Datos de Phrase (TMS)

El contenido se traduce automáticamente del inglés por Phrase Language AI.

Los datos de Phrase están disponibles en dos niveles:

Básico
Disponible para
- Planes Team, Professional, Business, Enterprise y Software UI/UX
Ponte en contacto con Ventas para preguntas sobre licencias.
Premium

El nivel Premium ofrece el mismo acceso que el nivel Básico, además de acceso a datos a nivel de segmento.
Disponible para
- Planes Business y Enterprise
Ponte en contacto con Ventas para preguntas sobre licencias.
Disponible para
- Plan Enterprise (anterior)
Ponte en contacto con Ventas para preguntas sobre licencias.

Los almacenes de datos en la nube (como Snowflake) permiten a los clientes acceder de forma segura a sus datos a través de una interfaz SQL.

Los datos de Phrase muestran información relevante sobre el uso del cliente de TMS desde la fecha en que el cliente se suscribió por primera vez a Phrase hasta la fecha actual. Phrase se reserva el derecho de cambiar el período por el cual se muestran los datos, previo aviso al cliente.

Documentación técnica completa de la integración de Phrase Data.

Phrase Data ayuda en la toma de decisiones estratégicas, demuestra el impacto empresarial y puede justificar inversiones. Los datos pueden combinarse con métricas más amplias de la empresa para revelar el impacto en los ingresos, la penetración de mercado y la satisfacción del cliente:

Tráfico web, como vistas de página, tasas de rebote, demografía de usuarios.
Datos de marketing, como tasas de clics, tasas de conversión, interacción en redes sociales
Datos de soporte al cliente, analizar si los materiales de soporte localizados conducen a una resolución de problemas más rápida y a una mayor satisfacción del cliente.
Cifras de ventas, comparando los costos con los ingresos generados a partir de contenido localizado.

Los conocimientos ayudan a entender el alcance y la reputación del contenido globalmente y aseguran que el mensaje de una empresa tenga éxito en todos los idiomas.

Retorno de la Inversión (ROI) de los Esfuerzos de Localización

Se utiliza para apoyar el mantenimiento o aumento de presupuestos al demostrar que las inversiones en traducción generan retornos. También señala ahorros de costos, como cómo el uso de la traducción automática ahorró dinero a lo largo del tiempo, lo que contribuye al ROI general.
Adaptación de Contenido, Eficacia y Compromiso del Usuario

Entender cómo el contenido localizado se desempeña con las audiencias. El seguimiento de la retención de clientes en cada localización sugiere que las traducciones están satisfaciendo las necesidades de los usuarios. Este feedback puede influir en la estrategia de calidad de un equipo o en cómo ajustar el estilo para resonar mejor con los usuarios locales. Un caso de uso de cliente correlaciona las adaptaciones de contenido con métricas de compromiso. Al usar diferentes indicaciones con AutoAdapt para personalizar el contenido según la demografía (por ejemplo, edad, género, región, idioma), esto luego rastrearía el aumento de rendimiento a nivel local o de campaña.
Priorización de Mercado e Idioma

Ayuda a decidir en qué idiomas o regiones enfocarse para un impacto máximo. Asegura que el equipo asigne recursos a traducciones que generen el mayor retorno comercial. También puede guiar la secuencia de nuevos lanzamientos de idiomas o justificar la localización para mercados donde desean crecer.
Optimización de Procesos y Estrategia Tecnológica

Evaluar la duración del flujo de trabajo y el impacto de la automatización conduce a mejoras continuas en los procesos y ayuda a elegir la tecnología adecuada. Medir cómo el aumento del uso de la traducción automática en términos de calidad y velocidad (por ejemplo, tiempo de pos-edición y puntuaciones de calidad) cuantifica las ganancias de productividad.
Benchmarking de Rendimiento Interno

Con el tiempo, los benchmarks internos como el costo promedio por palabra, el tiempo promedio de respuesta para un tipo de contenido dado y la puntuación de calidad promedio se convierten en objetivos estratégicos para la mejora. Revela los resultados de prácticas inteligentes y ganancias de eficiencia que justifican aún más los programas de localización.

