Správa
    1. Phrase
    2. Phrase TMS
    3. Správa

    Phrase Data (TMS)

    Obsah je strojově přeložen z angličtiny s použitím Phrase Language AI.

    Data o frázích je k dispozici ve dvou úrovních:

    • Základní

      K dispozici pro

      • edice Team, Professional, Business a Enterprise

      S dotazy ohledně licencí se obraťte na prodejní oddělení.

    • Premium

      Prémiová úroveň nabízí stejný přístup jako základní úroveň, plus přístup k datům na úrovni segmentu.

      K dispozici pro

      • Plány Business a Enterprise

      S dotazy ohledně licencí se obraťte na prodejní oddělení.

      K dispozici pro

      • Edice Enterprise (starší)

      S dotazy ohledně licencí se obraťte na prodejní oddělení.

    Cloudové datové sklady (například Snowflake) umožňují zákazníkům bezpečně přistupovat k jejich datům prostřednictvím SQL rozhraní.

    Data o frázích zobrazují data relevantní k používání TMS zákazníkem od data, kdy se zákazník poprvé přihlásil k Phrase, až do současnosti. Phrase si vyhrazuje právo změnit období, za které jsou data zobrazena, po oznámení zákazníkovi.

    Úplná technická dokumentace integrace dat o frázích.

    Data o frázích pomáhají strategickému rozhodování, ukazují obchodní dopad a mohou ospravedlnit investice. Data mohou být kombinována s širšími metrikami společnosti, aby odhalila dopad na příjmy, tržní penetraci a spokojenost zákazníků:

    • Webová návštěvnost, jako jsou zobrazení stránek, míra opuštění, demografie uživatelů.

    • Marketingová data, jako jsou míry prokliku, míry konverze, zapojení na sociálních médiích

    • Data zákaznické podpory, analyzovat, zda lokalizované podpůrné materiály vedou k rychlejšímu řešení problémů a vyšší spokojenosti zákazníků.

    • Prodeje, porovnání nákladů s příjmy generovanými z lokalizovaného obsahu.

    Znalosti pomáhají pochopit dosah a reputaci globálního obsahu a zajišťují, že zpráva společnosti uspěje napříč jazyky.

    • Návratnost investic (ROI) lokalizačních snah

      Používá se k podpoře udržení nebo zvýšení rozpočtů tím, že prokazuje, že investice do překladu přináší výnosy. Také poukazuje na úspory nákladů, například jak používání strojového překladu šetřilo peníze v průběhu času a přispívá k celkové ROI.

    • Přizpůsobení obsahu, účinnost a zapojení uživatelů

      Pochopit, jak lokalizovaný obsah funguje u publika. Sledování udržení zákazníků v každém jazyce naznačuje, že překlady splňují potřeby uživatelů. Tato zpětná vazba může ovlivnit strategii kvality týmu nebo jak upravit styl, aby lépe rezonoval s místními uživateli. Případ použití zákazníka koreluje s úpravami obsahu a metrikami zapojení. Použitím různých výzev s AutoAdapt pro personalizaci obsahu na základě demografie (např. věk, pohlaví, region, jazyk) by se pak sledoval výkon na místní nebo kampaně úrovni.

    • Prioritizace trhu a jazyka

      Pomáhá rozhodnout, na které jazyky nebo regiony se zaměřit pro maximální dopad. Zajišťuje, že tým přiděluje zdroje na překlady, které přinášejí největší obchodní návratnost. Může také řídit sekvenci nových jazykových zavedení nebo ospravedlnit lokalizaci pro trhy, kde chtějí růst.

    • Optimalizace procesů a technologická strategie

      Hodnocení doby trvání pracovního postupu a dopadu automatizace vede k neustálým zlepšením procesů a pomáhá vybrat správnou technologii. Měření, jak zvýšené použití strojového překladu z hlediska kvality a rychlosti (např. doba post-editace a skóre kvality) kvantifikuje zisky produktivity.

