Administration
    1. Phrase
    2. Phrase TMS
    3. Administration

    Phrase Data (TMS)

    Le contenu est traduit de l’anglais par Phrase Language AI.

    Les données de Phrase sont disponibles en deux niveaux :

    • Paramètres basiques

      Disponible pour

      • les forfaits Team, Professional, Business et Enterprise

      Contactez le service commercial pour toute question relative aux licences.

    • Premium

      Le niveau Premium offre le même accès que le niveau de base, plus l'accès aux données au niveau des segments.

      Disponible pour

      • Plans Business et Enterprise

      Contactez le service commercial pour toute question relative aux licences.

      Disponible pour

      • Forfait enterprise (ancien)

      Contactez le service commercial pour toute question relative aux licences.

    Les entrepôts de données cloud (comme Snowflake) permettent aux clients d'accéder en toute sécurité à leurs données via une interface SQL.

    Les données de Phrase affichent des données pertinentes pour l'utilisation du TMS par le client depuis la date à laquelle le client s'est abonné pour la première fois à Phrase jusqu'à la date actuelle. Phrase se réserve le droit de modifier la période pendant laquelle les données sont affichées, après notification au client.

    Documentation technique complète de l'intégration des données de Phrase.

    Les données de Phrase aident à la prise de décision stratégique, démontrent l'impact commercial et peuvent justifier des investissements. Les données peuvent être combinées avec des indicateurs plus larges de l'entreprise pour révéler l'impact sur les revenus, la pénétration du marché et la satisfaction des clients :

    • Trafic web, tel que les pages vues, les taux de rebond, les données démographiques des utilisateurs.

    • Données marketing, telles que les taux de clics, les taux de conversion, l'engagement sur les réseaux sociaux

    • Données de support client, analyser si les supports localisés conduisent à une résolution plus rapide des problèmes et à une plus grande satisfaction des clients.

    • Chiffres de vente, comparant les coûts avec les revenus générés par le contenu localisé.

    Les insights aident à comprendre la portée et la réputation du contenu mondialement et garantissent que le message d'une entreprise réussit à travers les langues.

    • Retour sur investissement (ROI) des efforts de localisation

      Utilisé pour soutenir le maintien ou l'augmentation des budgets en prouvant que les investissements dans la traduction génèrent des retours. Il souligne également les économies de coûts, comme l'utilisation de la traduction automatique qui a permis d'économiser de l'argent au fil du temps, contribuant au ROI global.

    • Adaptation du contenu, efficacité et engagement des utilisateurs

      Comprendre comment le contenu localisé performe auprès des audiences. Le suivi de la rétention des clients dans chaque région suggère que les traductions répondent aux besoins des utilisateurs. Ce retour d'information peut influencer la stratégie de qualité d'une équipe ou la manière d'ajuster le style pour mieux résonner avec les utilisateurs locaux. Un cas d'utilisation client corrèle les adaptations de contenu avec les métriques d'engagement. En utilisant différents prompts avec AutoAdapt pour personnaliser le contenu en fonction des données démographiques (par exemple, âge, sexe, région, langue), cela suivrait ensuite l'augmentation de performance à un niveau local ou de campagne.

    • Priorisation du marché et de la langue

      Aide à décider quelles langues ou régions cibler pour un impact maximal. Cela garantit que l'équipe alloue des ressources aux traductions qui génèrent le plus grand retour sur investissement. Peut également guider la séquence des nouveaux déploiements linguistiques ou justifier la localisation pour les marchés où ils souhaitent croître.

    • Optimisation des processus et stratégie technologique

      Évaluer la durée des flux de travail et l'impact de l'automatisation conduit à des améliorations continues des processus et aide à choisir la bonne technologie. Mesurer comment l'augmentation de l'utilisation de la traduction automatique en termes de qualité et de rapidité (par exemple, temps de post-édition et scores de qualité) quantifie les gains de productivité.

    • Évaluation des performances internes

      Au fil du temps, les références internes telles que le coût moyen par mot, le délai moyen pour un type de contenu donné et le score de qualité moyen deviennent des cibles stratégiques pour l'amélioration. Cela révèle les résultats des pratiques intelligentes et des gains d'efficacité qui justifient davantage les programmes de localisation.

    Cas d'utilisation de niveau de base

    Dans toute industrie qui dépend de la traduction et de la localisation linguistique, les équipes ont besoin d'informations robustes pour guider les décisions. Cependant, les rapports d'analytique et les informations diffèrent selon les besoins de l'équipe (localisation, contenu, parties prenantes exécutives) qui nécessitent des métriques opérationnelles (efficacité quotidienne, débit, coûts) et des informations stratégiques (ROI à long terme, impact sur les utilisateurs, croissance du marché).

    Les analyses opérationnelles aident les responsables de la localisation à rationaliser les flux de travail et à gérer les coûts au quotidien.

