Administración
    1. Phrase
    2. Phrase TMS
    3. Administración

    Phrase Data (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 y Enterprise

      Ponte en contacto con el equipo de ventas para preguntar por nuestros planes.

    • Premium

      El nivel Premium ofrece el mismo acceso que el nivel Básico, además de acceso a datos a nivel de segmento.

      Disponible para

      • los planes Business y Enterprise

      Ponte en contacto con el equipo de ventas para preguntar por nuestros planes.

      Disponible para

      • Plan Enterprise (anterior)

      Ponte en contacto con el equipo de ventas para preguntar por nuestros planes.

    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 TMS por parte del cliente 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 durante el cual se muestran los datos, previa notificación al cliente.

    Documentación técnica completa de la integración de Phrase Data.

    Los datos de Phrase ayudan en la toma de decisiones estratégicas, demuestran el impacto en el negocio y pueden justificar inversiones. Los datos pueden combinarse con métricas más amplias de la empresa para revelar el impacto en los ingresos, la penetración en el 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, participación 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 por 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 traducción automática ahorró dinero con el tiempo y 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 las métricas de compromiso. Al usar diferentes prompts 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.

    • Prioritización 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 quieren 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.

    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 en el usuario, crecimiento del mercado).

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

    • Volumen (también conocido como rendimiento)

      Rastrear 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.

    • Rendimiento del proveedor y del lingüista

      Si se utilizan proveedores de traducción externos o lingüistas independientes, el equipo de localización querrá evaluar su rendimiento. 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)

      Mide el porcentaje de traducciones que pasan las verificaciones de control de calidad en el primer intento (sin necesidad de rehacer), lo que indica una traducción inicial efectiva. De manera similar, detallar la categoría y 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 bruto frente al costo con descuento después de aplicar un esquema a tasa neta que destaca el valor de mantener coincidencias y repeticiones de TM.  Por ejemplo, si el 30% de las palabras en un nuevo proyecto fueron traducidas a través de coincidencias de TM del 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 las ediciones promedio o el tiempo necesario en las salidas 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 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 la 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 TMs obsoletas aún valen la pena mantener.

    Análisis sugerido:

    • Usar segment_statistic_v2 y filtrar por translation_origin = TM.

      • Una TM se puede identificar 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 utilizadas o de bajo rendimiento para reducir la carga de mantenimiento.

    • Calidad: Identifica TMs envejecidas con alto esfuerzo de pos-edición y señala la acción adecuada.

    • Eficiencia: Usar TMs de alto rendimiento que reduzcan el tiempo de edición y aumenten la auto-confirmación. Considerar ajustar el umbral de la TM en consecuencia.

    Optimización del motor de traducción automática (MT)

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

    Análisis sugerido:

    • Usar segment_statistic_v2 con filtro en translation_origin = MT.

    • Unir con machine_translate_setting_v2 usando el machine_translate_setting_id.

      • Un motor de MT se puede identificar usando el machine_translate_setting_name.

      • Agregue segmentos por motor de MT y calcule la suma de segment_id, el promedio de QPS y el promedio de editing_time_ms.

    • Unir con job_v2 usando el job_id para extraer información del idioma, por ejemplo, target_locale.

    • Unir con project_v2 para diferentes tipos de contenido como dominio, cliente, unidad de negocio, etc.

    Beneficios:

    • Costos más bajos: Identifique y use 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 par de idiomas, tipo de contenido, etc.

    Maximizar segmentos auto-confirmados (es decir, contenido sin tocar)

    Identifique el punto más eficiente donde un alto QPS y ningún tiempo de edición son elegibles para auto-confirmación para separar tanto contenido como sea posible de la revisión humana.

    Análisis sugerido:

    • Usar segment_statistic_v2:

      • Filtrar donde el segmento translation_origin = MT, is_confirmed = true, editing_time_ms = 0, y confirmation_source = MT.

      • Contar segmentos agregados (segment_id), recuento de palabras (words_processed) por QPS.

      • 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 extraer metadatos de contenido.