Conectar los datos de frases con los flujos de trabajo de Orchestrator para ejecutar consultas pesadas y automatizaciones avanzadas de manera más eficiente. La integración de Orchestrator también ayuda a agilizar los controles de calidad y la optimización de procesos al muestrear proyectos o identificar trabajos que coinciden con criterios específicos más rápidamente.

Casos de uso de nivel básico

En cualquier industria que dependa de la traducción y la localización lingüística, los equipos necesitan información de datos robusta para guiar decisiones. Sin embargo, los informes de análisis y las percepciones difieren según las necesidades del equipo (Localización, Contenido, Interesados Ejecutivos) que requieren métricas operativas (eficiencia diaria, rendimiento, costos) y percepciones estratégicas (ROI a largo plazo, impacto del usuario, crecimiento del mercado).

Los análisis operativos ayudan a los gerentes de localización a agilizar flujos de trabajo y gestionar costos a diario.

Volumen (también conocido como rendimiento)

El seguimiento de la cantidad de contenido traducido a lo largo del tiempo (por ejemplo, palabras por semana/mes) indica la capacidad del equipo. Esto ayuda con la planificación de recursos.
Oportunidad (también conocido como tiempo de respuesta)

El tiempo de respuesta mide cuánto tiempo se tarda en traducir contenido de principio a fin. Los equipos de localización rastrean si las traducciones se entregan a tiempo o enfrentan retrasos. Esto es crucial para cumplir con las fechas de lanzamiento de productos, SLA e investigar retrasos.
Desempeño de proveedores y lingüistas

Si se utilizan proveedores de traducción externos o lingüistas freelance, el equipo de localización querrá evaluar su desempeño. Se rastrean métricas como el tiempo de respuesta por proveedor, la entrega a tiempo por proveedor y las puntuaciones de calidad por lingüista.
Métricas de calidad (Control de Calidad Lingüística)

Medir el porcentaje de traducciones que pasan los controles de calidad en el primer intento (sin necesidad de rehacer), lo que indica una traducción inicial efectiva. De manera similar, detallar la categoría y la gravedad de los problemas de error encontrados, por ejemplo, terminología, precisión, etc.
Métricas de costo y eficiencia

Típicamente, los equipos rastrean el costo por palabra y el gasto total por proyecto, idioma o departamento para asegurar que se cumplan los presupuestos. Así como los ahorros para comparar el costo de traducción en bruto frente al costo con descuento después de aplicar un esquema a tasa neta que resalta el valor de mantener coincidencias y repeticiones de TM. Por ejemplo, si el 30% de las palabras en un nuevo proyecto fueron traducidas mediante coincidencias de TM al 100%, el equipo puede cuantificar el costo ahorrado al no retraducir esos segmentos.
Aprovechamiento de la Automatización (MT y TM)
- Esfuerzo de pos-edición, como los ediciones promedio o el tiempo necesario en los resultados de MT, para ayudar a evaluar MT.
- Tasa de aprovechamiento de TM al observar el % de contenido por coincidencias de TM, lo que indica la eficiencia de reutilización de TM y los ahorros de costos.
- Tasa de uso de MT, como el % de segmentos inicialmente traducidos por MT. Esto presenta la cobertura de automatización y oportunidades para la reducción de costos/tiempo – Solo Premium.

Casos de Uso de Nivel Premium

Utilización de Memoria de Traducción (TM)

Rastrear cuándo se utilizó por última vez una TM y cuántos segmentos se reutilizaron a lo largo del tiempo. Esto ayuda a evaluar la frescura de la TM, la contribución de valor y si las TM obsoletas aún valen la pena mantener.

