数据收集
数据收集
从对话中提取联系人信息和业务数据等结构化信息。
数据收集会通过 LLM 驱动的分析，自动从对话转录文本中提取结构化信息。无需手动处理即可获取有价值的数据点，提升运营效率和数据准确性。
概述
数据收集会分析对话转录文本，识别并提取你定义的特定信息。提取的数据将按你的规范进行结构化，可供后续处理和分析。
支持的数据类型
数据收集支持 4 种数据类型，可处理各种信息格式：
- 字符串：文本信息（姓名、邮箱、地址）
- 布尔值：真/假值（同意状态、资格）
- 整数：整数值（数量、年龄、评分）
- 数字：小数（价格、百分比、测量值）
配置
最佳实践
编写有效的提取提示词
- 明确说明预期格式（例如，“格式为 user@domain.com 的邮箱地址”）
- 指定信息缺失或不明确时的处理方式
- 提供有效和无效数据示例
- 说明所有验证要求
常见数据收集示例
联系信息：
email：“提取客户的标准格式邮箱地址（user@domain.com）”phone_number：“提取客户的电话号码，包括区号”full_name：“按客户提供的内容提取完整姓名”
业务数据：
issue_category：“将客户问题归类为以下之一：技术、账单、账户或一般问题”satisfaction_rating：“提取客户给出的任何数字满意度评分（1-10 分制）”order_number：“提取客户提到的任何订单号或参考编号”
行为数据：
was_angry：“判断客户在通话中是否表达愤怒或沮丧”requested_callback：“判断客户是否请求回电或后续跟进”
处理缺失或不明确的数据
如果无法在转录文本中找到所需数据，或数据存在歧义，提取结果将返回 null 或空值。建议：
- 在应用中使用条件逻辑处理缺失数据
- 为不完整的提取结果创建备用条件
- 培训智能体持续收集所需信息
数据类型指南
字符串
布尔值
整数
数字
用于不适合其他类型的文本信息。
示例：
- 客户姓名
- 邮箱地址
- 产品类别
- 问题描述
最佳实践：
- 必要时说明预期格式
- 包含验证要求
- 考虑标准化需求
使用场景
故障排除
数据提取返回空值
- 确认对话转录文本中存在该数据
- 检查提取提示词是否足够具体
- 确保数据类型与预期格式匹配
- 考虑信息是否在对话中清晰表达
数据格式不一致
- 检查提取提示词中的格式规范
- 在提示词中添加验证要求
- 考虑后处理以标准化数据
- 使用各种对话场景进行测试
性能注意事项
- 每条数据收集规则都会增加处理时间
- 复杂的提取逻辑可能需要更长时间评估
- 监控提取准确性与速度要求之间的平衡
- 尽可能优化提示词以提高效率
可通过 通话后 Webhook 获取提取的数据，并与 CRM 系统、 数据库和分析平台集成。