Phrase Data (TMS)

Inhalte werden von Phrase Language AI maschinell aus dem Englischen übersetzt.

Phrase Data ist in zwei Stufen verfügbar:

Basic
Verfügbar für
- Team-, Professional-, Business-, Enterprise- und Software-UI/UX-Pläne
Nimm Kontakt mit Vertrieb für Fragen zur Lizenzierung auf.
Premium

Die Premium-Stufe bietet den gleichen Zugriff wie die Basic-Stufe, zusätzlich Zugriff auf segmentbezogene Daten.
Verfügbar für
- Business- und Enterprise-Pläne
Nimm Kontakt mit Vertrieb für Fragen zur Lizenzierung auf.
Verfügbar für
- Enterprise-Plan (Legacy)
Nimm Kontakt mit Vertrieb für Fragen zur Lizenzierung auf.

Cloud-Datenlager (wie Snowflake) ermöglichen es Kunden, sicher über eine SQL-Schnittstelle auf ihre Daten zuzugreifen.

Phrase Data zeigt Daten an, die für die Nutzung von TMS durch den Kunden relevant sind, vom Datum der ersten Anmeldung des Kunden bei Phrase bis zum heutigen Datum. Phrase behält sich das Recht vor, den Zeitraum, für den die Daten angezeigt werden, nach Benachrichtigung des Kunden zu ändern.

Vollständige technische Dokumentation der Phrase Data-Integration.

Phrase Data unterstützt strategische Entscheidungen, zeigt geschäftliche Auswirkungen und kann Investitionen rechtfertigen. Daten können mit umfassenderen Unternehmenskennzahlen kombiniert werden, um Auswirkungen auf Umsatz, Marktdurchdringung und Kundenzufriedenheit zu offenbaren:

Web-Traffic, wie Seitenaufrufe, Absprungraten, demografische Daten der Nutzer.
Marketingdaten, wie Klickrate, Konversionsraten, Engagement in sozialen Medien
Kundensupportdaten, analysiere, ob lokalisierte Supportmaterialien zu schnelleren Problemlösungen und höherer Kundenzufriedenheit führen.
Verkaufszahlen, die Kosten mit den Einnahmen aus lokalisiertem Inhalt vergleichen.

Einblicke helfen, die Reichweite und den Ruf globaler Inhalte zu verstehen und sicherzustellen, dass die Botschaft eines Unternehmens in verschiedenen Sprachen erfolgreich ist.

Return on Investment (ROI) von Lokalisierungsanstrengungen

Dient dazu, die Aufrechterhaltung oder Erhöhung von Budgets zu unterstützen, indem nachgewiesen wird, dass Investitionen in Übersetzungen Renditen bringen. Es weist auch auf Kosteneinsparungen hin, wie die Einsparungen durch maschinelle Übersetzung über die Zeit zur Gesamt-ROI beitragen.
Inhaltsanpassung, Wirksamkeit und Benutzerengagement

Verstehen, wie lokalisierte Inhalte bei den Zielgruppen abschneiden. Die Verfolgung der Kundenbindung in jedem Gebiet deutet darauf hin, dass die Übersetzungen den Benutzerbedürfnissen entsprechen. Dieses Feedback kann die Qualitätsstrategie eines Teams beeinflussen oder wie der Stil angepasst werden kann, um besser mit lokalen Benutzern zu resonieren. Ein Anwendungsfall des Kunden korreliert Inhaltsanpassungen mit Engagement-Metriken. Durch die Verwendung verschiedener Eingabeaufforderungen mit AutoAdapt zur Personalisierung von Inhalten basierend auf Demografie (z. B. Alter, Geschlecht, Region, Sprache) würde dies dann die Leistungssteigerung auf lokaler oder Kampagnenebene verfolgen.
Markt- und Sprachpriorisierung

