Phrase Dataは2つのティアで利用可能です：
-
ベーシック
-
プレミアム
プレミアムティアは、ベーシックティアと同じアクセスを提供し、さらにセグメントレベルのデータへのアクセスを提供します。
クラウドデータウェアハウス（Snowflakeなど）は、顧客がSQLインターフェースを通じてデータに安全にアクセスできるようにします。
Phrase Dataは、顧客がPhraseに初めて登録した日から現在までのTMSの使用に関連するデータを表示します。Phraseは、データが表示される期間を変更する権利を留保し、顧客に通知します。
Phrase Data統合の完全な技術文書。
Phrase Dataは戦略的意思決定を支援し、ビジネスへの影響を示し、投資を正当化することができます。データは、収益、市場浸透、顧客満足度への影響を明らかにするために、より広範な会社の指標と組み合わせることができます：
-
ウェブトラフィック（ページビュー、バウンス率、ユーザーの人口統計など）。
-
マーケティングデータ（クリック率、コンバージョン率、ソーシャルメディアのエンゲージメントなど）
-
顧客サポートデータ、ローカライズされたサポート資料が問題解決の迅速化や顧客満足度の向上につながるかを分析します。
-
売上高、ローカライズされたコンテンツから得られた収益とコストを比較します。
インサイトは、グローバルコンテンツのリーチと評判を理解するのに役立ち、企業のメッセージが言語を超えて成功することを保証します。
-
ローカリゼーション努力の投資収益率 (ROI)
翻訳への投資がリターンを生むことを証明することで、予算の維持または増加をサポートするために使用されます。また、機械翻訳を使用することで時間の経過とともにお金を節約する方法が全体のROIに寄与することを指摘します。
-
コンテンツ適応、効果、ユーザーエンゲージメント
ローカライズされたコンテンツがオーディエンスにどのように機能するかを理解します。各ロケールでの顧客維持を追跡することで、翻訳がユーザーのニーズを満たしていることを示唆します。このフィードバックは、チームの品質戦略や、ローカルユーザーにより響くスタイルを調整する方法に影響を与える可能性があります。 顧客のユースケースは、コンテンツの適応とエンゲージメントメトリクスを相関させます。AutoAdaptを使用して、人口統計（例：年齢、性別、地域、言語）に基づいてコンテンツをパーソナライズするために異なるプロンプトを使用することで、これによりローカルまたはキャンペーンレベルでのパフォーマンス向上を追跡します。
-
市場と言語の優先順位付け
最大の影響を与えるためにどの言語や地域に焦点を当てるかを決定するのに役立ちます。チームが最も大きなビジネスリターンを生む翻訳にリソースを割り当てることを保証します。新しい言語の展開の順序を導くことや、成長を望む市場のローカリゼーションを正当化することもあります。
-
プロセス最適化とテクノロジー戦略
ワークフローの期間と自動化の影響を評価することで、継続的なプロセス改善につながり、適切なテクノロジーの選択を助けます。機械翻訳の使用が品質と速度（例：ポストエディット時間と品質スコア）の観点からどのように増加するかを測定することで、生産性の向上を定量化します。
-
内部パフォーマンスベンチマーキング
時間の経過とともに、平均単語あたりのコスト、特定のコンテンツタイプの平均ターンアラウンド、平均品質スコアなどの内部ベンチマークが改善のための戦略的目標となります。スマートプラクティスと効率の向上の結果を明らかにし、ローカリゼーションプログラムをさらに正当化します。
Orchestratorのワークフローとフレーズデータを接続して、重いクエリや高度な自動化をより効率的に実行します。Orchestrator統合は、プロジェクトをサンプリングしたり、特定の基準に一致するジョブを迅速に特定することで、品質チェックとプロセス最適化を効率化するのにも役立ちます。
翻訳と言語的ローカリゼーションに依存する業界では、チームは意思決定を導くために堅牢なデータインサイトを必要とします。ただし、分析報告とインサイトは、運用指標（日々の効率、スループット、コスト）と戦略的インサイト（長期的なROI、ユーザーへの影響、市場成長）を必要とするチームのニーズ（ローカリゼーション、コンテンツ、エグゼクティブステークホルダー）によって異なります。
運用分析は、ローカリゼーションマネージャーがワークフローを効率化し、日常的にコストを管理するのに役立ちます。
-
ボリューム（スループットとも呼ばれる）
時間の経過に伴って翻訳されたコンテンツの量（例：週/月あたりの単語数）を追跡することで、チームのキャパシティを示します。これはリソース計画に役立ちます。
-
タイムリーさ（ターンアラウンドタイムとも呼ばれる）
ターンアラウンドタイムは、コンテンツを翻訳するのにかかる時間を測定します。ローカリゼーションチームは、翻訳が予定通りに納品されるか、遅延が発生するかを追跡します。これは、製品の発売日、SLA、遅延の調査を満たすために重要です。
-
ベンダーとリンギストのパフォーマンス
外部の翻訳ベンダーやフリーランスのリンギストが使用される場合、ローカリゼーションチームは彼らのパフォーマンスを評価したいと考えます。ベンダーごとのターンアラウンドタイム、ベンダーごとの時間通りの納品、リンギストごとの品質スコアなどの指標が追跡されます。
-
品質指標（言語品質保証）
最初の試みでQAチェックを通過する翻訳の割合を測定します（再作業は不要）、これは効果的な初期翻訳を示します。同様に、見つかったエラーの問題のカテゴリと重度を詳細に説明します（例：用語、正確性など）。
-
コストと効率の指標
通常、チームはプロジェクト、言語、または部門ごとに単語あたりのコストと総支出を追跡し、予算が満たされていることを確認します。生の翻訳コストと、課金率ルールを適用した後の割引コストを比較するための節約もあります。これは、TMの一致と繰り返しを維持する価値を強調します。 例えば、新しいプロジェクトの30%の単語が100%のTM一致で翻訳された場合、チームはそれらのセグメントを再翻訳しないことで節約されたコストを定量化できます。
-
自動化（MTおよびTM）の活用
-
MT出力に必要な平均編集や時間などのポストエディット作業を評価するのに役立ちます。
-
TM一致によるコンテンツの%を見て、TMの再利用効率とコスト削減を示すTM活用率。
-
MTによって最初に翻訳されたセグメントの%などのMT使用率。これは、自動化のカバレッジとコスト/時間削減の機会を示します - プレミアムのみ。
