Phrase Data (TMS)

本コンテンツはPhrase Language AIの機械翻訳により、英語から翻訳されています。

Phrase Dataは、以下の2つのティアで利用可能です：

ベーシック
利用可能対象
- Team、Professional、Business、Enterprise、およびSoftware UI/UXプラン
ライセンスに関する質問は、営業担当までお問い合わせください。
Premium

PremiumティアはBasic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も提供します。
利用可能対象
- BusinessおよびEnterpriseプラン
ライセンスに関する質問は、営業担当までお問い合わせください。
利用可能対象
- Enterpriseプラン（従来のプラン）
ライセンスに関する質問は、営業担当までお問い合わせください。

クラウドデータウェアハウス（Snowflakeなど）を使用すると、お客様はSQLインターフェースを通じて安全にデータにアクセスできます。

Phrase Dataは、お客様が最初にPhraseをサブスクライブした日から現在までの、お客様のTMS利用に関連するデータを表示します。Phraseは、お客様への通知をもって、データが表示される期間を変更する権利を留保します。

Phrase Data統合機能の完全な技術ドキュメント。

Phrase Dataは、戦略的な意思決定を支援し、Businessへの影響を実証し、投資を正当化するのに役立ちます。データをより広範な企業指標と組み合わせることで、収益、市場浸透率、お客様満足度への影響を明らかにできます：

Webトラフィック（ページビュー、直帰率、ユーザー属性など）。
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エンゲージメントなど）。
お客様サポートデータ。ローカライズされたサポートコンテンツが、より迅速な問題解決とより高いお客様満足度につながるかどうかを解析する。
売上高。コストとローカライズされたコンテンツから得られた収益を比較する。

インサイトは、グローバルコンテンツのリーチと評判を世界規模で理解するのに役立ち、企業のメッセージが言語の壁を越えて成功することを確実にします。

ローカリゼーションの取り組みによる投資収益率（ROI）

翻訳への投資がリターンを生むことを証明し、予算の維持や増額をサポートするために使用されます。また、機械翻訳の使用が時間の経過とともにどのようにコストを削減し、全体的なROIに貢献したかといったコスト削減のポイントも示します。
コンテンツの適応、有効性、および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受け入れられているかを理解します。各ロケールにおけるお客様の維持率を追跡することで、翻訳がユーザーのニーズを満たしていることが示唆されます。このフィードバックは、Teamの品質戦略や、現地のユーザーにより響くように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。お客様の使用事例は、コンテンツの適応とエンゲージメント指標を関連付けます。AutoAdaptで異なるプロンプトを使用して、デモグラフィック（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ことで、ローカルレベ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できます。
市場と言語の優先順位付け

最大限のインパクトを得るために、どの言語や地域に注力すべきかを決定するのに役立ちます。これにより、Teamは最大のBusinessリターンをもたらす翻訳にリソースを確実に割り当てることができます。また、新しい言語を展開する順序を導いたり、成長を目指す市場でのローカリゼーションを正当化したりするのにも役立ちます。
市場と言語の優先順位付け

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を選択するのに役立ちます。機械翻訳の使用増加を品質と速度（例：ポストエディット時間や品質スコア）の観点から測定することで、生産性の向上を定量化します。
内部パフォーマンスのベンチマーク

時間の経過とともに、単語あたりの平均コスト、特定のコンテンツタイプに対する平均ターンアラウンドタイム、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。これにより、スマートな実践と効率化の成果が明らかになり、ローカリゼーションプログラムの正当性がさらに裏付けられます。

Phrase DataをOrchestratorワークフローと統合機能で接続し、大規模なクエリや高度な自動化をより効率的に実行します。Orchestrator統合機能は、プロジェクトのサンプリングや特定の基準に一致するジョブの迅速な特定により、品質チェックとプロセス最適化の効率化にも役立ちます。

