Amministrazione
    1. Phrase
    2. Phrase TMS
    3. Amministrazione

    Phrase Data (TMS)

    Contenuti tradotti automaticamente dall'inglese con Phrase Language AI.

    I dati di Phrase sono disponibili in due livelli:

    • Base

      Disponibile per

      • Piani Team, Professional, Business ed Enterprise

      Mettiti in contatto con il reparto vendite per dubbi relativi alle licenze.

    • Premium

      Il livello Premium offre lo stesso accesso del livello Base, oltre all'accesso ai dati a livello di segmento.

      Disponibile per

      • Piani Business ed Enterprise

      Mettiti in contatto con il reparto vendite per dubbi relativi alle licenze.

      Disponibile per

      • Piano Enterprise (legacy)

      Mettiti in contatto con il reparto vendite per dubbi relativi alle licenze.

    I data warehouse cloud (come Snowflake) consentono ai clienti di accedere in modo sicuro ai propri dati tramite un'interfaccia SQL.

    I dati di Phrase mostrano i dati rilevanti per l'uso del TMS da parte del cliente dalla data in cui il cliente si è iscritto per la prima volta a Phrase fino ad oggi. Phrase si riserva il diritto di modificare il periodo per il quale i dati vengono visualizzati, previa comunicazione al cliente.

    Documentazione tecnica completa di integrazione dei dati di Phrase.

    I dati di Phrase aiutano nella decisione strategica, dimostrano l'impatto aziendale e possono giustificare gli investimenti. I dati possono essere combinati con metriche aziendali più ampie per rivelare l'impatto su entrate, penetrazione di mercato e soddisfazione del cliente:

    • Traffico web, come visualizzazioni di pagina, tassi di rimbalzo, demografia degli utenti.

    • Dati di marketing, come tassi di clic, tassi di conversione, coinvolgimento sui social media

    • Dati di supporto clienti, analizzare se i materiali di supporto localizzati portano a una risoluzione più rapida dei problemi e a una maggiore soddisfazione del cliente.

    • Fatturato, confrontando i costi con le entrate generate dai contenuti localizzati.

    Le intuizioni aiutano a comprendere la portata e la reputazione dei contenuti globali e garantiscono che il messaggio di un'azienda abbia successo in tutte le lingue.

    • Ritorno sugli Investimenti (ROI) degli Sforzi di Localizzazione

      Utilizzato per supportare il mantenimento o l'aumento dei budget dimostrando che gli investimenti nella traduzione generano ritorni. Indica anche i risparmi sui costi, come il modo in cui l'uso della traduzione automatica ha risparmiato denaro nel tempo contribuendo al ROI complessivo.

    • Adattamento dei Contenuti, Efficacia e Coinvolgimento degli Utenti

      Comprendere come i contenuti localizzati si comportano con il pubblico. Il monitoraggio della retention dei clienti in ciascuna località suggerisce che le traduzioni soddisfano le esigenze degli utenti. Questo feedback può influenzare la strategia di qualità di un team o come adattare lo stile per risuonare meglio con gli utenti locali. Un caso d'uso del cliente correla le adattamenti dei contenuti con le metriche di coinvolgimento. Utilizzando diversi prompt con AutoAdapt per personalizzare i contenuti in base alla demografia (ad es. età, genere, regione, lingua), questo traccerebbe quindi l'aumento delle prestazioni a livello locale o di campagna.

    • Prioritizzazione del Mercato e della Lingua

      Aiuta a decidere quali lingue o regioni su cui concentrarsi per il massimo impatto. Assicura che il team allochi risorse alle traduzioni che producono il maggiore ritorno commerciale. Può anche guidare la sequenza di nuovi lanci di lingue o giustificare la localizzazione per i mercati in cui vogliono crescere.

    • Ottimizzazione dei Processi e Strategia Tecnologica

      Valutare la durata del flusso di lavoro e l'impatto dell'automazione porta a continui miglioramenti dei processi e aiuta a scegliere la tecnologia giusta. Misurare come l'aumento dell'uso della traduzione automatica in termini di qualità e velocità (ad es. tempo di post-editing e punteggi di qualità) quantifica i guadagni di produttività.

    • Benchmarking delle Prestazioni Interne

      Nel tempo, i benchmark interni come il costo medio per parola, il tempo medio di consegna per un dato tipo di contenuto e il punteggio di qualità medio diventano obiettivi strategici per il miglioramento. Rivela i risultati delle pratiche intelligenti e dei guadagni di efficienza che giustificano ulteriormente i programmi di localizzazione.

    Casi d'uso di base

    In qualsiasi settore che si basa sulla traduzione e sulla localizzazione linguistica, i team hanno bisogno di approfondimenti sui dati robusti per guidare le decisioni. Tuttavia, i report e gli approfondimenti analitici differiscono in base alle esigenze del team (Localizzazione, Contenuto, Stakeholder Esecutivi) che richiedono metriche operative (efficienza quotidiana, throughput, costi) e approfondimenti strategici (ROI a lungo termine, impatto sugli utenti, crescita del mercato).