-
翻訳メモリ（TM）の利用
TMが最後に使用された時期と、時間の経過に伴って再利用されたセグメントの数を追跡します。これにより、TMの新鮮さ、価値の貢献、そして古くなったTMがまだ維持する価値があるかどうかを評価するのに役立ちます。
提案された分析：
-
を使用し、
translation_origin = TMでフィルタリングします。-
TMは、
translation_memory_idを使用して特定できます。 -
TMごとにセグメントを集約し、
date_createdフィールドを使用してTMが使用された時期を確認します。また、平均editing_time_msとscoreを計算して確認するのも良いです。
-
-
job_idを使用してと結合し、言語情報を抽出します。例：target_locale。 -
project_idを使用して2と結合し、ドメイン、クライアント、ビジネスユニットなどによる使用状況を文脈化します。
メリット：
-
コスト削減: 使用されていないまたは低パフォーマンスのTMをサンセットして、メンテナンスのオーバーヘッドを削減します。
-
品質: 高いポストエディット作業を伴う古いTMを特定し、適切なアクションをフラグします。
-
効率: 編集時間を短縮し、自動確認を増加させる高パフォーマンスのTMを使用します。TMの閾値を適切に調整することを検討してください。
機械翻訳（MT）エンジンの最適化
QPS（セグメントあたりの品質スコア）とポストエディット時間でMTエンジンを比較し、コンテンツを適切なMTエンジンによりインテリジェントにルーティングできるようにします。
提案された分析：
-
を使用し、フィルタを
translation_origin = MTに適用します。 -
と
machine_translate_setting_idを使用して結合します。-
MTエンジンは
machine_translate_setting_nameを使用して特定できます。 -
MTエンジンごとにセグメントを集計し、
segment_idの合計、平均QPS、および平均editing_time_msを計算します。
-
-
job_idを使用してと結合し、言語情報を抽出します。例：target_locale。 -
ドメイン、クライアント、ビジネスユニットなどの異なるコンテンツタイプのためにと結合します。
メリット：
-
コスト削減: コンテンツタイプと言語に最も適したエンジンを特定し、使用します。歴史的に低い編集率を持つもの。
-
ターンアラウンドタイムを定量化: 言語ペア、コンテンツタイプなどの編集時間を調査することによって。
自動確認セグメントを最大化します（すなわち、タッチしないコンテンツ）。
高いQPSと編集時間がないポイントを特定し、人間のレビューを必要としないコンテンツをできるだけ多く分離します。
提案された分析：
-
Use :
-
セグメント
translation_origin = MT、is_confirmed = true、editing_time_ms = 0、およびconfirmation_source = MTでフィルタします。 -
セグメント数（
segment_id）、ワードカウント（words_processed）をQPSで集計します。 -
job_idを使用してと結合し、言語情報を抽出します。例：target_locale。 -
と結合し、
project_idを使用してコンテンツメタデータを抽出します。
-
メリット：
-
コスト削減: 自動確認を増加させ、編集時間を削減するための最適なQPS閾値を見つけます。品質がすでに十分良好な場合。
-
ターンアラウンドタイムを短縮する: 不要なレビューを避けるためのコンテンツ。
クエリテンプレート
関連するテーブルを使って始めるためのガイドとして使用するサンプルクエリ：
選択
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 = 'mt' -- segments pre-translated by MT
GROUP BY
ssv.qps
,DATE(DATE_TRUNC('month', ssv.date_created));
選択
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 = 'mt' -- segments pre-translated by MT
GROUP BY
ssv.qps
,pcmv.custom_field_name
,pcmv.custom_field_values;
選択
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 = 'mt' -- segments pre-translated by MT
GROUP BY
ssv.qps
,jv.locale_pair;
選択
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 = 'mt' -- segments pre-translated by MT
GROUP BY
ssv.qps
,mtsv.machine_translate_setting_type;
選択
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
WHERE
date_created >= DATEADD('day', -28, CURRENT_DATE)
AND date_created < CURRENT_DATE
AND translation_origin = 'mt' -- segments pre-translated by MT
GROUP BY
QPS；
選択
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 = 'mt' -- segments pre-translated by MT
GROUP BY
QPS；
WITH qps_segments AS (
選択
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 = 'mt' -- segments pre-translated by MT
GROUP BY
ssv.qps
)
選択
qps AS new_qps_threshold
,SUM(words_processed) OVER (ORDER BY qps DESC) AS words_saved
FROM qps_segments;