Raccolta dati
La raccolta dati estrae automaticamente informazioni strutturate dalle trascrizioni delle conversazioni tramite analisi basata su LLM. Ti consente di acquisire dati utili senza elaborarli manualmente, migliorando l’efficienza operativa e l’accuratezza dei dati.
Panoramica
La raccolta dati analizza le trascrizioni delle conversazioni per identificare ed estrarre informazioni specifiche da te definite. I dati estratti vengono strutturati in base alle tue specifiche e resi disponibili per l’elaborazione e l’analisi successive.
Tipi di dati supportati
La raccolta dati supporta quattro tipi di dati per gestire diversi formati di informazioni:
- Stringa: Informazioni testuali (nomi, email, indirizzi)
- Booleano: Valori vero/falso (stato dell’accordo, idoneità)
- Intero: Numeri interi (quantità, età, valutazioni)
- Numero: Numeri decimali (prezzi, percentuali, misurazioni)
Configurazione
Accedi alle impostazioni di raccolta dati
Nella scheda Analisi delle impostazioni dell’agente, vai alla sezione Raccolta dati.
Aggiungi elementi di raccolta dati
Fai clic su Aggiungi elemento per creare una nuova regola di estrazione dei dati.
Configura ogni elemento con:
- Identificatore: Nome univoco del campo dati (ad esempio,
email,customer_rating) - Tipo di dati: Seleziona stringa, booleano, intero o numero
- Descrizione: Istruzioni dettagliate su come estrarre i dati dalla trascrizione
Il campo della descrizione viene passato all’LLM e dovrebbe specificare il più chiaramente possibile cosa estrarre e come formattarlo.
Gli elementi di raccolta dati sono limitati a 40 per agente nei piani Trial ed Enterprise e a 25 per agente negli altri piani.
Best practice
Scrivere prompt di estrazione efficaci
- Indica esplicitamente il formato previsto (ad esempio, “indirizzo email nel formato utente@dominio.com”)
- Specifica cosa fare quando le informazioni sono mancanti o poco chiare
- Includi esempi di dati validi e non validi
- Menziona eventuali requisiti di convalida
Esempi comuni di raccolta dati
Informazioni di contatto:
email: “Estrai l’indirizzo email del cliente nel formato standard (utente@dominio.com)”phone_number: “Estrai il numero di telefono del cliente, incluso il prefisso”full_name: “Estrai il nome completo del cliente così come fornito”
Dati aziendali:
issue_category: “Classifica il problema del cliente come uno tra: tecnico, fatturazione, account o generale”satisfaction_rating: “Estrai qualsiasi valutazione numerica della soddisfazione fornita dal cliente (scala da 1 a 10)”order_number: “Estrai qualsiasi numero d’ordine o di riferimento menzionato dal cliente”
Dati comportamentali:
was_angry: “Determina se il cliente ha espresso rabbia o frustrazione durante la chiamata”requested_callback: “Determina se il cliente ha richiesto di essere richiamato o un follow-up”
Gestire dati mancanti o poco chiari
Quando i dati richiesti non possono essere trovati nella trascrizione o sono ambigui, l’estrazione restituisce valori null o vuoti. Valuta di:
- Usare logica condizionale nelle tue applicazioni per gestire i dati mancanti
- Creare criteri di fallback per estrazioni incomplete
- Addestrare gli agenti a raccogliere in modo coerente le informazioni richieste
Linee guida sui tipi di dati
Stringa
Booleano
Intero
Numero
Da usare per informazioni testuali che non rientrano in altri tipi.
Esempi:
- Nomi dei clienti
- Indirizzi email
- Categorie di prodotti
- Descrizioni dei problemi
Best practice:
- Specifica il formato previsto quando pertinente
- Includi requisiti di convalida
- Valuta le esigenze di standardizzazione
Casi d’uso
Risoluzione dei problemi
L'estrazione dei dati restituisce valori vuoti
- Verifica che i dati siano presenti nella trascrizione della conversazione
- Controlla che il prompt di estrazione sia sufficientemente specifico
- Assicurati che il tipo di dati corrisponda al formato previsto
- Valuta se le informazioni sono state comunicate chiaramente durante la conversazione
Formati di dati incoerenti
- Esamina i prompt di estrazione per le specifiche di formato
- Aggiungi requisiti di convalida ai prompt
- Valuta la post-elaborazione per standardizzare i dati
- Esegui test con diversi scenari di conversazione
Considerazioni sulle prestazioni
- Ogni regola di raccolta dati aumenta il tempo di elaborazione
- La valutazione di una logica di estrazione complessa può richiedere più tempo
- Monitora l’accuratezza dell’estrazione rispetto ai requisiti di velocità
- Quando possibile, ottimizza i prompt per l’efficienza
I dati estratti sono disponibili tramite Webhook post-chiamata Webhook per l’integrazione con sistemi CRM, database e piattaforme di analisi.