    • Volume (également connu sous le nom de débit)

      Suivre la quantité de contenu traduit au fil du temps (par exemple, mots par semaine/mois) indique la capacité de l'équipe. Cela aide à la planification des ressources.

    • Ponctualité (également connue sous le nom de délai de traitement)

      Le délai de traitement mesure combien de temps il faut pour traduire le contenu du début à la fin. Les équipes de localisation suivent si les traductions sont livrées à temps ou rencontrent des retards. C'est crucial pour respecter les dates de lancement des produits, les SLA et enquêter sur les retards.

    • Performance des prestataires et des linguistes

      Si des prestataires de traduction externes ou des linguistes indépendants sont utilisés, l'équipe de localisation souhaitera évaluer leur performance. Des métriques comme le délai de traitement par prestataire, la livraison à temps par prestataire et les scores de qualité par linguiste sont suivies.

    • Métriques de qualité (Assurance Qualité Linguistique)

      Mesurer le pourcentage de traductions qui passent les contrôles QA du premier coup (aucun retravail nécessaire), indiquant une traduction initiale efficace. De même, détailler la catégorie et la gravité des problèmes d'erreur trouvés, par exemple, la terminologie, l'exactitude, etc.

    • Métriques de coût et d'efficacité

      En général, les équipes suivent le coût par mot et les dépenses totales par projet, langue ou département pour s'assurer que les budgets sont respectés. Ainsi que les économies pour comparer le coût brut de traduction par rapport au coût réduit après application d'une grille de remise, mettant en évidence la valeur de la conservation des correspondances TM et des répétitions.  Par exemple, si 30 % des mots dans un nouveau projet ont été traduits via des correspondances TM à 100 %, l'équipe peut quantifier le coût économisé en ne retraduisant pas ces segments.

    • Exploitation de l'automatisation (MT et TM)

      • Effort de post-édition, tel que le nombre moyen d'éditions ou le temps nécessaire sur les sorties MT, pour aider à évaluer la MT.

      • Taux d'exploitation TM en regardant le % de contenu par correspondances TM, ce qui indique l'efficacité de la réutilisation TM et les économies de coûts.

      • Taux d'utilisation de la MT tel que le % de segments initialement traduits par MT. Cela présente la couverture d'automatisation et les opportunités de réduction des coûts/temps – Premium uniquement.

    Cas d'utilisation de niveau premium

    Utilisation de la mémoire de traduction (MT)

    Suivez quand une MT a été utilisée pour la dernière fois et combien de segments ont été réutilisés au fil du temps. Cela aide à évaluer la fraîcheur de la MT, sa contribution en valeur, et si les MT obsolètes valent encore la peine d'être maintenues.

    Analyse suggérée :

    • Utilisez segment_statistic_v2 et filtrez sur translation_origin = MT.

      • Une MT peut être identifiée à l'aide de translation_memory_id.

      • Agrégate les segments par MT, et utilisez le champ date_created pour voir quand la MT a été utilisée. Il est également bon de calculer et de voir le temps moyen editing_time_ms et score.

    • Fusionnez avec job_v2 en utilisant le job_id pour extraire les informations linguistiques, par exemple target_locale.

    • Fusionnez avec project_v2 en utilisant le project_id pour contextualiser l'utilisation par domaine, client, unité commerciale, etc.

    Avantages :

    • Économies de coûts : Aide à mettre fin aux MT inutilisées ou peu performantes pour réduire les frais de maintenance.

    • Qualité Identifie les MT vieillissantes avec un effort de post-édition élevé, et signale une action appropriée.

    • Efficacité : Utilisez des MT performantes qui réduisent le temps de modification et augmentent la confirmation automatique. Envisagez d'ajuster le seuil de MT en conséquence.

    Optimisation du moteur de traduction automatique (TA)

    Comparer les moteurs MT par QPS (score de qualité par segment) et le temps de post-édition, permettant un routage plus intelligent du contenu vers le bon moteur MT.

    Analyse suggérée :

    • Utiliser segment_statistic_v2 avec un filtre sur translation_origin = MT.

    • Fusionner avec machine_translate_setting_v2 en utilisant le machine_translate_setting_id.

      • Un moteur MT peut être identifié en utilisant le machine_translate_setting_name.

      • Agrégater les segments par moteur MT et calculer la somme de segment_id, la moyenne QPS, et la moyenne editing_time_ms.

    • Fusionnez avec job_v2 en utilisant le job_id pour extraire les informations linguistiques, par exemple target_locale.

    • Fusionner avec project_v2 pour différents types de contenu comme domaine, client, unité commerciale, etc.

    Avantages :

    • Coût inférieur: Identifier et utiliser les bons moteurs pour la tâche qui sont les plus adaptés au type de contenu et à la langue avec des taux de modification historiquement bas.

    • Quantifier le temps de traitement: En examinant les temps de modification par paire de langues, type de contenu, etc.

