ja/nej- och sant/falskt-bedömningar.

**Exempel:**

* Kundens avtalsstatus
* Kontroll av behörighet
* Funktionsförfrågningar
* Indikatorer på klagomål

**Bästa praxis:**

* Definiera tydligt vad som räknas som sant respektive falskt
* Hantera tvetydiga svar
* Överväg standardvärden för otydliga fall

#### Heltal

Använd för heltalsvärden.

**Exempel:**

* Kundens ålder
* Produktkvantiteter
* Betygspoäng
* Antal problem

**Bästa praxis:**

* Ange giltiga intervall när det är tillämpligt
* Hantera icke-numeriska svar
* Överväg avrundningsregler vid behov

#### Tal

Använd för decimal- eller flyttalsvärden.

**Exempel:**

* Penningbelopp
* Procenttal
* Mått
* Beräknade poäng

**Bästa praxis:**

* Ange krav på precision
* Inkludera valuta- eller enhetskontext
* Hantera olika talformat

## Användningsfall

#### Kvalificering av leads

Extrahera kontaktinformation, kvalificeringskriterier och intressenivåer från säljsamtal.

#### Kundinsikter

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

#### Supportanalys

Samla in problemkategorier, lösningsdetaljer och nöjdhetspoäng för operativa
förbättringar.

#### Dokumentation för efterlevnad

Extrahera nödvändiga upplysningar, samtycken och regulatorisk information för revisionsspår.

## 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

> **Info**
>
> Extraherade data är tillgängliga via [webhooks efter samtal](/docs/sv/eleven-agents/workflows/post-call-webhooks) för integration med CRM-system,
> databaser och analysplattformar.