Phrase Data (TMS)

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

Phrase Data est disponible en deux niveaux :

Paramètres basiques
Disponible pour
- Team, Professional, Business, Enterprise et plans Software UI/UX
Contactez le service commercial pour toute question relative aux licences.
Premium

Le niveau Premium offre le même accès que le niveau Basic, ainsi qu'un accès aux données au niveau du segment.
Disponible pour
- Les forfaits 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 (tels que Snowflake) permettent aux client d'accéder en toute sécurité à leurs données via une interface SQL.

Phrase Data affiche les données pertinentes pour l'utilisation du TMS par le client, de 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 pour laquelle les données sont affichées, après en avoir informé le client.

Documentation technique<1> complète de l'intégration Phrase Data.

Phrase Data facilite la prise de décision stratégique, démontre l'impact Business et peut justifier les investissements. Les données peuvent être combinées avec des indicateurs plus larges de l'entreprise pour révéler l'impact sur le chiffre d'affaires, la pénétration du marché et la satisfaction client :

Trafic Web, tel que les pages vues, les taux de rebond, les données démographiques des utilisateur.
Données marketing, telles que les taux de clics, les taux de conversion, l'engagement sur les réseaux sociaux
Données du support client, analyser si les supports d'aide localisés permettent une résolution plus rapide des problème et une meilleure satisfaction client.
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 global à l'échelle mondiale et garantissent que le message d'une entreprise réussit dans toutes 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 la façon dont l'utilisation de la traduction automatique a permis d'économiser de l'argent au fil du temps, contribuant ainsi au ROI global.
Adaptation du contenu, efficacité et engagement utilisateur

Comprendre comment le contenu localisé fonctionne auprès des audiences. Le suivi de la rétention client dans chaque paramètre linguistique suggère que les traductions répondent aux besoins des utilisateur. Ce retour d'information peut influencer la stratégie de qualité d'une Team ou la manière d'ajuster le style pour mieux résonner avec les utilisateur locaux. Un cas d'utilisation client corrèle les adaptations de contenu avec les mesures d'engagement. En utilisant différents prompts avec AutoAdapt pour personnaliser le contenu en fonction des données démographiques (par exemple, âge, genre, région, langue), cela permettrait ensuite de suivre l'amélioration des performances au niveau local ou de la campagne.
Priorisation du marché et de la langue

Aide à décider sur quelles langue ou régions se concentrer pour un impact maximal. Cela garantit que la Team alloue des ressources aux traductions qui génèrent le meilleur rendement Business. Peut également guider la séquence des déploiements de nouvelles langue ou justifier la localisation pour les marchés où ils souhaitent se développer.
Optimisation des processus et stratégie technologique

L'évaluation de la durée du flux de travaux et de l'impact de l'automatisation conduit à des améliorations continues des processus et aide à choisir la bonne technologie. Mesurer comment une utilisation accrue de la traduction automatique en termes de qualité et de vitesse (par exemple, le temps de post-édition et les score de qualité) quantifie les gains de productivité.
Analyse comparative des performances internes

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

Connecter Phrase Data avec les flux de travaux Orchestrator pour exécuter des requêtes lourdes et des automatisations avancées plus efficacement. L'intégration Orchestrator aide également à rationaliser les contrôles de qualité et l'optimisation des processus en échantillonnant des projets ou en identifiant plus rapidement les tâches qui correspondent à des critères spécifiques.

Cas d'utilisation de niveau de base

Dans toute industrie qui repose sur la traduction et la localisation linguistique, les Team ont besoin de données analytiques robustes pour guider les décisions. Cependant, les rapports d'analytique et les informations diffèrent selon les besoins des Team (Localisation, contenu, partie prenante exécutive) qui nécessitent des mesures opérationnelles (efficacité au quotidien, débit, coûts) et des informations stratégiques (ROI à long terme, impact sur l'utilisateur, croissance du marché).

L'analytique opérationnelle aide les responsables de la localisation à rationaliser les flux de travail et à gérer les coûts au quotidien.