    • Interní benchmarking výkonnosti

      V průběhu času se interní benchmarky, jako je průměrná cena za slovo, průměrná doba obratu pro daný typ obsahu a průměrné skóre kvality, stávají strategickými cíli pro zlepšení. Odhaluje výsledky chytrých praktik a zisků efektivity, které dále ospravedlňují lokalizační programy.

    Základní případy použití tieru

    V jakémkoli odvětví, které se spoléhá na překlad a jazykovou lokalizaci, potřebují týmy robustní datové poznatky k řízení rozhodnutí. Nicméně, reportování a poznatky z analýzy se liší podle potřeb týmu (lokalizace, obsah, výkonný zástupce), kteří vyžadují provozní metriky (denní efektivita, průchodnost, náklady) a strategické poznatky (dlouhodobá návratnost investic, dopad na uživatele, růst trhu).

    Provozní analýzy pomáhají manažerům lokalizace zjednodušit pracovní postupy a řídit náklady na denní bázi.

    • Objem (také známý jako průchodnost)

      Sledování množství přeloženého obsahu v průběhu času (např. slova za týden/měsíc) naznačuje kapacitu týmu. To pomáhá s plánováním zdrojů.

    • Včasnost (také známá jako doba obratu)

      Doba obratu měří, jak dlouho trvá přeložit obsah od začátku do konce. Týmy pro lokalizaci sledují, zda jsou překlady dodávány včas nebo čelí zpožděním. To je zásadní pro splnění termínů uvedení produktu, SLA a vyšetřování zpoždění.

    • Výkon dodavatele a lingvisty

      Pokud jsou použiti externí překladatelé nebo freelance lingvisté, tým pro lokalizaci bude chtít vyhodnotit jejich výkon. Sledují se metriky jako doba obratu na dodavatele, včasné dodání na dodavatele a kvalitativní skóre na lingvistu.

    • Kvalitativní metriky (Kvalitní jazyková kontrola)

      Měřte procento překladů, které projdou QA kontrolami na první pokus (není potřeba přepracování), což naznačuje efektivní počáteční překlad. Podobně podrobně popište kategorii a závažnost nalezených chyb, např. terminologie, přesnost atd.

    • Nákladové a efektivní metriky

      Obvykle týmy sledují náklady na slovo a celkové výdaje podle projektu, jazyka nebo oddělení, aby zajistily dodržení rozpočtů. A také úspory pro porovnání hrubých nákladů na překlad vs. zlevněné náklady po aplikaci schématu pro sazbu netto, které zdůrazňuje hodnotu udržování shod TM a opakování.  Například, pokud 30 % slov v novém projektu bylo přeloženo prostřednictvím 100% shod TM, tým může kvantifikovat náklady ušetřené tím, že tyto segmenty znovu nepřekládá.

    • Využití automatizace (MT a TM)

      • Úsilí o post-editaci, jako je průměrný počet úprav nebo čas potřebný na výstupy MT, aby pomohlo vyhodnotit MT.

      • Míra využití TM zkoumáním % obsahu podle shod TM, což naznačuje efektivitu opětovného použití TM a úspory nákladů.

      • Míra využití MT, jako je % segmentů, které byly původně přeloženy pomocí MT. To představuje pokrytí automatizace a příležitosti pro snížení nákladů/času – pouze prémiové.

    Případ použití prémiové úrovně

    Využití překladové paměti (TM)

    Sledujte, kdy byla TM naposledy použita a kolik segmentů bylo v průběhu času znovu použito. To pomáhá posoudit čerstvost TM, přínos hodnoty a zda jsou zastaralé TM stále stojí za údržbu.

    Navrhovaná analýza:

    • Použijte segment_statistic_v2 a filtrujte podle translation_origin = TM.

      • TM lze identifikovat pomocí translation_memory_id.

