Phrase Data는 두 가지 계층에서 제공됩니다:
-
기본
-
프리미엄
프리미엄 계층은 기본 계층과 동일한 액세스를 제공하며, 세그먼트 수준 데이터에 대한 액세스도 포함됩니다.
클라우드 데이터 웨어하우스(예: Snowflake)는 고객이 SQL 인터페이스를 통해 데이터를 안전하게 액세스할 수 있도록 합니다.
Phrase Data는 고객이 Phrase에 처음 가입한 날짜부터 현재까지 TMS 사용과 관련된 데이터를 표시합니다. Phrase는 고객에게 통지한 후 데이터가 표시되는 기간을 변경할 권리를 보유합니다.
Phrase Data 통합에 대한 전체 기술 문서.
Phrase Data는 전략적 의사 결정을 지원하고, 비즈니스 영향을 보여주며, 투자를 정당화할 수 있습니다. 데이터는 더 넓은 회사 메트릭과 결합되어 수익, 시장 침투 및 고객 만족도에 미치는 영향을 드러낼 수 있습니다:
-
웹 트래픽, 페이지 조회수, 이탈률, 사용자 인구 통계와 같은.
-
마케팅 데이터, 클릭률, 전환율, 소셜 미디어 참여와 같은.
-
고객 지원 데이터, 현지화된 지원 자료가 문제 해결 속도와 고객 만족도 향상에 기여하는지 분석합니다.
-
판매 수치, 현지화된 콘텐츠에서 발생한 수익과 비용을 비교합니다.
인사이트는 전 세계 콘텐츠의 도달 범위와 평판을 이해하는 데 도움을 주며, 회사의 메시지가 언어를 초월하여 성공하도록 보장합니다.
-
현지화 노력의 투자 수익률(ROI)
번역에 대한 투자가 수익을 창출한다는 것을 입증하여 예산을 유지하거나 증가시키는 데 지원하는 데 사용됩니다. 또한 기계 번역을 사용하여 시간이 지남에 따라 비용을 절감하는 방법이 전체 ROI에 기여하는 것과 같은 비용 절감 효과를 지적합니다.
-
콘텐츠 적응, 효율성 및 사용자 참여
현지화된 콘텐츠가 청중과 어떻게 성과를 내는지 이해합니다. 각 로캘에서 고객 유지율을 추적하면 번역이 사용자 요구를 충족하고 있음을 나타냅니다. 이 피드백은 팀의 품질 전략이나 스타일을 조정하여 현지 사용자와 더 잘 공감할 수 있는 방법에 영향을 미칠 수 있습니다. 고객 사용 사례는 콘텐츠 적응과 참여 지표 간의 상관관계를 나타냅니다. AutoAdapt를 사용하여 인구 통계(예: 나이, 성별, 지역, 언어)에 따라 콘텐츠를 개인화하는 다양한 프롬프트를 사용함으로써, 이는 지역 또는 캠페인 수준에서 성과 향상을 추적할 수 있습니다.
-
시장 및 언어 우선순위
최대 영향을 위해 어떤 언어 또는 지역에 집중할지를 결정하는 데 도움을 줍니다. 팀이 가장 큰 비즈니스 수익을 창출하는 번역에 자원을 할당하도록 보장합니다. 또한 새로운 언어 롤아웃의 순서를 안내하거나 성장하고자 하는 시장에 대한 현지화를 정당화할 수 있습니다.
-
프로세스 최적화 및 기술 전략
워크플로 기간과 자동화 영향을 평가하면 지속적인 프로세스 개선으로 이어지고 올바른 기술 선택에 도움을 줍니다. 기계 번역의 사용 증가가 품질과 속도(예: 사후 편집 시간 및 품질 점수) 측면에서 생산성 향상을 정량화하는 방법을 측정합니다.
-
내부 성과 벤치마킹
시간이 지남에 따라 평균 단어당 비용, 특정 콘텐츠 유형에 대한 평균 처리 시간, 평균 품질 점수와 같은 내부 벤치마크는 개선을 위한 전략적 목표가 됩니다. 이는 스마트한 관행과 효율성 향상의 결과를 드러내어 현지화 프로그램을 더욱 정당화합니다.