基本ティアの使用事例

翻訳と言語ローカリゼーションに依存するあらゆる業界において、Teamは意思決定を導くための堅牢なデータインサイトを必要としています。しかし、分析レポートとインサイトは、Teamのニーズ（ローカリゼーション、コンテンツ、経営幹部）によって異なります。各Teamは、運用メトリクス（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）を必要としています。

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ます）

時間の経過とともに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、Teamのキャパシティがわかります。これはリソース計画に役立ちます。
適時性（ターンアラウンドタイムとも呼ばれます）

ターンアラウンドタイムは、コンテンツの翻訳を開始してから完了するまでにかかる時間を測定します。ローカリゼーションTeamは、翻訳が予定通りに納品されているか、遅延が発生しているかを追跡します。これは、製品の発売日やSLAを守り、遅延を調査するために不可欠です。
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を利用する場合、ローカリゼーションTeamは彼らのパフォーマンスを評価したいと考えるでしょう。ベンダーごとのターンアラウンドタイム、ベンダーごとの納期遵守率、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 (言語品質管理)

最初の試行でQAチェックに合格した（手直しが不要な）翻訳の割合を測定し、初期翻訳の有効性を示します。同様に、見つかったエラー問題のカテゴリや重度（例：用語、正確性など）を詳細に記録します。
コストと効率の指標

通常、Teamは予算が守られていることを確認するために、プロジェクト、言語、または部門ごとの単語単価と総支出を追跡します。また、課金率ルールを適用した後の割引コストと生の翻訳コストを比較して節約額を算出し、TMの一致や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単語の30%が100%のTM一致で翻訳された場合、Teamはそれらのセグメントを再翻訳しなかったことによる節約コストを定量化できます。
自動化の活用 (MTおよびTM)
- MTを評価するために、MT出力に必要な平均編集量や時間などのポストエディットの労力をヘルプします。
- TMマッチによるコンテンツの%を確認することでTM活用率を算出し、TMの再利用効率とコスト削減効果を示します。
- 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。これは自動化の範囲とコスト/時間削減の機会を示します – プレミアム版のみ。

プレミアムティアの使用事例

翻訳メモリ (TM) の使用

TMが最後にいつ使用されたか、また時間の経過とともに何セグメントが再利用されたかを追跡します。これはTMの鮮度、価値への貢献度、および古いTMを維持する価値がまだあるかどうかを評価するのに役立ちます。

推奨される解析:

segment_statistic_v2を使用し、translation_origin = TMでフィルタリングします。
- TMはtranslation_memory_idを使用して識別できます。
- セグメントをTMごとに集計し、date_createdフィールドを使用してTMがいつ使用されたかを確認します。平均editing_time_msとscoreを計算して確認することも有効です。
job_idを使用してjob_v2と結合し、target_localeなどの言語情報を抽出します。
project_idを使用してproject_v2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コンテキスト化します。

メリット：

コスト削減: 未使用またはパフォーマンスの低いTMを廃止し、メンテナンスのオーバーヘッドを削減するのに役立ちます。
品質: ポストエディットの負荷が高い古いTMを特定し、適切なアクションにフラグを立てます。
効率: 編集時間を短縮し、自動確定を増やす高性能なTMを使用します。それに応じてTMのしきい値を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

MTエンジンをQPS（品質評価スコア）（セグメントごとの品質スコア）とポストエディット時間で比較し、コンテンツを適切なMTエンジンへ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。

推奨される解析:

segment_statistic_v2をtranslation_origin = MTのフィルタで使用します。
machine_translate_setting_idを使用してmachine_translate_setting_v2と結合します。
- MTエンジンはmachine_translate_setting_nameを使用して識別できます。
- セグメントをMTエンジン別に集計し、segment_idの合計、平均QPS（品質評価スコア）、および平均editing_time_msを計算します。
job_idを使用してjob_v2と結合し、target_localeなどの言語情報を抽出します。
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について、project_v2と結合します。

メリット：

低コスト：コンテンツタイプと言語に最も適しており、編集率が歴史的に低いジョブに適切なエンジンを特定して使用します。
ターンアラウンドタイムの定量化：言語ペア、コンテンツタイプごとの編集時間を調べることによって。