Análisis sugerido:

Use segment_statistic_v2 and filter on translation_origin = TM.
- Una TM puede ser identificada usando el translation_memory_id.
- Agregar segmentos por TM y usar el campo date_created para ver cuándo se utilizó la TM. También es bueno calcular y ver el promedio de editing_time_ms y score.
Unir con job_v2 usando el job_id para extraer información del idioma, por ejemplo, target_locale.
Unir con project_v2 usando el project_id para contextualizar el uso por dominio, cliente, unidad de negocio, etc.

Beneficios:

Ahorro de costos: Ayuda a eliminar TMs no utilizados o de bajo rendimiento para reducir la carga de mantenimiento.
Calidad: Identifica TMs envejecidos con alto esfuerzo de posedición y señala la acción adecuada.
Eficiencia: Usa TMs de alto rendimiento que reduzcan el tiempo de edición y aumenten la auto-confirmación. Considera ajustar el umbral de TM en consecuencia.

Optimización del motor de Traducción Automática (MT)

Compara motores de MT por QPS (puntuación de calidad por segmento) y tiempo de posedición, permitiendo un enrutamiento más inteligente del contenido al motor de MT adecuado.

Análisis sugerido:

Usa segment_statistic_v2 con filtro en translation_origin = MT.
Une con machine_translate_setting_v2 usando el machine_translate_setting_id.
- Un motor de MT puede ser identificado usando el machine_translate_setting_name.
- Agrega segmentos por motor de MT y calcula la suma de segment_id, el QPS promedio y el promedio de editing_time_ms.
Unir con job_v2 usando el job_id para extraer información del idioma, por ejemplo, target_locale.
Une con project_v2 para diferentes tipos de contenido como dominio, cliente, unidad de negocio, etc.

Beneficios:

Menor costo: Identifica y usa los motores adecuados para el trabajo que sean más adecuados para el tipo de contenido e idioma con tasas de edición históricamente bajas.
Cuantificar el tiempo de respuesta: Al observar los tiempos de edición por combinación de idiomas, tipo de contenido, etc.

Maximiza los segmentos de auto-confirmación (es decir, contenido sin intervención)

Identifica el punto más eficiente donde un alto QPS y ningún tiempo de edición son elegibles para auto-confirmación, separando así tanto contenido como sea posible que requiera revisión humana.

Análisis sugerido:

Use segment_statistic_v2:
- Filtra donde el segmento translation_origin = MT, is_confirmed = true, editing_time_ms = 0, y confirmation_source = MT.
- Agrega el conteo de segmentos (segment_id), el conteo de palabras (words_processed) por QPS.
- Unir con job_v2 usando el job_id para extraer información del idioma, por ejemplo, target_locale.
- Une con project_v2 usando el project_id para extraer metadatos del contenido.

Beneficios:

Ahorro de costos: Encuentra el umbral óptimo de QPS para aumentar la auto-confirmación y reducir el tiempo de edición donde la calidad ya es lo suficientemente buena.
Reducir el tiempo de respuesta: Evitar que el contenido sea revisado innecesariamente.

Plantillas de consulta

Consultas de muestra para usar como guía para comenzar con las tablas relevantes:

Salida de MT pretraducida de mes a mes

SELECT
    ssv.qps
    ,FECHA(DATE_TRUNC('month', ssv.date_created)) AS date_month
    ,CONTAR(DISTINCT segment_id) AS mt_segments
DE segment_statistic_v2 ssv
DONDE
    ssv.date_created >= DATEADD('day', -365, CURRENT_DATE)
    Y ssv.date_created < CURRENT_DATE
    Y ssv.translation_origin = 'mt' -- segmentos pretraducidos por MT
AGRUPAR POR
    ssv.qps
    ,FECHA(DATE_TRUNC('month', ssv.date_created));

Variación de calidad de MT pretraducida en los metadatos del proyecto personalizado

SELECT
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values
    ,CONTAR(DISTINCT segment_id) AS mt_segments
DE 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
DONDE
    ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
    Y ssv.date_created < CURRENT_DATE
    Y ssv.translation_origin = 'mt' -- segmentos pretraducidos por MT
AGRUPAR POR
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values;

