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

      • Tým, Profesionální, Business, Enterprise a Software UI/UX plány

      S dotazy ohledně licencí se obraťte na prodejce.

    • Prémiový

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

      K dispozici pro

      • Business a Enterprise plány

      S dotazy ohledně licencí se obraťte na prodejce.

      K dispozici pro

      • Edice Enterprise (starší)

      S dotazy ohledně licencí se obraťte na prodejce.

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

    Phrase Data zobrazuje 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 Phrase Data.

    Phrase Data pomáhá strategickému rozhodování, ukazuje obchodní dopad a může 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.

    • Prodejní čísla, porovnání nákladů s příjmy generovanými z lokalizovaného obsahu.

    Pohledy pomáhají pochopit dosah a pověst 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 přinášejí 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

      Pochopte, jak lokalizovaný obsah funguje u publika. Sledování udržení zákazníků v každém kódu jazyka 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 přizpůsobení obsahu s metrikami zapojení. Používáním různých výzev s AutoAdapt k 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 pořadí zavádění nových jazyků nebo ospravedlnit lokalizaci pro trhy, kde chtějí růst.

    • Optimalizace procesů a strategie technologie

      Hodnocení doby trvání pracovního postupu a dopadu automatizace vede k neustálým zlepšením procesů a pomáhá vybrat správnou technologii. Měření, jak zvýšené používání 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.

    Spojte data frází s pracovními postupy Orchestrátora, abyste efektivněji prováděli náročné dotazy a pokročilé automatizace. Integrace Orchestrátora také pomáhá zjednodušit kontrolu kvality a optimalizaci procesů tím, že rychleji vzorkuje projekty nebo identifikuje úkoly, které splňují specifická kritéria.

    Základní případy použití Tieru

    V jakémkoli odvětví, které se spoléhá na překlad a jazykovou lokalizaci, potřebují týmy robustní datové přehledy, aby mohly řídit rozhodování. Nicméně, reportování analytiky a přehledy se liší podle potřeb týmu (lokalizace, obsah, výkonný zúčastněný) kteří vyžadují provozní metriky (každodenní efektivita, průchodnost, náklady) a strategické přehledy (dlouhodobá návratnost investic, dopad na uživatele, růst trhu).

    Provozní analytika pomáhá 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) ukazuje 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 lokalizace sledují, zda jsou překlady dodávány včas nebo čelí zpožděním. To je klíčové pro splnění termínů uvedení produktu, SLA a vyšetřování zpoždění.

    • Výkon dodavatelů a lingvistů

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

    • Kvalitativní metriky (Kontrola jazykové kvality)

      Měřte procento překladů, které projdou kontrolami kvality na první pokus (není potřeba přepracování), což naznačuje efektivní počáteční překlad. Podobně podrobně popište kategorii a závažnost nalezených chyb, např. terminologie, 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 porovnání nákladů na surový 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 pomocí 100% shod TM, tým může kvantifikovat úsporu nákladů tím, že nebude znovu překládat tyto segmenty.

    • Využití automatizace (MT a TM)

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

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

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

    Případy 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 to udržovat.

    Navrhovaná analýza:

    • Použijte segment_statistic_v2 a filtrujte na translation_origin = TM.

      • TM lze identifikovat pomocí translation_memory_id.

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

    • Sloučte s job_v2 pomocí job_id, abyste extrahovali informace o jazyce, např. target_locale.

    • Sloučte s project_v2 pomocí project_id, abyste kontextualizovali použití podle domény, klienta, divize atd.

    Výhody:

    • Úspora nákladů: Pomáhá ukončit používání nevyužívaných nebo málo výkonných TM, aby se snížily náklady na údržbu.

    • Kvalita: Identifikuje zastaralé TM s vysokým úsilím o post-editaci a označuje vhodné akce.

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

    Optimalizace strojového překladového (MT) nástroje

    Porovnejte MT nástroje podle QPS (skóre kvality na segment) a času 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 průměrný editing_time_ms.

    • Sloučte s job_v2 pomocí job_id, abyste extrahovali informace o jazyce, 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 sazbami úprav.

    • Kvantifikujte čas obratu: Zkoumáním časů úprav podle jazykového páru, typu obsahu atd.

    Maximalizujte automatické potvrzení segmentů (tj. obsah, který se nedotýká)

    Identifikujte nejefektivnější bod, kde je vysoký QPS a žádný čas úprav, který je způsobilý pro automatické potvrzení, aby se co nejvíce obsahu oddělilo od vyžadování lidského přezkumu.

    Navrhovaná analýza:

    • Use  segment_statistic_v2:

      • Filtrovat, 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, abyste extrahovali informace o jazyce, např. target_locale.

      • Sloučte s project_v2 pomocí project_id pro extrakci metadat obsahu.

    Výhody:

    • Úspora nákladů: Najděte optimální prahovou hodnotu QPS pro zvýšení automatického potvrzení a snížení času úprav, kde je kvalita již dostatečně dobrá.

    • Zkrátit dobu obratu: Zamezte zbytečnému přezkoumávání obsahu.

    Šablony dotazů

    Ukázkové dotazy, které lze použít 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
FROM 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
FROM segment_statistic_v2 ssv
JOIN job_v2 jv
    NA ssv.job_id = jv.job_id
JOIN project_custom_metadata_v2 pcmv
    NA 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;

    Předpřeložená variace kvality MT napříč lokalitami

    VYBRAT
    ssv.qps
    ,jv.locale_pair
    ,POČET(DISTINCT segment_id) AS mt_segments
FROM segment_statistic_v2 ssv
JOIN job_v2 jv
    NA 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;

    Předpřeložený objem a kvalita MT

    VYBRAT
    ssv.qps
    ,mtsv.machine_translate_setting_type
    ,POČET(DISTINCT segment_id) AS mt_segments
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)
    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 segmentů MT automaticky potvrzených QPS

    VYBRAT
    qps
    ,POČET(DISTINCT segment_id) AS mt_segments
    ,COUNT(DISTINCT IFF(LOWER(confirmation_source) IN ('mt', 'tm', '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 MT
SKUPINA PODLE
    qps;

    Množství předpřeložených segmentů MT upravených QPS

    VYBRAT
    qps
    ,POČET(DISTINCT segment_id) AS mt_segments
    ,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 MT
SKUPINA PODLE
    Qps;

    Množství slov ušetřených z lidského přezkumu snížením 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)
        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) AS words_saved
Z 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.