Volume (également appelé débit)

Le suivi de la quantité de contenu traduit au fil du temps (par exemple, mots par semaine/mois) indique la capacité de la Team. Cela aide à la planification des ressources.
Rapidité (également appelée délai d'exécution)

Le délai d'exécution mesure le temps nécessaire pour traduire du contenu du début à la terminer. Les Team de localisation suivent si les traductions sont livrées dans les délais ou si elles font face à des retards. Ceci est crucial pour respecter les dates de lancement de produit, les SLA et pour enquêter sur les retards.
Performance du prestataire et du linguiste

Si des prestataires de traduction externes ou des linguistes indépendants sont utilisés, la Team de localisation souhaitera évaluer leur performance. Des indicateurs tels que le délai d'exécution par prestataire, la livraison à temps par prestataire et les scores de qualité par linguiste sont suivis.
Indicateurs de qualité (assurance qualité linguistique)

Mesurer le pourcentage de traductions qui réussissent les contrôles de QA dès la première tentative (aucun retravail nécessaire), ce qui indique une traduction initiale efficace. De même, détailler la catégorie et la gravité des problèmes d'erreur trouvés, par exemple la terminologie, l'exactitude, etc.
Indicateurs de coût et d'efficacité

En général, les Team 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 réalisées pour Comparer le coût de traduction brut par rapport au coût remisé après l'application d'une Grille de remise, soulignant la valeur du maintien des correspondances MT et des répétitions. Par exemple, si 30 % des mots d'un nouveau projet ont été traduits via des correspondances MT à 100 %, la Team peut quantifier les économies réalisées en ne retraduisant pas ces segments.
Exploitation de l'automatisation (TA et MT)
- Effort de post-édition, tel que le nombre moyen de modifications ou le temps nécessaire sur les sorties de TA, pour aider à évaluer la TA.
- Taux de levier de la MT en examinant le % de contenu par correspondances de MT, ce qui indique l'efficacité de la réutilisation de la MT et les économies de coûts.
- Taux d'utilisation de la TA tel que le % de segments initialement traduits par TA. Ceci présente la couverture de l'automatisation et les opportunités de réduction des coûts/temps – Premium uniquement.

Cas d'utilisation de l'offre Premium

Utilisation de la mémoire de traduction (MT)

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

Analyse suggérée :

Utiliser segment_statistic_v2 et appliquer le filtre sur translation_origin = MT.
- Une MT peut être identifiée en utilisant l'Identifiant translation_memory_id.
- Agréger les segments par MT, et utiliser le champ date_created pour voir quand la MT a été utilisée. Il est également bon de calculer et de voir le editing_time_ms moyen et le score.
Fusionner avec job_v2 en utilisant l'Identifiant job_id pour extraire les informations de langue, par ex. target_locale.
Fusionner avec project_v2 en utilisant l'Identifiant project_id pour contextualiser l'utilisation par domaine, client, division, etc.

Avantages :

Économies de coûts : Aide à supprimer les MT inutilisées ou peu performantes pour réduire les frais de maintenance.
Qualité : Identifie les MT vieillissantes nécessitant un effort de post-édition élevé, et signale l'action appropriée.
Efficacité : Utiliser des MT performantes qui réduisent le temps de modification et augmentent l'auto-confirmation. Envisager d'ajuster le seuil de la MT en conséquence.

Optimisation du moteur de traduction automatique (TA)

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

Analyse suggérée :

Use segment_statistic_v2 with filter on translation_origin = MT.
Join with machine_translate_setting_v2 using the machine_translate_setting_id.
- Un moteur de TA peut être identifié en utilisant le machine_translate_setting_name.
- Agréger les segments par moteur de TA et calculer la somme de l'Identifiant_segment, la QPS moyenne et la editing_time_ms moyenne.
Fusionner avec job_v2 en utilisant l'Identifiant job_id pour extraire les informations de langue, par ex. target_locale.
Fusionner avec project_v2 pour différents types de contenu comme le domaine, le client, la division, 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 délai d'exécution : En examinant les temps de modification par paire de langues, type de contenu, etc.