      • Agregujte segmenty podle TM a použijte pole date_created k zobrazení, kdy byla TM použita. Je také dobré vypočítat a vidět průměrný editing_time_ms a score.

    • Sloučte s job_v2 pomocí job_id pro extrakci jazykových informací, např. target_locale.

    • Sloučte s project_v2 pomocí project_id pro kontextualizaci použití podle domény, klienta, divize atd.

    Výhody:

    • Úspora nákladů: Pomáhá ukončit nepoužívané nebo málo výkonné TM, aby se snížily náklady na údržbu.

    • Kvalita: Identifikuje stárnoucí TM s vysokým úsilím o post-editaci a označuje vhodnou akci.

    • Efektivita: Použijte vysoce výkonné TM, které snižují čas úprav a zvyšují automatické potvrzení. Podívejte se na úpravu prahu TM podle potřeby.

    Optimalizace motoru strojového překladu (MT)

    Porovnejte MT nástroje podle QPS (skóre kvality na segment) a doby post-editace, což umožňuje inteligentnější směrování obsahu k správnému MT nástroji.

    Navrhovaná analýza:

    • Použijte segment_statistic_v2 s filtrem na translation_origin = MT.

    • Sloučte s machine_translate_setting_v2 pomocí machine_translate_setting_id.

      • MT nástroj lze identifikovat pomocí machine_translate_setting_name.

      • Agregujte segmenty podle MT nástroje a vypočítejte součet segment_id, průměrný QPS a průměrnou editing_time_ms.

    • Sloučte s job_v2 pomocí job_id pro extrakci jazykových informací, např. target_locale.

    • Sloučte s project_v2 pro různé typy obsahu jako doména, klient, divize atd.

    Výhody:

    • Nižší náklady: Identifikujte a použijte správné nástroje pro zakázku, které jsou nejvhodnější pro typ obsahu a jazyk s historicky nízkými mírami úprav.

    • Kvantifikujte dobu obratu: Zkoumáním dob úprav podle jazykového páru, typu obsahu atd.

    Maximalizujte auto-potvrzené segmenty (tj. obsah bez zásahu)

    Identifikujte nejefektivnější bod, kde je vysoký QPS a žádná doba úprav způsobilá pro auto-potvrzení, abyste oddělili co nejvíce obsahu, který nevyžaduje lidskou kontrolu.

    Navrhovaná analýza:

    • Použijte segment_statistic_v2:

      • Filtrujte, kde segment translation_origin = MT, is_confirmed = true, editing_time_ms = 0 a confirmation_source = MT.

      • Agregujte počet segmentů (segment_id), počet slov (words_processed) podle QPS.

      • Sloučte s job_v2 pomocí job_id pro extrakci jazykových informací, např. target_locale.

      • Sloučte s project_v2 pomocí project_id pro extrakci metadat obsahu.

    Výhody:

    • Úspory nákladů: Najděte optimální QPS prahovou hodnotu pro zvýšení auto-potvrzení a snížení doby úprav, kde je kvalita již dostatečně dobrá.

    • Redukujte dobu obratu: Vyhněte se zbytečnému přezkoumání obsahu.

    Šablony dotazů

    Ukázkové dotazy, které slouží jako vodítko pro začátek s relevantními tabulkami:

    Předpřeložený MT výstup z měsíce na měsíc

    VYBRAT
    ssv.qps
    ,DATUM(DATE_TRUNC('month', ssv.date_created)) AS date_month
    ,POČET(DISTINCT segment_id) AS mt_segments
Z TABULKY segment_statistic_v2 ssv
KDE
    ssv.date_created >= DATEADD('day', -365, CURRENT_DATE)
    A ssv.date_created < CURRENT_DATE
    A ssv.translation_origin = 'mt' -- segmenty předpřeložené MT
SKUPINA PODLE
    ssv.qps
    ,DATUM(DATE_TRUNC('month', ssv.date_created));