    Le analisi operative aiutano i manager della localizzazione a snellire i flussi di lavoro e gestire i costi quotidianamente.

    • Volume (noto anche come throughput)

      Tracciare la quantità di contenuti tradotti nel tempo (ad es. parole a settimana/mese) indica la capacità del team. Questo aiuta con la pianificazione delle risorse.

    • Tempestività (nota anche come tempo di consegna)

      Il tempo di consegna misura quanto tempo ci vuole per tradurre il contenuto dall'inizio alla fine. I team di localizzazione monitorano se le traduzioni vengono consegnate secondo il programma o subiscono ritardi. Questo è cruciale per rispettare le date di lancio del prodotto, gli SLA e per indagare sui ritardi.

    • Prestazioni del fornitore e del linguista

      Se vengono utilizzati fornitori di traduzione esterni o linguisti freelance, il team di localizzazione vorrà valutare le loro prestazioni. Metriche come il tempo di consegna per fornitore, la consegna puntuale per fornitore e i punteggi di qualità per linguista vengono monitorati.

    • Metriche di qualità (Assicurazione della Qualità Linguistica)

      Misura la percentuale di traduzioni che superano i controlli di QA al primo tentativo (senza necessità di rifacimento), indicando una traduzione iniziale efficace. Allo stesso modo, dettagliare la categoria e la gravità dei problemi di errore trovati, ad es. terminologia, accuratezza, ecc.

    • Metriche di costo ed efficienza

      Tipicamente i team monitorano il costo per parola e la spesa totale per progetto, lingua o dipartimento per garantire che i budget siano rispettati. Così come i risparmi per confrontare il costo della traduzione grezza rispetto al costo scontato dopo l'applicazione di uno schema di tariffa netta che evidenzia il valore di mantenere le corrispondenze TM e le ripetizioni.  Ad esempio, se il 30% delle parole in un nuovo progetto è stato tradotto tramite corrispondenze TM al 100%, il team può quantificare il costo risparmiato non ritraslando quei segmenti.

    • Leva dell'Automazione (MT e TM)

      • Sforzo di post-editing, come le modifiche medie o il tempo necessario sugli output MT, per aiutare a valutare l'MT.

      • Tasso di leva TM esaminando la % di contenuto per corrispondenze TM, che indica l'efficienza del riutilizzo TM e i risparmi sui costi.

      • Tasso di utilizzo MT come la % di segmenti inizialmente tradotti da MT. Questo presenta la copertura dell'automazione e le opportunità di riduzione dei costi/tempi – Solo Premium.

    Casi d'uso del Tier Premium

    Utilizzo della Memoria di Traduzione (TM)

    Traccia quando una TM è stata utilizzata l'ultima volta e quanti segmenti sono stati riutilizzati nel tempo. Questo aiuta a valutare la freschezza della TM, il contributo al valore e se le TM obsolete valgono ancora la pena di essere mantenute.

    Analisi suggerita:

    • Usa segment_statistic_v2 e filtra su translation_origin = TM.

      • Una TM può essere identificata utilizzando il translation_memory_id.

      • Aggrega i segmenti per TM e usa il campo date_created per vedere quando è stata utilizzata la TM. È anche utile calcolare e vedere la media di editing_time_ms e score.

    • Unisci con job_v2 usando il job_id per estrarre informazioni sulla lingua, ad es. target_locale.

    • Unisci con project_v2 usando il project_id per contestualizzare l'uso per dominio, cliente, unità aziendale, ecc.

    Benefici:

    • Risparmi sui costi: Aiuta a dismettere TM non utilizzate o a bassa prestazione per ridurre il carico di manutenzione.

    • Qualità Identifica TM invecchiate con alto sforzo di post-editing e segnala l'azione appropriata.

    • Efficienza: Usa TM ad alte prestazioni che riducono il tempo di modifica e aumentano l'auto-conferma. Considera di regolare di conseguenza la soglia della TM.

    Ottimizzazione del motore di Traduzione Automatica (MT)

    Confronta i motori MT per QPS (punteggio di qualità per segmento) e tempo di post-editing, consentendo un instradamento più intelligente dei contenuti al giusto motore MT.

    Analisi suggerita:

    • Usa segment_statistic_v2 con filtro su translation_origin = MT.

    • Unisci con machine_translate_setting_v2 usando il machine_translate_setting_id.

      • Un motore MT può essere identificato usando il machine_translate_setting_name.

      • Aggrega i segmenti per motore MT e calcola la somma di segment_id, la media QPS e la media editing_time_ms.

    • Unisci con job_v2 usando il job_id per estrarre informazioni sulla lingua, ad es. target_locale.

    • Unisci con project_v2 per diversi tipi di contenuto come dominio, cliente, unità aziendale, ecc.

    Benefici:

    • Costi Inferiori: Identifica e usa i motori giusti per il lavoro che sono più adatti per il tipo di contenuto e lingua con tassi di modifica storicamente bassi.

