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
Kontaktiere Vertrieb für Fragen zur Lizenzierung.
Premium

Die Premium-Stufe bietet denselben zugreifen wie die Basic-Stufe, plus zugreifen auf Segment-Ebene-Daten.
Verfügbar für
- Business und Enterprise-Pläne
Kontaktiere Vertrieb für Fragen zur Lizenzierung.
Verfügbar für
- Enterprise-Plan (Legacy)
Kontaktiere Vertrieb für Fragen zur Lizenzierung.

Cloud-Data-Warehouses (wie Snowflake) ermöglichen es Kunde, sicher auf ihre Daten über eine SQL-Schnittstelle zu zugreifen.

Phrase Data zeigt Daten an, die für die Nutzung von TMS durch den Kunde relevant sind, vom Datum, an dem der Kunde erstmals Phrase abonniert hat, bis zum heutigen Datum. Phrase behält sich das Recht vor, den Zeitraum, für den die Daten angezeigt werden, nach Benachrichtigung des Kunde zu ändern.

Vollständige technische Dokumentation der Phrase Data Integration.

Phrase Data unterstützt die strategische Entscheidungsfindung, demonstriert Business-Auswirkungen und kann Investitionen rechtfertigen. Daten können mit umfassenderen Unternehmenskennzahlen kombiniert werden, um Auswirkungen auf Umsatz, Marktdurchdringung und Kunde-Zufriedenheit aufzuzeigen:

Web-Traffic, wie Seitenaufrufe, Absprungraten, User-Demografie.
Marketing-Daten, wie Klickraten, Konversionsraten, Social-Media-Engagement
Kunde-Support-Daten, analysieren Sie, ob lokalisierte Support-Materialien zu einer schnelleren Problem-Lösung und höherer Kunde-Zufriedenheit führen.
Verkaufszahlen, Vergleich der Kosten mit dem durch lokalisierten Content generierten Umsatz.

Insights helfen dabei, die Reichweite und Reputation von globalem Content weltweit zu verstehen und stellen sicher, dass die Botschaft eines Unternehmens über Sprachen hinweg erfolgreich ist.

Return on Investment (ROI) von Lokalisierungsbemühungen

Wird verwendet, um die Beibehaltung oder Erhöhung von Budgets zu unterstützen, indem nachgewiesen wird, dass Investitionen in Übersetzung Erträge bringen. Es weist auch auf Kosteneinsparungen hin, wie zum Beispiel, wie die Verwendung von maschinelle Übersetzung im Laufe der Zeit Geld gespart hat und zum gesamten ROI beiträgt.
Content-Adaption, Wirksamkeit und User-Engagement

Verstehen Sie, wie lokalisierter Content bei Zielgruppen ankommt. Die Nachverfolgung der Kundenbindung in jeder Sprache deutet darauf hin, dass die Übersetzungen die Bedürfnisse der User erfüllen. Dieses Feedback kann die Qualitätsstrategie eines Teams beeinflussen oder aufzeigen, wie der Stil angepasst werden kann, um bei lokalen Usern besser anzukommen. Ein Kunden-Anwendungsfall korreliert Content-Anpassungen mit Engagement-Kennzahlen. Durch die Verwendung verschiedener Prompts mit AutoAdapt zur Personalisierung von Content basierend auf demografischen Daten (z. B. Alter, Geschlecht, Region, Sprache) würde dies die Leistungssteigerung auf lokaler oder Kampagnenebene nachverfolgen.
Markt- und Sprachpriorisierung

Hilft bei der Entscheidung, auf welche Sprachen oder Regionen man sich für maximale Wirkung konzentrieren sollte. Es stellt sicher, dass das Team Ressourcen für Übersetzungen bereitstellt, die den größten Business-Ertrag bringen. Kann auch die Reihenfolge neuer Sprach-Rollouts leiten oder die Lokalisierung für Märkte rechtfertigen, in denen Wachstum angestrebt wird.
Prozessoptimierung & Technologiestrategie