Maximiser les segments confirmés automatiquement (c.-à-d. contenu sans intervention)

Identifier le point le plus efficace où une QPS élevée et aucun temps de modification sont éligibles à la confirmation automatique afin de séparer autant de contenu que possible nécessitant une révision humaine.

Analyse suggérée :

Use segment_statistic_v2:
- Filtre où segment translation_origin = TA, is_confirmed = true, editing_time_ms = 0, et confirmation_source = TA.
- Agréger le nombre de segments (Identifiant_segment), le nombre de mots (words_processed) par QPS.
- Fusionner avec job_v2 en utilisant l'Identifiant job_id pour extraire les informations de langue, par ex. target_locale.
- Fusionner avec project_v2 en utilisant l'Identifiant_projet pour extraire les métadonnées de contenu.

Avantages :

Économies de coûts : Trouver le seuil de QPS optimal pour augmenter la confirmation automatique et réduire le temps de modification là où la qualité est déjà suffisante.
Réduire les délais d'exécution : Éviter que le contenu ne soit révisé inutilement.

Modèles de requête

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

Sortie de TA 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
WHERE
    ssv.date_created >= DATEADD('day', -365, CURRENT_DATE)
    AND ssv.date_created < CURRENT_DATE
    AND ssv.translation_origin = 'TA' -- segments pré-traduits par TA
GROUP BY
    ssv.qps
    ,DATE(DATE_TRUNC('month', ssv.date_created));

Variation de la qualité de la TA pré-traduite selon 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
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 = 'TA' -- segments pré-traduits par TA
GROUP BY
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values;

Variation de la qualité de la TA pré-traduite selon les paramètres régionaux

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
WHERE
    ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
    AND ssv.date_created < CURRENT_DATE
    AND ssv.translation_origin = 'TA' -- segments pré-traduits par TA
GROUP BY
    ssv.qps
    ,jv.locale_pair;

Volume et qualité de la TA pré-traduite

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
WHERE
    ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
    AND ssv.date_created < CURRENT_DATE
    AND ssv.translation_origin = 'TA' -- segments pré-traduits par TA
GROUP BY
    ssv.qps
    ,mtsv.machine_translate_setting_type;

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

SÉLECTIONNER
    qps
    ,COUNT(DISTINCT segment_id) AS mt_segments
    ,COUNT(DISTINCT IFF(LOWER(confirmation_source) IN ('TA', 'MT', 'NT', '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
    AND translation_origin = 'TA' -- segments pré-traduits par TA
GROUP BY
    QPS ;

Quantité de segments TA pré-traduits modifiés 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
WHERE
    date_created >= DATEADD('day', -28, CURRENT_DATE)
    AND date_created < CURRENT_DATE
    AND translation_origin = 'TA' -- segments pré-traduits par TA
GROUP BY
    QPS ;

Quantité de mots économisés lors 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
    WHERE
        ssv.date_created >= DATEADD('day', -28, CURRENT_DATE)
        AND ssv.date_created < CURRENT_DATE
        AND ssv.translation_origin = 'TA' -- segments pré-traduits par TA
    GROUP BY
        ssv.qps
)

SÉLECTIONNER
    QPS AS nouveau_seuil_QPS
    ,SUM(words_processed) OVER (commande BY QPS DESC) AS words_saved
FROM segments_QPS ;

Phrase Data (TMS)

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

Disponible pour

Disponible pour

Disponible pour

Cas d'utilisation de niveau de base

Cas d'utilisation de l'offre Premium

Utilisation de la mémoire de traduction (MT)

Optimisation du moteur de traduction automatique (TA)

Maximiser les segments confirmés automatiquement (c.-à-d. contenu sans intervention)

Modèles de requête

Sortie de TA pré-traduite d'un mois à l'autre

Variation de la qualité de la TA pré-traduite selon les métadonnées de projet Personnalisé

Variation de la qualité de la TA pré-traduite selon les paramètres régionaux

Volume et qualité de la TA pré-traduite

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

Quantité de segments TA pré-traduits modifiés par QPS

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