Hilft zu entscheiden, auf welche Sprachen oder Regionen man sich für maximale Wirkung konzentrieren sollte. Es stellt sicher, dass das Team Ressourcen für Übersetzungen zuweist, die den größten geschäftlichen Nutzen bringen. Kann auch die Reihenfolge neuer Sprachrollouts leiten oder die Lokalisierung für Märkte rechtfertigen, in denen man wachsen möchte.
Prozessoptimierung & Technologie-Strategie

Die Bewertung der Dauer von Arbeitsabläufen und der Auswirkungen der Automatisierung führt zu kontinuierlichen Prozessverbesserungen und hilft, die richtige Technologie auszuwählen. Die Messung, wie die erhöhte Nutzung von maschineller Übersetzung in Bezug auf Qualität und Geschwindigkeit (z. B. Post-Editing-Zeit und Qualitätskennzahlen) Produktivitätsgewinne quantifiziert.
Interne Leistungsbenchmarking

Im Laufe der Zeit werden interne Benchmarks wie durchschnittliche Kosten pro Wort, durchschnittliche Bearbeitungszeit für einen bestimmten Inhaltstyp und durchschnittliche Qualitätskennzahl strategische Ziele für Verbesserungen. Es zeigt die Ergebnisse intelligenter Praktiken und Effizienzgewinne, die weitere Lokalisierungsprogramme rechtfertigen.

Verbinden Sie Phrase Data mit Orchestrator-Workflows, um umfangreiche Abfragen und fortgeschrittene Automatisierungen effizienter auszuführen. Die Orchestrator-Integration hilft auch dabei, Qualitätsprüfungen und Prozessoptimierungen zu rationalisieren, indem Projekte ausgewählt oder Jobs, die bestimmten Kriterien entsprechen, schneller identifiziert werden.

Grundlegende Anwendungsfälle der Basisstufe

In jeder Branche, die auf Übersetzung und linguistische Lokalisierung angewiesen ist, benötigen Teams robuste Datenanalysen, um Entscheidungen zu treffen. Allerdings unterscheiden sich die Berichterstattung und Einblicke in die Analytik je nach den Bedürfnissen der Teams (Lokalisierung, Content, Executive Stakeholder), die betriebliche Kennzahlen (tägliche Effizienz, Durchsatz, Kosten) und strategische Einblicke (langfristige Rendite, Benutzerimpact, Marktwachstum) benötigen.

Betriebsanalysen helfen Lokalisierungsmanagern, Arbeitsabläufe zu rationalisieren und Kosten täglich zu verwalten.

Volumen (auch bekannt als Durchsatz)

Die Verfolgung der Menge an übersetztem Inhalt über die Zeit (z.B. Wörter pro Woche/Monat) zeigt die Kapazität des Teams an. Dies hilft bei der Ressourcenplanung.
Pünktlichkeit (auch bekannt als Durchlaufzeit)

Die Durchlaufzeit misst, wie lange es dauert, Inhalte von Anfang bis Ende zu übersetzen. Lokalisierungsteams verfolgen, ob Übersetzungen pünktlich geliefert werden oder Verzögerungen auftreten. Dies ist entscheidend, um Produktveröffentlichungstermine, SLAs und Verzögerungen zu überprüfen.
Leistung von Auftragnehmern und Linguisten

Wenn externe Übersetzungsauftragnehmer oder freiberufliche Linguisten eingesetzt werden, möchte das Lokalisierungsteam deren Leistung bewerten. Kennzahlen wie Durchlaufzeit pro Auftragnehmer, pünktliche Lieferung pro Auftragnehmer und Qualitätsbewertungen pro Linguist werden verfolgt.
Qualitätskennzahlen (Linguistische Qualitätssicherung)

Messen Sie den Prozentsatz der Übersetzungen, die die QA-Prüfungen beim ersten Versuch bestehen (keine Nachbearbeitung erforderlich), was auf eine effektive Erstübersetzung hinweist. Ähnlich wird die Kategorie und Schwere der gefundenen Fehlerprobleme detailliert, z.B. Terminologie, Genauigkeit usw.
Kosten- und Effizienzkennzahlen