    Variace kvality předpřeloženého MT napříč vlastními metadaty projektu

    VYBRAT
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values
    ,POČET(DISTINCT segment_id) AS mt_segments
Z TABULKY segment_statistic_v2 ssv
JOIN job_v2 jv
    ON ssv.job_id = jv.job_id
JOIN project_custom_metadata_v2 pcmv
    ON jv.project_id = pcmv.project_id
KDE
    ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
    A ssv.date_created < CURRENT_DATE
    A ssv.translation_origin = 'mt' -- segmenty předpřeložené MT
SKUPINA PODLE
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values;

    Variace kvality předpřeloženého MT napříč lokalitami

    VYBRAT
    ssv.qps
    ,jv.locale_pair
    ,POČET(DISTINCT segment_id) AS mt_segments
Z TABULKY segment_statistic_v2 ssv
JOIN job_v2 jv
    ON ssv.job_id = jv.job_id
KDE
    ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
    A ssv.date_created < CURRENT_DATE
    A ssv.translation_origin = 'mt' -- segmenty předpřeložené MT
SKUPINA PODLE
    ssv.qps
    ,jv.locale_pair;

    Objem a kvalita předpřeloženého MT

    VYBRAT
    ssv.qps
    ,mtsv.machine_translate_setting_type
    ,POČET(DISTINCT segment_id) AS mt_segments
Z TABULKY segment_statistic_v2 ssv
JOIN machine_translate_setting_v2 mtsv
    ON ssv.machine_translate_setting_id = mtsv.machine_translate_setting_id
KDE
    ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
    A ssv.date_created < CURRENT_DATE
    A ssv.translation_origin = 'mt' -- segmenty předpřeložené MT
SKUPINA PODLE
    ssv.qps
    ,mtsv.machine_translate_setting_type;

    Množství předpřeložených MT segmentů automaticky potvrzených QPS

    VYBRAT
    QPS
    ,POČET(DISTINCT segment_id) AS mt_segments
    ,POČET(DISTINCT IFF(LOWER(confirmation_source) IN ('mt', 'tm', 'nt', 'ir', 'ut'), segment_id, NULL)) JAKO mt_segments_autoconfirmed
Z segment_statistic_v2
KDE
    date_created >= DATEADD('day', -28, CURRENT_DATE)
    A date_created < CURRENT_DATE
    A translation_origin = 'mt' -- segmenty předpřeložené MT
SKUPINA PODLE
    QPS;

    Množství předpřeložených MT segmentů upravených QPS

    VYBRAT
    QPS
    ,POČET(DISTINCT segment_id) AS mt_segments
    ,POČET(DISTINCT IFF(COALESCE(editing_time_ms, 0) > 0, segment_id, NULL)) JAKO mt_segments_edited
Z segment_statistic_v2
KDE
    date_created >= DATEADD('day', -28, CURRENT_DATE)
    A date_created < CURRENT_DATE
    A translation_origin = 'mt' -- segmenty předpřeložené MT
SKUPINA PODLE
    QPS;

    Množství slov ušetřených z lidského přezkumu snížením prahu QPS

    WITH qps_segments AS (
    VYBRAT
        ssv.qps
        ,SUM(words_processed) JAKO words_processed
    Z TABULKY segment_statistic_v2 ssv
    KDE
        ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
        A ssv.date_created < CURRENT_DATE
        A ssv.translation_origin = 'mt' -- segmenty předpřeložené MT
    SKUPINA PODLE
        ssv.qps
)

VYBRAT
    qps AS new_qps_threshold
    ,SUM(words_processed) OVER (ORDER BY qps DESC) JAKO words_saved
FROM qps_segments;
    Byl pro vás tento článek užitečný?

    Sorry about that! In what way was it not helpful?

    The article didn’t address my problem.
    I couldn’t understand the article.
    The feature doesn’t do what I need.
    Other reason.

    Note that feedback is provided anonymously so we aren't able to reply to questions.
    If you'd like to ask a question, submit a request to our Support team.
    Thank you for your feedback.