Správa
    1. Phrase
    2. Phrase TMS
    3. Správa

    Phrase Data (TMS)

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

    Phrase Data je k dispozici ve dvou úrovních:

    • Základní

      K dispozici pro

      • Team, Professional, Business, Enterprise a plány Software UI/UX

      S dotazy ohledně licencí se obraťte na prodejní oddělení.

    • Premium

      Úroveň Premium nabízí stejný přístup jako úroveň Basic, plus přístup k datům na úrovni segment.

      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 (jako Snowflake) Povolit zákazník bezpečně přístup ke svým datům prostřednictvím rozhraní SQL.

    Phrase Data zobrazuje data relevantní pro využívání TMS zákazník od data, kdy se zákazník poprvé přihlásil k odběru Phrase, až do současnosti. Phrase si vyhrazuje právo změnit období, za které jsou data zobrazována, po oznámení zákazník.

    Úplná technická dokumentace integrace Phrase Data.

    Phrase Data napomáhá strategickému rozhodování, prokazuje Business dopad a může obhájit investice. Data lze kombinovat s širšími firemními metrikami a odhalit tak dopad na výnosy, pronikání na trh a spokojenost zákazníků:

    • Webový provoz, jako jsou zobrazení stránek, míra okamžitého opuštění, demografické údaje uživatelů.

    • Marketingová data, jako je míra prokliku, konverzní poměry, zapojení na sociálních sítích

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

    • Prodejní čísla, porovnání nákladů s výnosy generovanými z lokalizovaného obsah.

    Nápověda k přehledům pochopit dosah a reputaci globálního obsah globálně a zajišťuje, že sdělení společnosti uspěje napříč jazyky.

    • Návratnost investic (ROI) lokalizačního úsilí

      Používá se k podpoře udržení nebo navýšení rozpočtů tím, že prokazuje, že investice do překladu přinášejí výnosy. Poukazuje také na úspory nákladů, například jak využívání strojový překlad ušetřilo peníze v průběhu času a přispívá k celkové ROI.

    • Adaptace obsah, účinnost a zapojení uživatel

      Pochopte, jak lokalizovaný obsah funguje u publika. Sledování udržení zákazník v každém kód jazyka naznačuje, že překlady splňují potřeby uživatel. Tato zpětná vazba může ovlivnit strategii kvality Team nebo způsob, jak upravit styl, aby lépe rezonoval s místními uživatel. Případ použít zákazník koreluje adaptace obsah s metrikami zapojení. Použitím různých výzev s AutoAdapt k personalizaci obsah na základě demografických údajů (např. věk, pohlaví, region, jazyk) by se následně sledoval nárůst výkonnosti na místní nebo kampaně úrovni.

    • Prioritizace trhů a jazyk

      Pomáhá rozhodnout, na které jazyk nebo regiony se zaměřit pro maximální dopad. Zajišťuje, že Team přiděluje zdroje na překlady, které přinášejí největší Business návratnost. Může také vést pořadí zavádění nový jazyk nebo zdůvodnit lokalizaci pro trhy, kde chtějí růst.

    • Optimalizace pracovní postup & Strategie technologií

      Vyhodnocování trvání pracovní postup a dopad automatizace vede k neustálému zlepšování procesů a pomáhá při výběru správné technologie. Měření, jak zvýšené použít strojový překlad z hlediska kvality a rychlosti (např. čas post-editace a skóre kvality), kvantifikuje nárůst produktivity.

    • Interní srovnávání výkonnosti

      Postupem času se interní měřítka, jako jsou průměrné náklady na slovo, průměrná doba zpracování pro daný typ obsah a průměrné skóre kvality, stávají strategickými cíli pro zlepšení. Odhaluje výsledky chytrých postupů a nárůst efektivity, což dále zdůvodňuje lokalizační programy.

    Propojte Phrase Data s pracovními postupy Orchestrator pro efektivnější spouštění náročných dotazů a pokročilé automatizace. Integrace Orchestrator také pomáhá zefektivnit kontroly kvality a optimalizaci procesů díky rychlejšímu vzorkování projektů nebo identifikaci úloh, které odpovídají konkrétní shoda.

    Případy použít základní úrovně

    V jakémkoli odvětví, které spoléhá na překlad a lingvistickou lokalizaci, potřebují Team robustní datové poznatky, které jim pomohou při rozhodování. Analytika reportování a přehledy se však liší podle potřeb Team (lokalizace, obsah, výkonní zainteresované strany), kteří vyžadují provozní metriky (každodenní efektivita, propustnost, náklady) a strategické přehledy (dlouhodobá návratnost investic, dopad na uživatel, růst trhu).

    Provozní analytika pomáhá lokalizačním manažerům zefektivnit pracovní postupy a spravovat náklady na denní bázi.

    • Objem (také známý jako propustnost)

      Sledování množství obsah přeloženého v čase (např. slova za týden/měsíc) indikuje kapacitu Team. To pomáhá při plánování zdrojů.