Orchestrator 워크플로우와 Phrase Data를 연결하여 무거운 쿼리와 고급 자동화를 보다 효율적으로 실행합니다. Orchestrator 통합은 특정 기준에 맞는 작업을 더 빠르게 식별하거나 프로젝트를 샘플링하여 품질 검사 및 프로세스 최적화를 간소화하는 데 도움을 줍니다.
번역 및 언어적 현지화에 의존하는 모든 산업에서 팀은 결정을 안내하기 위해 강력한 데이터 통찰력이 필요합니다. 그러나 분석 보고서와 통찰력은 운영 메트릭(일상적인 효율성, 처리량, 비용)과 전략적 통찰력(장기 ROI, 사용자 영향, 시장 성장)을 요구하는 팀의 필요에 따라 다릅니다(현지화, 콘텐츠, 경영진 이해관계자).
운영 분석은 현지화 관리자가 일상적으로 워크플로우를 간소화하고 비용을 관리하는 데 도움을 줍니다.
-
볼륨(처리량이라고도 함)
시간에 따라 번역된 콘텐츠의 양(예: 주/월당 단어 수)을 추적하면 팀의 용량을 나타냅니다. 이는 자원 계획에 도움이 됩니다.
-
적시성(턴어라운드 타임이라고도 함)
턴어라운드 타임은 콘텐츠를 처음부터 끝까지 번역하는 데 걸리는 시간을 측정합니다. 현지화 팀은 번역이 일정에 맞춰 제공되는지 또는 지연되는지를 추적합니다. 이는 제품 출시 날짜, SLA 및 지연 조사에 매우 중요합니다.
-
공급자 및 번역자 성과
외부 번역 공급자나 프리랜서 번역자를 사용하는 경우, 현지화 팀은 그들의 성과를 평가하고자 할 것입니다. 공급자별 턴어라운드 타임, 공급자별 적시 배송 및 번역자별 품질 점수와 같은 메트릭이 추적됩니다.
-
품질 메트릭(언어 품질 보증)
첫 번째 시도에서 QA 검사를 통과하는 번역의 비율(재작업 필요 없음)을 측정하여 효과적인 초기 번역을 나타냅니다. 유사하게, 발견된 오류 문제의 범주와 심각도를 자세히 설명합니다(예: 용어, 정확성 등).
-
비용 및 효율성 메트릭
일반적으로 팀은 프로젝트, 언어 또는 부서별로 단어당 비용과 총 지출을 추적하여 예산이 충족되도록 합니다. 순 요율제를 적용한 후 원시 번역 비용과 할인된 비용을 비교하여 TM 일치 및 반복을 유지하는 가치를 강조하는 절감 효과도 있습니다. 예를 들어, 새로운 프로젝트의 30%의 단어가 100% TM 일치로 번역되었다면, 팀은 해당 세그먼트를 재번역하지 않음으로써 절감된 비용을 정량화할 수 있습니다.
-
자동화 활용 (MT 및 TM)
-
MT 출력에 필요한 평균 편집 또는 시간과 같은 사후 편집 노력을 통해 MT를 평가하는 데 도움을 줍니다.
-
TM 일치에 따른 콘텐츠 비율을 살펴보아 TM 활용률을 측정하여 TM 재사용 효율성과 비용 절감을 나타냅니다.
-
MT에 의해 처음 번역된 세그먼트의 비율과 같은 MT 사용률입니다. 이는 자동화 범위와 비용/시간 절감 기회를 제시합니다 - 프리미엄 전용입니다.
-
번역 메모리 (TM) 활용
TM이 마지막으로 사용된 시점과 시간이 지남에 따라 재사용된 세그먼트 수를 추적합니다. 이는 TM의 신선도, 가치 기여도 및 구식 TM이 여전히 유지할 가치가 있는지를 평가하는 데 도움이 됩니다.
제안된 분석:
-
를 사용하고
translation_origin = TM에서 필터링합니다.-
TM은
translation_memory_id를 사용하여 식별할 수 있습니다. -
TM별로 세그먼트를 집계하고
date_created필드를 사용하여 TM이 사용된 시점을 확인합니다. 또한 평균editing_time_ms및score를 계산하고 확인하는 것이 좋습니다.