自動確定セグメント（つまり、コンテンツに触れない）を最大化します

高いQPS（品質評価スコア）かつ編集時間がゼロである場合に自動確定の対象となる最も効率的なポイントを特定し、可能な限り多くのコンテンツを人間によるレビューが不要になるように分離します。

推奨される解析:

Use segment_statistic_v2:
- セグメントtranslation_origin = MT、is_confirmed = true、editing_time_ms = 0、およびconfirmation_source = MTの場所をフィルタします。
- セグメント数（segment_id）、ワードカウント（words_processed）をQPS（品質評価スコア）別に集計します。
- job_idを使用してjob_v2と結合し、target_localeなどの言語情報を抽出します。
- project_idを使用してproject_v2と結合し、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：最適なQPS（品質評価スコア）しきい値を見つけて自動確定を増やし、品質がすでに十分な場合の編集時間を削減します。
ターンアラウンドタイムの短縮：コンテンツが不必要にレビュー済になることを回避します。

クエリテンプレート

関連テーブルの使用を開始するためのガイドとして使用するサンプルクエリ：

月ごとの事前翻訳済MT出力

SELECT
    ssv.qps
    ,DATE(DATE_TRUNC('month', ssv.date_created)) AS date_month
    ,COUNT(DISTINCT セグメント_ID) AS MT_セグメント
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));

カスタムプロジェクトメタデータ別の事前翻訳済みMT品質のばらつき

SELECT
    ssv.qps
    ,pcmv.custom_field_name
    ,pcmv.custom_field_values
    ,COUNT(DISTINCT セグメント_ID) AS MT_セグメント
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;

ロケール別の事前翻訳済みMT品質のばらつき

SELECT
    ssv.qps
    ,jv.locale_pair
    ,COUNT(DISTINCT セグメント_ID) AS MT_セグメント
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;

事前翻訳済みMTのボリュームと品質

SELECT
    ssv.qps
    ,mtsv.machine_translate_setting_type
    ,COUNT(DISTINCT セグメント_ID) AS MT_セグメント
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;

QPS（品質評価スコア）によって自動確定済の事前翻訳済みMTセグメント数

SELECT
    qps
    ,COUNT(DISTINCT セグメント_ID) AS MT_セグメント
    ,COUNT(DISTINCT IFF(LOWER(confirmation_source) IN ('mt', 'tm', 'nt', 'ir', 'ut'), セグメント_ID, NULL)) AS MT_セグメント_自動確定済
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（品質評価スコア）;

QPS（品質評価スコア）によって編集された事前翻訳済みMTセグメント数

SELECT
    qps
    ,COUNT(DISTINCT セグメント_ID) AS MT_セグメント
    ,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（品質評価スコア）;

QPS（品質評価スコア）のしきい値を下げることで人手によるレビューから削減された単語数

WITH qps_segments AS (
    SELECT
        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
)

SELECT
    qps AS new_qps_threshold
    ,SUM(words_processed) OVER (ORDER BY QPS（品質評価スコア） DESC) AS words_saved
FROM qps_segments;

Phrase Data (TMS)

本コンテンツはPhrase Language AIの機械翻訳により、英語から翻訳されています。

利用可能対象

利用可能対象

利用可能対象

基本ティアの使用事例

プレミアムティアの使用事例

翻訳メモリ (TM) の使用

機械翻訳 (MT) エンジンの最適化

自動確定セグメント（つまり、コンテンツに触れない）を最大化します

クエリテンプレート

月ごとの事前翻訳済MT出力

カスタムプロジェクトメタデータ別の事前翻訳済みMT品質のばらつき

ロケール別の事前翻訳済みMT品質のばらつき

事前翻訳済みMTのボリュームと品質

QPS（品質評価スコア）によって自動確定済の事前翻訳済みMTセグメント数

QPS（品質評価スコア）によって編集された事前翻訳済みMTセグメント数

QPS（品質評価スコア）のしきい値を下げることで人手によるレビューから削減された単語数