    • Včasnost (také známá jako doba zpracování)

      Doba zpracování měří, jak dlouho trvá přeložit obsah od začátku do dokončit. Lokalizační týmy sledují, zda jsou překlady dodány podle plánu nebo zda čelí zpožděním. To je zásadní pro dodržení termínů uvedení produktu na trh, SLA a vyšetřování zpoždění.

    • Výkon dodavatel a překladatel

      Pokud jsou využíváni externí dodavatel překladů nebo překladatel na volné noze, bude chtít lokalizační Team vyhodnotit jejich výkon. Sledují se metriky jako doba zpracování za dodavatel, včasné dodání za dodavatel a skóre kvality za překladatel.

    • Metriky kvality (kontrola kvality)

      Změřte procento překladů, které projdou kontrolami QA na první pokus (není potřeba žádná přepracování), což naznačuje efektivní počáteční překlad. Podobně podrobné určení kategorie a závažnost nalezených problémů s chybami, např. termín, přesnost atd.

    • Metriky nákladů a efektivity

      Týmy obvykle sledují náklady na slovo a celkové výdaje podle projekt, jazyk nebo oddělení, aby zajistily dodržení rozpočtů. Stejně jako úspory pro Porovnat hrubé náklady na překlad oproti zvýhodněným nákladům po uplatnění schéma pro sazbu netto, což zdůrazňuje hodnotu udržování shod TM a opakování.  Pokud bylo například 30 % slov v novém projekt přeloženo pomocí 100% shod TM, může Team vyčíslit náklady ušetřené tím, že tyto segmenty nebyly znovu překládány.

    • Využití automatizace (MT a TM)

      • Úsilí při post-editaci, jako je průměrný počet úprav nebo čas potřebný pro výstupy z MT, pro Nápověda při vyhodnocování MT.

      • Míra využití TM pohledem na % obsah podle shod TM, což indikuje efektivitu opětovného použití TM a úsporu nákladů.

      • Míra využití MT, jako je % segment původně přeložených pomocí MT. Toto představuje pokrytí automatizace a příležitosti pro snížení nákladů/času – pouze Premium.

    Případy užití úrovně Premium

    Využití překladová paměť (TM)

    Sledujte, kdy byla TM naposledy použita a kolik segment bylo v průběhu času znovu použito. To pomáhá posoudit aktuálnost TM, přínos hodnoty a zda stále stojí za to udržovat zastaralé TM.

    Navrhovaná analýza:

    • Použít segment_statistic_v2 a filtrovat podle translation_origin = TM.

      • TM lze identifikovat pomocí translation_memory_id.

      • Agregujte segmenty podle TM a použít pole date_created pro zobrazení, kdy byla TM použita. Je také dobré vypočítat a zobrazit průměrné editing_time_ms a score.

    • Sloučit s job_v2 pomocí job_id pro extrakci informací o jazyk, např. target_locale.

    • Sloučit s project_v2 pomocí project_id pro kontextualizaci využití podle doména, klient, divize atd.

    Výhody:

    • Úspora nákladů: Pomáhá vyřadit nepoužívané nebo málo výkonné TM pro snížení režijních nákladů na údržbu.

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

    • Efektivita: Použít vysoce výkonné TM, které zkracují čas na Upravit a zvyšují automatické potvrzování. Zvažte odpovídající úpravu prahové hodnoty TM.

    Optimalizace nástroje pro strojový překlad (MT)

    Porovnat nástroje MT podle QPS (skóre kvality na segment) a doby post-editace, což umožňuje inteligentnější směrování obsahu do správného nástroje MT.

    Navrhovaná analýza:

    • Použít segment_statistic_v2 s filtrem na translation_origin = MT.

    • Sloučit s machine_translate_setting_v2 pomocí machine_translate_setting_id.

      • Nástroj MT lze identifikovat pomocí machine_translate_setting_name.

      • Agregovat segmenty podle nástroje MT a vypočítat součet segment_id, průměrné QPS a průměrný editing_time_ms.

    • Sloučit s job_v2 pomocí job_id pro extrakci informací o jazyk, např. target_locale.

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

    Výhody:

    • Nižší náklady: Identifikujte a použijte pro zakázku správné nástroje, které jsou nejvhodnější pro daný typ obsahu a jazyk s historicky nízkou mírou editace.

    • Kvantifikace doby realizace: Pohledem na časy editace podle jazykového páru, typu obsahu atd.

    Maximalizovat automaticky potvrzené segmenty (tj. obsah bez zásahu)

    Identifikujte nejefektivnější bod, kde vysoké QPS a nulová doba editace splňují podmínky pro automatické potvrzení, abyste oddělili co nejvíce obsahu od nutnosti lidské kontroly.

    Navrhovaná analýza:

    • Use  segment_statistic_v2:

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

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

      • Sloučit s job_v2 pomocí job_id pro extrakci informací o jazyk, např. target_locale.

