Phrase Data je k dispozici ve dvou úrovních:
-
Základní
-
Plány Team, Professional, Business, Enterprise a 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.
-
Plány Business a Enterprise
S dotazy ohledně licencí se obraťte na prodejní oddělení.
-
Datové sklady v cloudu (jako Snowflake) umožňují zákazníkům bezpečně přístup ke svým datům prostřednictvím rozhraní SQL.
Phrase Data zobrazuje data relevantní pro využívání TMS zákazníkem od data, kdy si zákazník poprvé předplatil Phrase, až do současnosti. Phrase si vyhrazuje právo změnit období, za které jsou data zobrazována, po oznámení zákazníkovi.
Úplná technická dokumentace integrace Phrase Data.
Phrase Data napomáhá strategickému rozhodování, demonstruje Business dopad a může ospravedlnit 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, míra konverze, zapojení na sociálních sítích
-
Data zákaznické podpory, analyzovat, zda lokalizované materiály nápovědy vedou k rychlejšímu řešení problémů a vyšší spokojenosti zákazníků.
-
Prodejní čísla, porovnání nákladů s výnosy generovanými z lokalizovaného obsahu.
Nápověda pomáhá pochopit dosah a reputaci globálního obsahu po celém světě 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 obsahu, účinnost a zapojení uživatelů
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 použití 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 pak sledoval nárůst výkonnosti na místní úrovni nebo na úrovni kampaně.
-
Prioritizace trhu a jazyk
Pomáhá rozhodnout, na které jazyk nebo regiony se zaměřit pro maximální dopad. Zajišťuje, že Team přidělí zdroje na překlady, které přinášejí největší Business návratnost. Může také vést posloupnost zavádění nového jazyka nebo zdůvodnit lokalizaci pro trhy, kde chtějí růst.
-
Optimalizace pracovního postupu a technologická strategie
Vyhodnocování trvání pracovního postupu a dopadu automatizace vede k neustálému zlepšování procesů a pomáhá zvolit správnou technologii. Měření toho, jak zvýšené použití strojového překladu z hlediska kvality a rychlosti (např. čas post-editace a skóre kvality), kvantifikuje nárůst produktivity.
-
Interní srovnávání výkonnosti
Postupem času se interní srovnávací ukazatele, 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 pokročilých automatizací. Integrace Orchestrator<1> také pomáhá zefektivnit kontroly kvality a optimalizaci pracovního postupu díky rychlejšímu vzorkování projektů nebo identifikaci úloh, které odpovídají konkrétním kritériím shoda.
V jakémkoli odvětví, které spoléhá na překlad a lingvistickou lokalizaci, potřebují Team robustní datové přehledy, které jim pomohou při rozhodování. Analytika a přehledy se však liší podle potřeb Teamu (lokalizace, obsah, výkonní zainteresované strany), kteří vyžadují provozní metriky (každodenní efektivita, propustnost, náklady) a strategické přehledy (dlouhodobá návratnost investic, dopad na uživatele, růst trhu).
Provozní analytika pomáhá manažerům lokalizace zefektivnit pracovní postupy a spravovat náklady na denní bázi.
-
Objem (také známý jako propustnost)
Sledování množství obsahu přeloženého v čase (např. slova za týden/měsíc) indikuje kapacitu Teamu. To pomáhá s plánováním zdrojů.
-
Včasnost (také známá jako doba zpracování)
Doba zpracování měří, jak dlouho trvá přeložit obsah od začátku až po 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 dodavatele a překladatele
Pokud jsou využíváni externí dodavatelé překladů nebo překladatelé na volné noze, bude chtít lokalizační Team vyhodnotit jejich výkon. Sledují se metriky jako doba zpracování u dodavatele, včasné dodání u dodavatele a skóre kvality u překladatele.
-
Metriky kvality (kontrola kvality)
Změřte procento překladů, které projdou kontrolami QA na první pokus (není potřeba žádné přepracování), což značí efektivní počáteční překlad. Podobně podrobný popis kategorie a závažnosti nalezených chyb, např. termín, přesnost atd.
-
Metriky nákladů a efektivity
Týmy obvykle sledují náklady na slovo a celkové výdaje podle projektu, jazyka nebo oddělení, aby zajistily dodržení rozpočtů. Stejně jako úspory pro Porovnat hrubé náklady na překlad oproti zlevněným nákladům po aplikaci schéma pro sazbu netto, což zdůrazňuje hodnotu udržování shod TM a opakování. Pokud bylo například 30 % slov v novém projektu přeloženo pomocí 100% shod TM, může Team vyčíslit náklady ušetřené tím, že tyto segmenty nebylo nutné překládat znovu.