    Maximiser les segments auto-confirmés (c'est-à-dire contenu sans intervention)

    Identifier le point le plus efficace où un QPS élevé et aucun temps de modification sont éligibles à l'auto-confirmation afin de séparer autant de contenu que possible de la nécessité d'une révision humaine.

    Analyse suggérée :

    • Utiliser segment_statistic_v2:

      • Filtrer où le segment translation_origin = MT, is_confirmed = true, editing_time_ms = 0, et confirmation_source = MT.

      • Agrégater le nombre de segments (segment_id), le nombre de mots (words_processed) par QPS.

      • Fusionnez avec job_v2 en utilisant le job_id pour extraire les informations linguistiques, par exemple target_locale.

      • Fusionner avec project_v2 en utilisant le project_id pour extraire les métadonnées du contenu.

    Avantages :

    • Économies de coûts: Trouver le seuil QPS optimal pour augmenter l'auto-confirmation et réduire le temps de modification où la qualité est déjà suffisamment bonne.

    • Réduire le temps de traitement: Éviter que le contenu soit inutilement révisé.

    Modèles de requête

    Exemples de requêtes à utiliser comme guide pour commencer avec les tables pertinentes :

    Sortie MT pré-traduite d'un mois à l'autre

    SÉLECTIONNER
    ssv.qps
    ,DATE(DATE_TRUNC('month', ssv.date_created)) AS date_month
    ,COUNT(DISTINCT segment_id) AS mt_segments
FROM segment_statistic_v2 ssv
OÙ
    ssv.date_created >= DATEADD('day', -365, CURRENT_DATE)
    ET ssv.date_created < CURRENT_DATE
    ET ssv.translation_origin = 'mt' -- segments pré-traduits par MT
GROUPÉ PAR
    ssv.qps
    ,DATE(DATE_TRUNC('month', ssv.date_created));

    Variation de qualité MT pré-traduite à travers les métadonnées de projet personnalisé

    SÉLECTIONNER
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values
    ,COUNT(DISTINCT segment_id) AS mt_segments
FROM segment_statistic_v2 ssv
JOIN job_v2 jv
    ON ssv.job_id = jv.job_id
FUSIONNER project_custom_metadata_v2 pcmv
    ON jv.project_id = pcmv.project_id
OÙ
    ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
    ET ssv.date_created < CURRENT_DATE
    ET ssv.translation_origin = 'mt' -- segments pré-traduits par MT
GROUPÉ PAR
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values;

    Variation de qualité MT pré-traduite à travers les locales

    SÉLECTIONNER
    ssv.qps
    ,jv.locale_pair
    ,COUNT(DISTINCT segment_id) AS mt_segments
FROM segment_statistic_v2 ssv
JOIN job_v2 jv
    ON ssv.job_id = jv.job_id
OÙ
    ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
    ET ssv.date_created < CURRENT_DATE
    ET ssv.translation_origin = 'mt' -- segments pré-traduits par MT
GROUPÉ PAR
    ssv.qps
    ,jv.locale_pair;

    Volume et qualité MT pré-traduits

    SÉLECTIONNER
    ssv.qps
    ,mtsv.machine_translate_setting_type
    ,COUNT(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
OÙ
    ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
    ET ssv.date_created < CURRENT_DATE
    ET ssv.translation_origin = 'mt' -- segments pré-traduits par MT
GROUPÉ PAR
    ssv.qps
    ,mtsv.machine_translate_setting_type;

    Quantité de segments MT pré-traduits auto-confirmés par QPS

    SÉLECTIONNER
    QPS
    ,COUNT(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
OÙ
    date_created >= DATEADD('day', -28, CURRENT_DATE)
    ET date_created < CURRENT_DATE
    ET translation_origin = 'mt' -- segments pré-traduits par MT
GROUPÉ PAR
    QPS

    Quantité de segments MT pré-traduits édités par QPS

    SÉLECTIONNER
    QPS
    ,COUNT(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
OÙ
    date_created >= DATEADD('day', -28, CURRENT_DATE)
    ET date_created < CURRENT_DATE
    ET translation_origin = 'mt' -- segments pré-traduits par MT
GROUPÉ PAR
    QPS

    Quantité de mots économisés de la révision humaine en réduisant le seuil QPS

    WITH qps_segments AS (
    SÉLECTIONNER
        ssv.qps
        ,SUM(words_processed) AS words_processed
    FROM segment_statistic_v2 ssv
    OÙ
        ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
        ET ssv.date_created < CURRENT_DATE
        ET ssv.translation_origin = 'mt' -- segments pré-traduits par MT
    GROUPÉ PAR
        ssv.qps
)

SÉLECTIONNER
    qps AS new_qps_threshold
    ,SOMME(mots_traités) SUR (ORDRE PAR qps DESC) EN tant que mots_enregistrés
FROM qps_segments;
    Cet article vous a-t-il été utile ?

    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.