Typischerweise verfolgen Teams die Kosten pro Wort und die Gesamtausgaben nach Projekt, Sprache oder Abteilung, um sicherzustellen, dass die Budgets eingehalten werden. Sowohl Einsparungen zum Vergleich der Rohübersetzungskosten gegenüber den rabattierten Kosten nach Anwendung eines Nettopreisschemas, das den Wert der Beibehaltung von TM-Übereinstimmungen und Wiederholungen hervorhebt. Wenn beispielsweise 30 % der Wörter in einem neuen Projekt über 100 % TM-Übereinstimmungen übersetzt wurden, kann das Team die eingesparten Kosten quantifizieren, indem es diese Segmente nicht erneut übersetzt.
Nutzung von Automatisierung (MT und TM)
- Post-Editing-Aufwand, wie die durchschnittlichen Bearbeitungen oder die benötigte Zeit für MT-Ausgaben, um MT zu bewerten.
- TM-Nutzungsrate, indem der % des Inhalts durch TM-Übereinstimmungen betrachtet wird, was die Effizienz der TM-Wiederverwendung und Kosteneinsparungen anzeigt.
- MT-Nutzungsrate, wie der % der Segmente, die ursprünglich von MT übersetzt wurden. Dies zeigt die Automatisierungsabdeckung und Möglichkeiten zur Kosten-/Zeitreduzierung – nur Premium.

Premium-Tier-Anwendungsfälle

Nutzung des Translation Memory (TM)

Verfolgen, wann ein TM zuletzt verwendet wurde und wie viele Segmente im Laufe der Zeit wiederverwendet wurden. Dies hilft, die Aktualität des TM, den Wertbeitrag und die Frage, ob veraltete TMs weiterhin gepflegt werden sollten, zu bewerten.

Vorgeschlagene Analyse:

Verwenden Sie segment_statistic_v2 und filtern Sie nach translation_origin = TM.
- Ein TM kann mit der translation_memory_id identifiziert werden.
- Aggregieren Sie Segmente nach TM und verwenden Sie das Feld date_created, um zu sehen, wann das TM verwendet wurde. Es ist auch gut, die durchschnittliche editing_time_ms und score zu berechnen und zu sehen.
Zusammenführen mit job_v2 unter Verwendung der job_id, um Sprachinformationen zu extrahieren, z.B. target_locale.
Zusammenführen mit project_v2 unter Verwendung der project_id, um die Nutzung nach Fachbereich, Kunde, Geschäftseinheit usw. zu kontextualisieren.

Vorteile:

Kosteneinsparungen: Hilft, ungenutzte oder leistungsschwache TMs abzubauen, um den Wartungsaufwand zu reduzieren.
Qualität: Identifiziert alternde TMs mit hohem Post-Editing-Aufwand und kennzeichnet geeignete Maßnahmen.
Effizienz: Verwenden Sie leistungsstarke TMs, die die Bearbeitungszeit reduzieren und die automatische Bestätigung erhöhen. Überprüfen Sie die Anpassung des TM-Schwellenwerts entsprechend.

Optimierung der maschinellen Übersetzungs-(MT)-Engine

Vergleichen Sie MT-Engines nach QPS (Qualitätskennzahl pro Segment) und Post-Editing-Zeit, um eine intelligentere Zuordnung von Inhalten zur richtigen MT-Engine zu ermöglichen.