Die Bewertung der Workflow-Dauer und der Auswirkungen der Automatisierung führt zu kontinuierlichen Prozessverbesserungen und hilft bei der Auswahl der richtigen Technologie. Die Messung, wie die verstärkte Verwendung von maschineller Übersetzung in Bezug auf Qualität und Geschwindigkeit (z. B. Post-Editing-Zeit und Qualitätskennzahlen) die Produktivitätsgewinne quantifiziert.
Internes Performance-Benchmarking

Im Laufe der Zeit werden interne Benchmarks wie durchschnittliche Kosten pro Wort, durchschnittliche Bearbeitungszeit für einen bestimmten Content-Typ und die durchschnittliche Qualitätskennzahl zu strategischen Zielen für Verbesserungen. Dies zeigt die Ergebnisse intelligenter Praktiken und Effizienzgewinne auf, die Lokalisierungsprogramme weiter rechtfertigen.

Verbinden Sie Phrase Data mit Orchestrator-Workflows, um komplexe Abfragen und erweiterte Automatisierung effizienter auszuführen. Die Orchestrator-Integration hilft auch dabei, Qualitätsprüfungen und Prozessoptimierung zu rationalisieren, indem Projekte stichprobenartig geprüft oder Aufträge, die bestimmte Kriterien erfüllen, schneller identifiziert werden.

Anwendungsfälle für die Basis-Stufe

In jeder Branche, die auf Übersetzung und sprachliche Lokalisierung angewiesen ist, benötigen Teams fundierte Dateneinblicke, um Entscheidungen zu treffen. Allerdings unterscheiden sich Statistiken-Berichte und Einblicke je nach Bedarf des Teams (Lokalisierung, Content, Executive Stakeholder), die operative Kennzahlen (tägliche Effizienz, Durchsatz, Kosten) und strategische Einblicke (langfristiger ROI, User-Auswirkung, Marktwachstum) benötigen.

Operative Statistiken helfen Lokalisierungsmanagern dabei, Arbeitsabläufe zu optimieren und Kosten täglich zu verwalten.

Volumen (auch bekannt als Durchsatz)

Die Verfolgung der Menge an Content, die im Laufe der Zeit übersetzt wurde (z. B. Wörter pro Woche/Monat), gibt Aufschluss über die Kapazität des Teams. Dies hilft bei der Ressourcenplanung.
Aktualität (auch bekannt als Bearbeitungszeit)

Die Bearbeitungszeit misst, wie lange es dauert, Content von Anfang bis fertigstellen zu übersetzen. Lokalisierungsteams verfolgen, ob Übersetzungen planmäßig geliefert werden oder Verzögerungen auftreten. Dies ist entscheidend für die Einhaltung von Produkteinführungsterminen, SLAs und die Untersuchung von Verzögerungen.
Leistung von Auftragnehmer und Linguist

Wenn externe Übersetzungs-Auftragnehmer oder freiberufliche Linguisten eingesetzt werden, möchte das Lokalisierungsteam deren Leistung bewerten. Metriken wie Bearbeitungszeit pro Auftragnehmer, pünktliche Lieferung pro Auftragnehmer und Qualitätsbewertungen pro Linguist werden nachverfolgt.
Qualitätsmetriken (Linguistische Qualitätssicherung)

Messen Sie den Prozentsatz der Übersetzungen, die QA-Prüfungen beim ersten Versuch bestehen (keine Nacharbeit erforderlich), was auf eine effektive Erstübersetzung hinweist. Ebenso die Detaillierung der Kategorie und des Schweregrads der gefundenen Fehler, z. B. Terminologie, Genauigkeit usw.
Kosten- und Effizienzmetriken