Variación de calidad de MT pretraducido a través de localidades

SELECT
    ssv.qps
    ,jv.locale_pair
    ,CONTAR(DISTINCT segment_id) AS mt_segments
DE segment_statistic_v2 ssv
JOIN job_v2 jv
    ON ssv.job_id = jv.job_id
DONDE
    ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
    Y ssv.date_created < CURRENT_DATE
    Y ssv.translation_origin = 'mt' -- segmentos pretraducidos por MT
AGRUPAR POR
    ssv.qps
    ,jv.locale_pair;

Volumen y calidad de MT pretraducido

SELECT
    ssv.qps
    ,mtsv.machine_translate_setting_type
    ,CONTAR(DISTINCT segment_id) AS mt_segments
DE segment_statistic_v2 ssv
JOIN machine_translate_setting_v2 mtsv
    ON ssv.machine_translate_setting_id = mtsv.machine_translate_setting_id
DONDE
    ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
    Y ssv.date_created < CURRENT_DATE
    Y ssv.translation_origin = 'mt' -- segmentos pretraducidos por MT
AGRUPAR POR
    ssv.qps
    ,mtsv.machine_translate_setting_type;

Cantidad de segmentos de MT pretraducidos autoconfirmados por QPS

SELECT
    qps
    ,CONTAR(DISTINCT segment_id) AS mt_segments
    ,CONTAR(DISTINCT IFF(BAJAR(confirmation_source) EN ('mt', 'tm', 'nt', 'ir', 'ut'), segment_id, NULL)) COMO mt_segments_autoconfirmed
FROM segment_statistic_v2
DONDE
    date_created >= DATEADD('day', -28, CURRENT_DATE)
    Y date_created < CURRENT_DATE
    Y translation_origin = 'mt' -- segmentos pretraducidos por MT
AGRUPAR POR
    qps;

Cantidad de segmentos de MT pretraducidos editados por QPS

SELECT
    qps
    ,CONTAR(DISTINCT segment_id) AS mt_segments
    ,CONTAR(DISTINCT IFF(COALESCE(editing_time_ms, 0) > 0, segment_id, NULL)) COMO mt_segments_edited
FROM segment_statistic_v2
DONDE
    date_created >= DATEADD('day', -28, CURRENT_DATE)
    Y date_created < CURRENT_DATE
    Y translation_origin = 'mt' -- segmentos pretraducidos por MT
AGRUPAR POR
    Qps;

Cantidad de palabras ahorradas de la revisión humana al reducir el umbral de QPS

CON qps_segments COMO (
    SELECT
        ssv.qps
        ,SUMA(words_processed) COMO words_processed
    DE segment_statistic_v2 ssv
    DONDE
        ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
        Y ssv.date_created < CURRENT_DATE
        Y ssv.translation_origin = 'mt' -- segmentos pretraducidos por MT
    AGRUPAR POR
        ssv.qps
)

SELECT
    qps AS new_qps_threshold
    ,SUMA(words_processed) SOBRE (ORDENAR POR qps DESC) COMO words_saved
DE qps_segmentos;

Datos de Phrase (TMS)

El contenido se traduce automáticamente del inglés por Phrase Language AI.

Disponible para

Disponible para

Disponible para

Casos de uso de nivel básico

Casos de Uso de Nivel Premium

Utilización de Memoria de Traducción (TM)

Optimización del motor de Traducción Automática (MT)

Maximiza los segmentos de auto-confirmación (es decir, contenido sin intervención)

Plantillas de consulta

Salida de MT pretraducida de mes a mes

Variación de calidad de MT pretraducida en los metadatos del proyecto personalizado

Variación de calidad de MT pretraducido a través de localidades

Volumen y calidad de MT pretraducido

Cantidad de segmentos de MT pretraducidos autoconfirmados por QPS

Cantidad de segmentos de MT pretraducidos editados por QPS

Cantidad de palabras ahorradas de la revisión humana al reducir el umbral de QPS