-
-
와
job_id를 사용하여 조인하여 언어 정보를 추출합니다. 예:target_locale. -
2와
project_id를 사용하여 도메인, 클라이언트, 비즈니스 단위 등에 따라 사용을 맥락화합니다.
이점:
-
비용 절감: 사용하지 않거나 성능이 낮은 TM을 종료하여 유지 관리 오버헤드를 줄입니다.
-
품질: 높은 사후 편집 노력이 드는 노후 TM을 식별하고 적절한 조치를 표시합니다.
-
효율성: 편집 시간을 줄이고 자동 확인을 증가시키는 고성능 TM을 사용합니다. TM 임계값을 적절히 조정하는 것을 고려하십시오.
기계 번역(MT) 엔진 최적화
QPS(세그먼트당 품질 점수) 및 사후 편집 시간을 기준으로 MT 엔진을 비교하여 콘텐츠를 적절한 MT 엔진으로 더 지능적으로 라우팅할 수 있습니다.
제안된 분석:
-
Use with filter on
translation_origin = MT. -
와
기계 번역 설정 ID를 사용하여 결합하십시오.-
MT 엔진은
기계 번역 설정 이름을 사용하여 식별할 수 있습니다. -
MT 엔진별로 세그먼트를 집계하고
세그먼트 ID의 합계, 평균 QPS 및 평균편집 시간(ms)를 계산합니다.
-
-
와
job_id를 사용하여 조인하여 언어 정보를 추출합니다. 예:target_locale. -
도메인, 클라이언트, 비즈니스 단위 등과 같은 다양한 콘텐츠 유형에 대해 와 결합하십시오.
이점:
-
비용 절감: 콘텐츠 유형 및 언어에 가장 적합하고 역사적으로 낮은 편집 비율을 가진 올바른 엔진을 식별하고 사용합니다.
-
처리 시간 정량화: 언어 쌍, 콘텐츠 유형 등에 따른 편집 시간을 살펴봄으로써.
자동 확인 세그먼트 최대화(즉, 터치하지 않는 콘텐츠)
높은 QPS와 편집 시간이 없는 자동 확인 자격이 있는 가장 효율적인 지점을 식별하여 가능한 한 많은 콘텐츠를 인간 검토가 필요하지 않도록 분리합니다.
제안된 분석:
-
Use :
-
세그먼트
번역 출처 = MT,확인됨 = true,편집 시간(ms) = 0, 및확인 출처 = MT에 대해 필터링합니다. -
세그먼트 수(
세그먼트 ID), 단어 수(처리된 단어 수)를QPS로 집계합니다. -
와
job_id를 사용하여 조인하여 언어 정보를 추출합니다. 예:target_locale. -
와 결합하여
프로젝트 ID를 사용하여 콘텐츠 메타데이터를 추출합니다.
-
이점:
-
비용 절감: 자동 확인을 증가시키고 품질이 이미 충분히 좋은 경우 편집 시간을 줄이기 위한 최적의 QPS 임계값을 찾습니다.
-
처리 시간 단축: 불필요하게 검토되는 콘텐츠를 피하십시오.
쿼리 템플릿
시작하는 데 도움이 되는 관련 테이블에 대한 샘플 쿼리:
선택
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' -- MT에 의해 사전 번역된 세그먼트
GROUP BY
ssv.qps
,DATE(DATE_TRUNC('month', ssv.date_created));
선택
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' -- MT에 의해 사전 번역된 세그먼트
GROUP BY
ssv.qps
,pcmv.custom_field_name
,pcmv.custom_field_values;
선택
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' -- MT에 의해 사전 번역된 세그먼트
GROUP BY
ssv.qps
,jv.locale_pair;
선택
ssv.qps
,mtsv.machine_translate_setting_type
,COUNT(DISTINCT segment_id) AS mt_segments
FROM segment_statistic_v2 ssv
결합 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' -- MT에 의해 사전 번역된 세그먼트
GROUP BY
ssv.qps
,mtsv.machine_translate_setting_type;
선택
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;
선택
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 (
선택
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' -- MT에 의해 사전 번역된 세그먼트
GROUP BY
ssv.qps
)
선택
qps AS new_qps_threshold
,SUM(words_processed) OVER (ORDER BY qps DESC) AS words_saved
FROM qps_segments;