      • Sloučit s project_v2 pomocí project_id pro extrakci metadat obsahu.

    Výhody:

    • Úspora nákladů: Najděte optimální prahovou hodnotu QPS pro zvýšení automatického potvrzování a zkrácení doby editace tam, kde je kvalita již dostatečně dobrá.

    • Zkrácení doby realizace: Vyhněte se zbytečné kontrole obsahu.

    Šablony dotazů

    Ukázkové dotazy, které lze použít jako vodítko pro usnadnění začátků s příslušnými tabulkami:

    Předpřeložený výstup MT měsíc po měsíci

    VYBRAT
    ssv.QPS
    ,DATE(DATE_TRUNC('month', ssv.date_created)) AS date_month
    ,COUNT(DISTINCT segment_ID) AS MT_segmenty
FROM segment_statistic_v2 ssv
KDE
    ssv.date_created >= DATEADD('day', -365, CURRENT_DATE)
    AND ssv.date_created < CURRENT_DATE
    AND ssv.translation_origin = 'MT' -- segmenty předpřeložené pomocí MT
GROUP BY
    ssv.QPS
    ,DATE(DATE_TRUNC('month', ssv.date_created));

    Variace kvality předpřeloženého MT napříč metadaty Vlastní projekt

    VYBRAT
    ssv.QPS
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values
    ,COUNT(DISTINCT segment_ID) AS MT_segmenty
FROM segment_statistic_v2 ssv
JOIN job_v2 jv
    ON ssv.job_ID = jv.job_ID
JOIN project_custom_metadata_v2 pcmv
    ON jv.projekt_ID = pcmv.projekt_ID
KDE
    ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
    AND ssv.date_created < CURRENT_DATE
    AND ssv.translation_origin = 'MT' -- segmenty předpřeložené pomocí MT
GROUP BY
    ssv.QPS
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values;

    Variace kvality předpřeloženého MT napříč kódy jazyka

    VYBRAT
    ssv.QPS
    ,jv.locale_pair
    ,COUNT(DISTINCT segment_ID) AS MT_segmenty
FROM segment_statistic_v2 ssv
JOIN job_v2 jv
    ON ssv.job_ID = jv.job_ID
KDE
    ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
    AND ssv.date_created < CURRENT_DATE
    AND ssv.translation_origin = 'MT' -- segmenty předpřeložené pomocí MT
GROUP BY
    ssv.QPS
    ,jv.locale_pair;

    Objem a kvalita předpřeloženého MT

    VYBRAT
    ssv.QPS
    ,mtsv.machine_translate_setting_type
    ,COUNT(DISTINCT segment_ID) AS MT_segmenty
FROM 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)
    AND ssv.date_created < CURRENT_DATE
    AND ssv.translation_origin = 'MT' -- segmenty předpřeložené pomocí MT
GROUP BY
    ssv.QPS
    ,mtsv.machine_translate_setting_type;

    Množství předpřeložených MT segmentů automaticky potvrzeno pomocí QPS

    VYBRAT
    QPS
    ,COUNT(DISTINCT segment_ID) AS MT_segmenty
    ,COUNT(DISTINCT IFF(LOWER(confirmation_source) IN ('MT', 'TM', 'nepřekládaný text (NT)', 'ir', 'ut'), segment_id, NULL)) AS mt_segments_autoconfirmed
FROM segment_statistic_v2
KDE
    date_created >= DATEADD('day', -28, CURRENT_DATE)
    AND date_created < CURRENT_DATE
    AND translation_origin = 'MT' -- segmenty předpřeložené pomocí MT
GROUP BY
    QPS;

    Množství předpřeložených MT segmentů upraveno pomocí QPS

    VYBRAT
    QPS
    ,COUNT(DISTINCT segment_ID) AS MT_segmenty
    ,COUNT(DISTINCT IFF(COALESCE(editing_time_ms, 0) > 0, segment_id, NULL)) AS mt_segments_edited
FROM segment_statistic_v2
KDE
    date_created >= DATEADD('day', -28, CURRENT_DATE)
    AND date_created < CURRENT_DATE
    AND translation_origin = 'MT' -- segmenty předpřeložené pomocí MT
GROUP BY
    QPS;

    Množství předpřeložených MT segmentů, u kterých byla snížena potřeba lidské kontroly díky snížení prahu QPS

    WITH qps_segments AS (
    VYBRAT
        ssv.QPS
        ,SUM(words_processed) AS words_processed
    FROM segment_statistic_v2 ssv
    KDE
        ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
        AND ssv.date_created < CURRENT_DATE
        AND ssv.translation_origin = 'MT' -- segmenty předpřeložené pomocí MT
    GROUP BY
        ssv.QPS
)

VYBRAT
    qps AS new_qps_threshold
    ,SUM(words_processed) OVER (ORDER BY QPS DESC) AS 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.