Phrase Data (TMS)

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

Les données de Phrase sont disponibles en deux niveaux :

Basique
Disponible pour
- Équipe, Professionnel, Business, Enterprise et forfaits UI/UX logiciels
Contactez le service commercial pour toute question relative aux licences.
Premium

Le niveau Premium offre le même accès que le niveau Basique, plus l'accès aux données au niveau des segments.
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 (comme Snowflake) permettent aux clients d'accéder en toute sécurité à leurs données via une interface SQL.

Phrase Data affiche 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 de Phrase Data.

Phrase Data aide à la prise de décision stratégique, démontre l'impact commercial et peut 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 client :

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 entraînent une résolution plus rapide des problèmes et une satisfaction client plus élevée.
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 le fait que 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 des utilisateurs

Comprendre comment le contenu localisé performe auprès des audiences. Le suivi de la rétention des clients dans chaque paramètre linguistique suggère que les traductions répondent aux besoins des utilisateurs. Ce retour d'information peut influencer la stratégie de qualité d'une équipe ou comment 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 des marchés et des langues

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 commercial. 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'utilisation accrue de la traduction automatique en termes de qualité et de rapidité (par exemple, le temps de post-édition et les scores de qualité) quantifie les gains de productivité.
Évaluation des performances internes

Au fil du temps, les benchmarks internes tels 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 bonnes pratiques et des gains d'efficacité qui justifient davantage les programmes de localisation.

Connectez les données de phrase avec les workflows d'Orchestrator pour exécuter des requêtes lourdes et des automatisations avancées plus efficacement. L'intégration d'Orchestrator aide également à rationaliser les contrôles de qualité et l'optimisation des processus en échantillonnant des projets ou en identifiant des tâches qui correspondent à des critères spécifiques plus rapidement.

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 solides sur les données pour guider leurs décisions. Cependant, les rapports et les analyses d'analytique diffèrent selon les besoins des équipes (localisation, contenu, parties prenantes exécutives) qui nécessitent des indicateurs opérationnels (efficacité quotidienne, débit, coûts) et des informations stratégiques (ROI à long terme, impact utilisateur, croissance du marché).

L'analytique opérationnelle aide les responsables de la localisation à rationaliser les workflows 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 de produits, les SLA et pour enquêter sur les retards.
Performance des prestataires et des linguistes

Si des prestataires de traduction externes ou des linguistes freelances sont utilisés, l'équipe de localisation souhaitera évaluer leur performance. Des indicateurs comme le délai de traitement par prestataire, la livraison à temps par prestataire et les scores de qualité par linguiste sont suivis.
Indicateurs de qualité (Assurance Qualité Linguistique)

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

Typiquement, 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 de traduction brute par rapport au coût réduit après l'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 la moyenne des modifications ou le temps nécessaire sur les sorties MT, pour aider à évaluer la MT.
- Taux d'exploitation de TM en regardant le % de contenu par correspondances TM, ce qui indique l'efficacité de la réutilisation de TM et les économies de coûts.
- Taux d'utilisation de 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 (TM)

Suivez quand un TM a été utilisé pour la dernière fois et combien de segments ont été réutilisés au fil du temps. Cela aide à évaluer la fraîcheur de TM, la contribution de valeur et si les TM obsolètes valent encore la peine d'être maintenus.

Analyse suggérée :

Utilisez segment_statistic_v2 et filtrez sur translation_origin = TM.
- Un TM peut être identifié en utilisant le translation_memory_id.
- Agrégat des segments par TM, et utilisez le champ date_created pour voir quand le TM a été utilisé. Il est également bon de calculer et de voir la moyenne 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 TM inutilisés ou peu performants pour réduire les frais de maintenance.
Qualité: Identifie les TM vieillissants avec un effort de post-édition élevé et signale l'action appropriée.
Efficacité: Utilisez des TM performants qui réduisent le temps d'édition et augmentent l'auto-confirmation. Envisagez d'ajuster le seuil de TM en conséquence.

Optimisation du moteur de traduction automatique (MT)

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

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 MT peut être identifié en utilisant le machine_translate_setting_name.
- Agrégat des segments par moteur MT et calculez la somme de segment_id, la moyenne du QPS et la moyenne de editing_time_ms.
Fusionnez avec job_v2 en utilisant le job_id pour extraire les informations linguistiques, par exemple target_locale.
Fusionnez avec project_v2 pour différents types de contenu comme le domaine, le client, l'unité commerciale, etc.

Avantages :

Coût réduit: Identifiez et utilisez les bons moteurs pour la tâche qui sont les plus adaptés au type de contenu et à la langue avec des taux d'édition historiquement bas.
Quantifier le temps de traitement: En examinant les temps d'édition par paire de langues, type de contenu, etc.

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

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

Analyse suggérée :

Use segment_statistic_v2:
- Filtrez où le segment translation_origin = MT, is_confirmed = true, editing_time_ms = 0, et confirmation_source = MT.
- Agrégat du nombre de segments (segment_id), du 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.
- Fusionnez avec project_v2 en utilisant le project_id pour extraire les métadonnées du contenu.

Avantages :

Économies de coûts: Trouvez le seuil QPS optimal pour augmenter l'auto-confirmation et réduire le temps d'édition où la qualité est déjà suffisamment bonne.
Réduire le temps de traitement : Évitez que le contenu ne 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 segments_mt
DE 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
GROUPE 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 segments_mt
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
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
GROUPE 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 segments_mt
DE 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
GROUPE 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 segments_mt
DE 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
GROUPE 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 segments_mt
    ,COUNT(DISTINCT IFF(LOWER(confirmation_source) IN ('TA', 'MT', 'NT', 'IR', 'UT'), segment_id, NULL)) AS segments_autoconfirmés_par_TA
FROM segment_statistic_v2
OÙ
    date_created >= DATEADD('day', -28, CURRENT_DATE)
    ET date_created < CURRENT_DATE
    ET translation_origin = 'TA' -- segments pré-traduits par TA
GROUPE PAR
    QPS;

Quantité de segments pré-traduits par TA modifiés par QPS

SÉLECTIONNER
    qps
    ,COUNT(DISTINCT segment_id) AS segments_mt
    ,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 = 'TA' -- segments pré-traduits par TA
GROUPE PAR
    QPS;

Quantité de mots économisés grâce à la réduction du seuil QPS

WITH qps_segments AS (
    SÉLECTIONNER
        ssv.qps
        ,SUM(words_processed) AS mots_traités
    DE 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
    GROUPE PAR
        ssv.qps
)

SÉLECTIONNER
    QPS COMME nouveau_seuil_qps
    ,SUM(words_processed) OVER (ORDER BY QPS DESC) AS mots_économisés
DE 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 niveau Premium

Utilisation de la mémoire de traduction (TM)

Optimisation du moteur de traduction automatique (MT)

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

Modèles de requête

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

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

Variation de qualité MT pré-traduite à travers les locales

Volume et qualité MT pré-traduits

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

Quantité de segments pré-traduits par TA modifiés par QPS

Quantité de mots économisés grâce à la réduction du seuil QPS