    • Quantificare il tempo di risposta: Esaminando i tempi di modifica per combinazione linguistica, tipo di contenuto, ecc.

    Massimizza i segmenti auto-confermati (cioè contenuto non toccato)

    Identifica il punto più efficiente in cui alta QPS e nessun tempo di modifica è idoneo per l'auto-conferma in modo da separare il maggior numero possibile di contenuti da richiedere revisione umana.

    Analisi suggerita:

    • Usa segment_statistic_v2:

      • Filtra dove il segmento translation_origin = MT, is_confirmed = true, editing_time_ms = 0, e confirmation_source = MT.

      • Aggrega il conteggio dei segmenti (segment_id), conteggio parole (words_processed) per QPS.

      • Unisci con job_v2 usando il job_id per estrarre informazioni sulla lingua, ad es. target_locale.

      • Unisci con project_v2 usando il project_id per estrarre i metadati del contenuto.

    Benefici:

    • Risparmi sui Costi: Trova la soglia QPS ottimale per aumentare l'auto-conferma e ridurre il tempo di modifica dove la qualità è già sufficientemente buona.

    • Ridurre il tempo di risposta: Evita che il contenuto venga revisionato inutilmente.

    Modelli di query

    Esempi di query da utilizzare come guida per iniziare con le tabelle rilevanti:

    Output MT pre-tradotto da mese a mese

    SELEZIONA
    ssv.qps
    ,DATA(DATA_TRUNC('mese', ssv.date_created)) AS date_month
    ,CONTA(DISTINCT segment_id) AS mt_segments
FROM segment_statistic_v2 ssv
DOVE
    ssv.date_created >= DATAADD('giorno', -365, DATA_CORRENTE)
    E ssv.date_created < DATA_CORRENTE
    E ssv.translation_origin = 'mt' -- segmenti pre-tradotti da MT
RAGGRUPPA PER
    ssv.qps
    ,DATA(DATA_TRUNC('mese', ssv.date_created));

    Variazione di qualità MT pre-tradotta attraverso i metadati del progetto personalizzato

    SELEZIONA
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values
    ,CONTA(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
DOVE
    ssv.date_created >= DATAADD('giorno', -28, DATA_CORRENTE)
    E ssv.date_created < DATA_CORRENTE
    E ssv.translation_origin = 'mt' -- segmenti pre-tradotti da MT
RAGGRUPPA PER
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values;

    Variazione di qualità MT pre-tradotta attraverso le località

    SELEZIONA
    ssv.qps
    ,jv.locale_pair
    ,CONTA(DISTINCT segment_id) AS mt_segments
FROM segment_statistic_v2 ssv
JOIN job_v2 jv
    ON ssv.job_id = jv.job_id
DOVE
    ssv.date_created >= DATAADD('giorno', -28, DATA_CORRENTE)
    E ssv.date_created < DATA_CORRENTE
    E ssv.translation_origin = 'mt' -- segmenti pre-tradotti da MT
RAGGRUPPA PER
    ssv.qps
    ,jv.locale_pair;

    Volume e qualità MT pre-tradotti

    SELEZIONA
    ssv.qps
    ,mtsv.machine_translate_setting_type
    ,CONTA(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
DOVE
    ssv.date_created >= DATAADD('giorno', -28, DATA_CORRENTE)
    E ssv.date_created < DATA_CORRENTE
    E ssv.translation_origin = 'mt' -- segmenti pre-tradotti da MT
RAGGRUPPA PER
    ssv.qps
    ,mtsv.machine_translate_setting_type;

    Quantità di segmenti MT pre-tradotti auto-confermati da QPS

    SELEZIONA
    QPS
    ,CONTA(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
DOVE
    date_created >= DATEADD('day', -28, CURRENT_DATE)
    AND date_created < CURRENT_DATE
    AND translation_origin = 'mt' -- segmenti pre-tradotti da MT
RAGGRUPPA PER
    QPS

    Quantità di segmenti MT pre-tradotti modificati da QPS

    SELEZIONA
    QPS
    ,CONTA(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
DOVE
    date_created >= DATEADD('day', -28, CURRENT_DATE)
    AND date_created < CURRENT_DATE
    AND translation_origin = 'mt' -- segmenti pre-tradotti da MT
RAGGRUPPA PER
    QPS

    Quantità di parole risparmiate dalla revisione umana riducendo la soglia QPS

    WITH qps_segments AS (
    SELEZIONA
        ssv.qps
        ,SUM(words_processed) AS words_processed
    FROM segment_statistic_v2 ssv
    DOVE
        ssv.date_created >= DATAADD('giorno', -28, DATA_CORRENTE)
        E ssv.date_created < DATA_CORRENTE
        E ssv.translation_origin = 'mt' -- segmenti pre-tradotti da MT
    RAGGRUPPA PER
        ssv.qps
)

SELEZIONA
    qps AS new_qps_threshold
    ,SUM(words_processed) OVER (ORDER BY qps DESC) AS words_saved
FROM qps_segments;
    Questo articolo ti è stato 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.