Typischerweise verfolgen Teams die Kosten pro Wort und die Gesamtausgaben nach Projekt, Sprache oder Abteilung, um sicherzustellen, dass Budgets eingehalten werden. Sowie Einsparungen, um die reinen Übersetzungskosten mit den rabattierten Kosten nach Anwendung eines Nettopreisschemas zu vergleichen, was den Wert der Pflege 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 Kosten quantifizieren, die durch das Nicht-Neuübersetzen dieser Segmente eingespart wurden.
Nutzung von Automatisierung (MT und TM)
- Post-Editing-Aufwand, wie z. B. die durchschnittlichen Bearbeitungen oder die benötigte Zeit für MT-Ausgaben, um bei der Bewertung von MT zu helfen.
- TM-Nutzungsrate durch Betrachtung des %-Anteils an Content durch TM-Matches, was die Effizienz der TM-Wiederverwendung und Kosteneinsparungen anzeigt.
- MT-Nutzungsrate, wie z. B. der %-Anteil der Segmente, die ursprünglich durch MT übersetzt wurden. Dies stellt die Abdeckung durch Automatisierung sowie Möglichkeiten zur Kosten-/Zeitreduzierung dar – nur Premium.

Anwendungsfälle für die Premium-Stufe

Nutzung von Translation Memory (TM)

Verfolgen Sie, wann eine TM zuletzt verwendet wurde und wie viele Segmente im Laufe der Zeit wiederverwendet wurden. Dies hilft bei der Bewertung der Aktualität und des Wertbeitrags einer TM sowie bei der Entscheidung, ob sich die Pflege veralteter TMs noch lohnt.

Vorgeschlagene Analyse:

Verwenden Sie segment_statistic_v2 und filtern Sie nach translation_origin = TM.
- Eine TM kann mithilfe der translation_memory_id identifiziert werden.
- Aggregieren Sie Segmente nach TM und verwenden Sie das Feld date_created, um zu sehen, wann die TM verwendet wurde. Es ist zudem sinnvoll, die durchschnittliche editing_time_ms und Kennzahl zu berechnen und zu betrachten.
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.

Die Vorteile:

Kosteneinsparungen: Hilft dabei, ungenutzte oder leistungsschwache TMs stillzulegen, um den Wartungsaufwand zu reduzieren.
Qualität: Identifiziert alternde TMs mit hohem Post-Editing-Aufwand und markiert geeignete Maßnahmen.
Effizienz: Verwenden Sie leistungsstarke TMs, die die Bearbeitungszeit verkürzen und die automatische Bestätigung erhöhen. Ziehen Sie in Betracht, den TM-Schwellenwert entsprechend anzupassen.

Optimierung der Engine für maschinelle Übersetzung (MT)

Vergleichen Sie MT-Engines anhand der QPS (Qualitätskennzahl pro Segment) und der Post-Editing-Zeit, was ein intelligenteres Routing von Content an die richtige MT-Engine ermöglicht.

Vorgeschlagene Analyse:

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

Die Vorteile:

Niedrigere Kosten: Identifizieren und verwenden Sie die richtigen Engines für den Job, die für Content-Typ und Sprache mit historisch niedrigen Bearbeitungsraten am besten geeignet sind.
Durchlaufzeit quantifizieren: Durch Untersuchung der Bearbeitungszeiten pro Sprachpaar, Content-Typ usw.

Maximieren Sie automatisch bestätigte Segmente (d. h. Content ohne Bearbeitung)

Identifizieren Sie den effizientesten Punkt, an dem hohe QPS und keine Bearbeitungszeit für eine automatische Bestätigung infrage kommen, um so viel Content wie möglich von der Notwendigkeit einer menschlichen Prüfung 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 Segmentanzahl (segment_id), Wortanzahl (words_processed) nach QPS.
- 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 Content-Metadaten zu extrahieren.

Die Vorteile:

Kosteneinsparungen: Finden Sie den optimalen QPS-Schwellenwert, um die automatische Bestätigung zu erhöhen und die Bearbeitungszeit dort zu reduzieren, wo die Qualität bereits gut genug ist.
Durchlaufzeit reduzieren: Vermeiden Sie, dass Content unnötig geprüft wird.