    Beneficios:

    • Ahorro de costos: Encuentre 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 ayudar a comenzar con las tablas relevantes:

    Salida de MT pre-traducida de mes a mes

    SELECCIONAR
    ssv.qps
    ,FECHA(FECHA_TRUNC('mes', ssv.date_created)) COMO date_month
    ,CONTAR(DISTINCT segment_id) COMO mt_segments
DE segment_statistic_v2 ssv
DONDE
    ssv.date_created >= DATEADD('día', -365, CURRENT_DATE)
    Y ssv.date_created < CURRENT_DATE
    Y ssv.translation_origin = 'mt' -- segmentos pre-traducidos por MT
AGRUPAR POR
    ssv.qps
    ,FECHA(FECHA_TRUNC('mes', ssv.date_created));

    Variación de calidad de MT pre-traducida a través de los metadatos del proyecto personalizado

    SELECCIONAR
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values
    ,CONTAR(DISTINCT segment_id) COMO 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('día', -28, CURRENT_DATE)
    Y ssv.date_created < CURRENT_DATE
    Y ssv.translation_origin = 'mt' -- segmentos pre-traducidos por MT
AGRUPAR POR
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values;

    Variación de calidad de MT pretraducido a través de locales

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

    Volumen y calidad de MT pretraducido

    SELECCIONAR
    ssv.qps
    ,mtsv.machine_translate_setting_type
    ,CONTAR(DISTINCT segment_id) COMO mt_segments
DE segment_statistic_v2 ssv
JOIN machine_translate_setting_v2 mtsv
    ON ssv.id_de_configuración_de_traducción_máquina = mtsv.id_de_configuración_de_traducción_máquina
DONDE
    ssv.date_created >= DATEADD('día', -28, CURRENT_DATE)
    Y ssv.date_created < CURRENT_DATE
    Y ssv.translation_origin = 'mt' -- segmentos pre-traducidos por MT
AGRUPAR POR
    ssv.qps
    ,mtsv.machine_translate_setting_type;

    Cantidad de segmentos de MT pretraducidos autoconfirmados por QPS

    SELECCIONAR
    qps
    ,CONTAR(DISTINCT segment_id) COMO mt_segments
    ,CONTAR(DISTINTO IFF(MINÚSCULAS(origen_confirmación) EN ('mt', 'tm', 'nt', 'ir', 'ut'), id_segmento, NULL)) COMO segmentos_mt_autoconfirmados
FROM segment_statistic_v2
DONDE
    fecha_creada >= FECHAADD('día', -28, FECHA_ACTUAL)
    Y fecha_creada < FECHA_ACTUAL
    Y origen_traducción = 'mt' -- segmentos pretraducidos por MT
AGRUPAR POR
    qps;

    Cantidad de segmentos de MT pretraducidos editados por QPS

    SELECCIONAR
    qps
    ,CONTAR(DISTINCT segment_id) COMO mt_segments
    ,CONTAR(DISTINTO IFF(COALESCE(tiempo_edición_ms, 0) > 0, id_segmento, NULL)) COMO segmentos_mt_editados
FROM segment_statistic_v2
DONDE
    fecha_creada >= FECHAADD('día', -28, FECHA_ACTUAL)
    Y fecha_creada < FECHA_ACTUAL
    Y origen_traducción = 'mt' -- segmentos pretraducidos por MT
AGRUPAR POR
    Qps;

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

    CON segmentos_qps COMO (
    SELECCIONAR
        ssv.qps
        ,SUMA(palabras_procesadas) COMO palabras_procesadas
    DE segment_statistic_v2 ssv
    DONDE
        ssv.date_created >= DATEADD('día', -28, CURRENT_DATE)
        Y ssv.date_created < CURRENT_DATE
        Y ssv.translation_origin = 'mt' -- segmentos pre-traducidos por MT
    AGRUPAR POR
        ssv.qps
)

SELECCIONAR
    qps AS new_qps_threshold
    ,SUM(palabras_procesadas) SOBRE (ORDENAR POR qps DESC) COMO palabras_guardadas
DE segmentos_qps;
    ¿Fue útil este artículo?

    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.