-
Využití automatizace (MT a TM)
-
Úsilí při post-editaci, jako je průměrný počet úprav nebo čas potřebný pro výstupy MT, pro pomoc při vyhodnocování MT.
-
Míra využití TM pohledem na % obsahu podle shod TM, což indikuje efektivitu opětovného použití TM a úsporu nákladů.
-
Míra využití MT, jako je % segmentů původně přeložených pomocí MT. Toto představuje pokrytí automatizace a příležitosti pro snížení nákladů/času – pouze Premium.
-
Využití překladové paměti (TM)
Sledujte, kdy byla TM naposledy použita a kolik segmentů bylo v průběhu času znovu použito. To pomáhá posoudit aktuálnost TM, přínos hodnoty a zda stále stojí za to udržovat zastaralé TM.
Navrhovaná analýza:
-
Použijte a filtrovat na
translation_origin = TM.-
TM lze identifikovat pomocí
translation_memory_id. -
Agregujte segmenty podle TM a použijte pole
date_createdpro zobrazení, kdy byla TM použita. Je také dobré vypočítat a zobrazit průměrnéediting_time_msascore.
-
-
Sloučit s pomocí
job_idpro extrakci informací o jazyce, např.target_locale. -
Sloučit s 2 pomocí
project_idpro kontextualizaci využití podle domény, klienta, 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: Použijte vysoce výkonné TM, které zkracují čas úprav a zvyšují automatické potvrzování. Zvažte odpovídající úpravu prahové hodnoty TM.
Optimalizace nástroje pro strojový překlad (MT)
Porovnat MT nástroje podle QPS (skóre kvality na segment) a doby post-editace, což umožňuje inteligentnější směrování obsahu do správného MT nástroje.
Navrhovaná analýza:
-
Použít s filtrem na
translation_origin = MT. -
Sloučit s pomocí
machine_translate_setting_id.-
MT nástroj lze identifikovat pomocí
machine_translate_setting_name. -
Agregovat segmenty podle MT nástroje a vypočítat součet
segment_id, průměrné QPS a průměrnýediting_time_ms.
-
-
Sloučit s pomocí
job_idpro extrakci informací o jazyce, např.target_locale. -
Sloučit s pro různé typy obsahu, jako je doména, klient, divize atd.
Výhody:
-
Nižší náklady: Identifikujte a použijte pro danou zakázku správné nástroje, které jsou nejvhodnější pro typ obsahu a jazyk s historicky nízkou mírou editace.
-
Kvantifikace doby realizace: Pohledem na doby editace podle jazykového páru, typu obsahu atd.
Maximalizovat automaticky potvrzené segmenty (tj. obsah bez zásahu)
Identifikujte nejefektivnější bod, kde je vysoké QPS a nulová doba editace způsobilá pro automatické potvrzení, aby se co nejvíce obsahu oddělilo od nutnosti lidské kontroly.
Navrhovaná analýza:
-
Use :
-
Filtrovat, kde segment
translation_origin = MT,is_confirmed = true,editing_time_ms = 0aconfirmation_source = MT. -
Agregovat počet segmentů (
segment_id), počet slov (words_processed) podleQPS. -
Sloučit s pomocí
job_idpro extrakci informací o jazyce, např.target_locale. -
Sloučit s pomocí
project_idpro 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: Zamezte zbytečné kontrole obsahu.
Šablony dotazů
Ukázkové dotazy, které lze použít jako průvodce pro usnadnění začátků s příslušnými tabulkami:
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
WHERE
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));
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.project_id = pcmv.project_id
WHERE
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;
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
WHERE
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;
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
WHERE
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;
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
WHERE
date_created >= DATEADD('day', -28, CURRENT_DATE)
AND date_created < CURRENT_DATE
AND translation_origin = 'MT' -- segmenty předpřeložené pomocí MT
GROUP BY
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
WHERE
date_created >= DATEADD('day', -28, CURRENT_DATE)
AND date_created < CURRENT_DATE
AND translation_origin = 'MT' -- segmenty předpřeložené pomocí MT
GROUP BY
QPS;
WITH QPS_segments AS (
VYBRAT
ssv.QPS
,SUM(words_processed) AS words_processed
FROM segment_statistic_v2 ssv
WHERE
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;