Phrase Dataは、以下の2つのティアで利用可能です：
-
ベーシック
-
Premium
Premiumティアでは、Basicティアと同じアクセスに加え、セグメントレベルのデータへのアクセスが提供されます。
クラウドデータウェアハウス（Snowflakeなど）により、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、TMSのお客様の使用状況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、投資の正当性を証明します。データをより広範な会社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到達範囲と評判を世界規模で理解するのに役立ち、会社のメッセージが言語を超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することで、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に貢献したかなど、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把握します。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（年齢、性別、地域、言語など）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。
-
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に役立ちます。機械翻訳の使用増加が品質と速度（ポストエディット時間や品質スコアなど）に与える影響を測定することで、生産性の向上を定量化します。
-
社内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所要時間、平均品質スコアなどの社内ベンチマークが、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<1>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、品質チェックやプロセス最適化の効率化にも役立ちます。
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強力なデータインサイトを必要としています。しかし、分析レポートやインサイトは、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、それぞれ運用メトリクス（日々の効率、スループット、コスト）や戦略的インサイト（長期的なROI、ユーザーへの影響、市場成長）が求められます。
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、日々の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、遅延の原因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といった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（手直しが不要だった）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と重度（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ことの価値を強調します。 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回数や時間などのポストエディットの労力をヘルプとして活用します。
-
TMマッチによるコンテンツの割合で見るTM活用率。これはTMの再利用効率とコスト削減を示します。
-
MTによって最初に翻訳されたセグメントの割合などの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。
-
翻訳メモリ（TM）の利用
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:
-
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。平均のediting_time_msとscoreを計算して確認するのも有効です。
-
-
と
job_idを使用して結合し、target_localeなどの言語情報を抽出します。 -
2と
project_idを使用して結合し、ドメイン、クライアント、ビジネスユニットなどで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、適切なアクションをフラグ付けします。
-
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
QPS（品質評価スコア）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:
-
を
translation_origin = MT<2>のフィルタで使用します。 -
machine_translate_setting_idを使用してと結合します。-
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。
-
-
と
job_idを使用して結合し、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さまざまなコンテンツタイプについて、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査することによって。
自動確定セグメント（つまり、タッチ不要のコンテンツ）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、自動確定に適した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 :
-
セグメント
translation_origin = MT、is_confirmed = true、editing_time_ms = 0、およびconfirmation_source = MT<4>のフィルタ。 -
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）で集計します。 -
と
job_idを使用して結合し、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：コンテンツが不要にレビュー済と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：
選択
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));
選択
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;
選択
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;
選択
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;
選択
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）;
選択
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）;
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（品質評価スコア） DESC) AS words_saved
FROM qps_segments;