Vorgeschlagene Analyse:

Verwenden Sie segment_statistic_v2 mit Filter auf translation_origin = MT.
Fügen Sie machine_translate_setting_v2 mit der machine_translate_setting_id zusammen.
- Eine MT-Engine kann mit dem machine_translate_setting_name identifiziert werden.
- Aggregieren Sie Segmente nach MT-Engine und berechnen Sie die Summe von segment_id, den durchschnittlichen QPS und die durchschnittliche editing_time_ms.
Zusammenführen mit job_v2 unter Verwendung der job_id, um Sprachinformationen zu extrahieren, z.B. target_locale.
Fügen Sie sich mit project_v2 für verschiedene Inhaltstypen wie Fachbereich, Kunde, Geschäftseinheit usw. zusammen.

Vorteile:

Niedrigere Kosten: Identifizieren und verwenden Sie die richtigen Engines für den Job, die am besten für den Inhaltstyp und die Sprache geeignet sind und historisch niedrige Bearbeitungsraten aufweisen.
Umschlagzeit quantifizieren: Indem Sie die Bearbeitungszeiten pro Sprachpaar, Inhaltstyp usw. betrachten.

Maximieren Sie die automatisch bestätigten Segmente (d.h. Inhalte ohne Berührung)

Identifizieren Sie den effizientesten Punkt, an dem hohe QPS und keine Bearbeitungszeit für die automatische Bestätigung in Frage kommen, um so viel Inhalt wie möglich von der erforderlichen menschlichen Überprüfung zu trennen.

Vorgeschlagene Analyse:

Use segment_statistic_v2:
- Filtern Sie, wo Segment translation_origin = MT, is_confirmed = true, editing_time_ms = 0 und confirmation_source = MT.
- Aggregieren Sie die Segmentanzahl (segment_id), die Wortanzahl (words_processed) nach QPS.
- Zusammenführen mit job_v2 unter Verwendung der job_id, um Sprachinformationen zu extrahieren, z.B. target_locale.
- Fügen Sie sich mit project_v2 unter Verwendung der project_id zusammen, um die Inhaltsmetadaten zu extrahieren.

Vorteile:

Kosteneinsparungen: Finden Sie den optimalen QPS-Schwellenwert, um die automatische Bestätigung zu erhöhen und die Bearbeitungszeit zu reduzieren, wo die Qualität bereits gut genug ist.
Umschlagzeit reduzieren: Vermeiden Sie, dass Inhalte unnötig überprüft werden.

Abfragevorlagen

Beispielabfragen, die als Leitfaden dienen, um mit den relevanten Tabellen zu beginnen:

Vorab übersetzte MT-Ausgabe von Monat zu Monat

AUSWÄHLEN
    ssv.qps
    ,DATUM(DATUM_ABRUNDEN('Monat', ssv.date_created)) AS date_month
    ,ANZAHL(DISTINCT segment_id) AS mt_segments
VON segment_statistic_v2 ssv
WHERE
    ssv.date_created >= DATUMHINZUFÜGEN('Tag', -365, AKTUELLES_DATUM)
    UND ssv.date_created < AKTUELLES_DATUM
    UND ssv.translation_origin = 'mt' -- Segmente, die vorab von MT übersetzt wurden
GRUPPIEREN NACH
    ssv.qps
    ,DATUM(DATUM_ABRUNDEN('Monat', ssv.date_created));

Vorab übersetzte MT-Qualitätsvariation über individuelle Projektmetadaten

AUSWÄHLEN
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values
    ,ANZAHL(DISTINCT segment_id) AS mt_segments
VON segment_statistic_v2 ssv
ZUSAMMENFÜHREN 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 >= DATUMHINZUFÜGEN('Tag', -28, AKTUELLES_DATUM)
    UND ssv.date_created < AKTUELLES_DATUM
    UND ssv.translation_origin = 'mt' -- Segmente, die vorab von MT übersetzt wurden
GRUPPIEREN NACH
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values;