Query-Vorlagen

Beispiel-Queries zur Verwendung als Leitfaden, um den Einstieg in die relevanten Tabellen zu erleichtern:

Vorübersetzter MT-Output von Monat zu Monat

SELECT
    ssv.qps
    ,DATE(DATE_TRUNC('month', ssv.date_created)) AS date_month
    ,COUNT(DISTINCT Segment_ID) AS MT_Segmente
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' -- Segmente vorübersetzt durch MT
GROUP BY
    ssv.qps
    ,DATE(DATE_TRUNC('month', ssv.date_created));

Qualitätsschwankungen bei vorübersetztem MT über Individuelle Projekt-Metadaten

SELECT
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values
    ,COUNT(DISTINCT Segment_ID) AS MT_Segmente
FROM 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 >= DATEADD('day', -28, CURRENT_DATE)
    AND ssv.date_created < CURRENT_DATE
    AND ssv.translation_origin = 'MT' -- Segmente vorübersetzt durch MT
GROUP BY
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values;

Qualitätsschwankungen bei vorübersetztem MT nach Gebietsschema

SELECT
    ssv.qps
    ,jv.locale_pair
    ,COUNT(DISTINCT Segment_ID) AS MT_Segmente
FROM segment_statistic_v2 ssv
zusammenführen 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' -- Segmente vorübersetzt durch MT
GROUP BY
    ssv.qps
    ,jv.locale_pair;

Volumen und Qualität von vorübersetztem MT

SELECT
    ssv.qps
    ,mtsv.machine_translate_setting_type
    ,COUNT(DISTINCT Segment_ID) AS MT_Segmente
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' -- Segmente vorübersetzt durch MT
GROUP BY
    ssv.qps
    ,mtsv.machine_translate_setting_type;

Anzahl der vorübersetzten MT-Segmente, die automatisch durch QPS bestätigt wurden

SELECT
    qps
    ,COUNT(DISTINCT Segment_ID) AS MT_Segmente
    ,COUNT(DISTINCT IFF(LOWER(confirmation_source) IN ('MT', 'TM', 'NÜE', '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
    UND translation_origin = 'MT' -- Segmente vorübersetzt durch MT
GROUP BY
    qps;

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

SELECT
    qps
    ,COUNT(DISTINCT Segment_ID) AS MT_Segmente
    ,COUNT(DISTINCT IFF(COALESCE(editing_time_ms, 0) > 0, Segment_ID, NULL)) AS MT_Segmente_bearbeitet
FROM segment_statistic_v2
WHERE
    date_created >= DATEADD('day', -28, CURRENT_DATE)
    AND date_created < CURRENT_DATE
    UND translation_origin = 'MT' -- Segmente vorübersetzt durch MT
GROUP BY
    QPS;

Anzahl der Wörter, die durch Reduzierung des QPS-Schwellenwerts von der menschlichen Überprüfung ausgenommen wurden

WITH qps_segments AS (
    SELECT
        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' -- Segmente vorübersetzt durch MT
    GROUP BY
        ssv.qps
)

SELECT
    qps AS new_qps_threshold
    ,SUM(words_processed) OVER (Reihenfolge BY QPS DESC) AS words_saved
VON QPS_segments;

Phrase Data (TMS)

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

Verfügbar für

Verfügbar für

Verfügbar für

Anwendungsfälle für die Basis-Stufe

Anwendungsfälle für die Premium-Stufe

Nutzung von Translation Memory (TM)

Optimierung der Engine für maschinelle Übersetzung (MT)

Maximieren Sie automatisch bestätigte Segmente (d. h. Content ohne Bearbeitung)

Query-Vorlagen

Vorübersetzter MT-Output von Monat zu Monat

Qualitätsschwankungen bei vorübersetztem MT über Individuelle Projekt-Metadaten

Qualitätsschwankungen bei vorübersetztem MT nach Gebietsschema

Volumen und Qualität von vorübersetztem MT

Anzahl der vorübersetzten MT-Segmente, die automatisch durch QPS bestätigt wurden

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

Anzahl der Wörter, die durch Reduzierung des QPS-Schwellenwerts von der menschlichen Überprüfung ausgenommen wurden