Vorab übersetzte MT-Qualitätsvariation über Regionen

AUSWÄHLEN
    ssv.qps
    ,jv.locale_pair
    ,ANZAHL(DISTINCT segment_id) AS mt_segments
VON segment_statistic_v2 ssv
ZUSAMMENFÜHREN job_v2 jv
    ON ssv.job_id = jv.job_id
WHERE
    ssv.date_created >= DATUMHINZUFÜGEN('Tag', -28, AKTUELLES_DATUM)
    UND ssv.date_created < AKTUELLES_DATUM
    UND ssv.translation_origin = 'mt' -- Segmente, die vorab von MT übersetzt wurden
GRUPPIEREN NACH
    ssv.qps
    ,jv.locale_pair;

Vorab übersetzte MT-Menge und Qualität

AUSWÄHLEN
    ssv.qps
    ,mtsv.machine_translate_setting_type
    ,ANZAHL(DISTINCT segment_id) AS mt_segments
VON 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 >= DATUMHINZUFÜGEN('Tag', -28, AKTUELLES_DATUM)
    UND ssv.date_created < AKTUELLES_DATUM
    UND ssv.translation_origin = 'mt' -- Segmente, die vorab von MT übersetzt wurden
GRUPPIEREN NACH
    ssv.qps
    ,mtsv.machine_translate_setting_type;

Menge der vorübersetzten MT-Segmente, die automatisch von QPS bestätigt wurden

AUSWÄHLEN
    qps
    ,ANZAHL(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
WHERE
    date_created >= DATEADD('day', -28, CURRENT_DATE)
    UND date_created < CURRENT_DATE
    UND translation_origin = 'mt' -- Segmente, die von MT vorübersetzt wurden
GRUPPIEREN NACH
    qps;

Menge der vorübersetzten MT-Segmente, die von QPS bearbeitet wurden

AUSWÄHLEN
    qps
    ,ANZAHL(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
WHERE
    date_created >= DATEADD('day', -28, CURRENT_DATE)
    UND date_created < CURRENT_DATE
    UND translation_origin = 'mt' -- Segmente, die von MT vorübersetzt wurden
GRUPPIEREN NACH
    Qps;

Menge der Wörter, die durch Senkung des QPS-Schwellenwerts von der menschlichen Überprüfung eingespart wurden

WITH qps_segments AS (
    AUSWÄHLEN
        ssv.qps
        ,SUM(words_processed) AS words_processed
    VON segment_statistic_v2 ssv
    WHERE
        ssv.date_created >= DATUMHINZUFÜGEN('Tag', -28, AKTUELLES_DATUM)
        UND ssv.date_created < AKTUELLES_DATUM
        UND ssv.translation_origin = 'mt' -- Segmente, die vorab von MT übersetzt wurden
    GRUPPIEREN NACH
        ssv.qps
)

AUSWÄHLEN
    qps AS new_qps_threshold
    ,SUM(words_processed) OVER (ORDER BY qps DESC) AS words_saved
FROM qps_segments;

Phrase Data (TMS)

Inhalte werden von Phrase Language AI maschinell aus dem Englischen übersetzt.

Verfügbar für

Verfügbar für

Verfügbar für

Grundlegende Anwendungsfälle der Basisstufe

Premium-Tier-Anwendungsfälle

Nutzung des Translation Memory (TM)

Optimierung der maschinellen Übersetzungs-(MT)-Engine

Maximieren Sie die automatisch bestätigten Segmente (d.h. Inhalte ohne Berührung)

Abfragevorlagen

Vorab übersetzte MT-Ausgabe von Monat zu Monat

Vorab übersetzte MT-Qualitätsvariation über individuelle Projektmetadaten

Vorab übersetzte MT-Qualitätsvariation über Regionen

Vorab übersetzte MT-Menge und Qualität

Menge der vorübersetzten MT-Segmente, die automatisch von QPS bestätigt wurden

Menge der vorübersetzten MT-Segmente, die von QPS bearbeitet wurden

Menge der Wörter, die durch Senkung des QPS-Schwellenwerts von der menschlichen Überprüfung eingespart wurden