Passer au contenu principal
Loading...
Skip to article
  • Qualtrics Platform
    Qualtrics Platform
  • Customer Journey Optimizer
    Customer Journey Optimizer
  • XM Discover
    XM Discover
  • Qualtrics Social Connect
    Qualtrics Social Connect

Filtrage par données structurées (Designer)


Was this helpful?


This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.

The feedback you submit here is used only to help improve this page.

That’s great! Thank you for your feedback!

Thank you for your feedback!


À propos du filtrage par données structurées

Utilisez des attributs de données structurées pour filtrer le feedback dans les modèles qui catégorisent et affichent les informations les plus pertinentes de votre jeu de données. Pour en savoir plus sur la création et la modification des filtres, voir Filtrage des données (Designer).

Astuce Qualtrics : la plupart des filtres structurés sont créés en utilisant des attributs. Pour plus d’informations sur la création et la modification d’attributs dans XM Discover, voir Attributs.

Filtrage par opinion

XM Discover utilise l’analyse des sentiments pour déterminer le sentiment global des avis. L’opinion est disponible en tant qu’attribut système avec des tranches prédéfinies :

  • Sentiment négatif : avis avec un score d’opinion de -5,0 à -1,0
  • Sentiment neutre : feedback avec un score d’opinion de -0,99 à 0,99
  • Sentiment positif : feedback avec un score d’opinion compris entre 1 et 5,0
Astuce Qualtrics : vous pouvez créer des plages de sentiment personnalisées à l’aide de l’attribut système de sentiment. Par exemple, _degesentimentindex:[2.51 TO 5].

Filtrage par langue

Utilisez les attributs système de découverte suivants pour filtrer par type de données :

  • CB Langue détectée automatiquement ( _languagedetected ) : le feedback linguistique a été soumis si votre projet utilise la détection automatique de langue.
  • Langue traitée par CB ( _language ) : le feedback sur la langue a été envoyé en. Si la langue n’est pas prise en charge par XM Discover, elle sera marquée comme “AUTRE”.

XM Discover est capable de reconnaître et d’identifier les données dans plus de 150 langues à l’aide de la fonctionnalité de détection automatique de langue. Sans détection automatique de la langue, les langues suivantes sont disponibles :

  • Arabe
  • Bengali
  • Chinois (simplifié et traditionnel)
  • Néerlandais
  • Anglais(e)
  • Français
  • Allemand
  • Hindi
  • Indonésien
  • Italien
  • Japonais
  • Coréen
  • Polonais
  • Portugais
  • Roumain
  • Russe
  • Espagnol
  • Suédois
  • Tagalog
  • Thaï
  • Turc
  • Vietnamien
Attention : les verbatims de moins de 10 caractères sont marqués comme anglais.

Filtrage par type de données

Pour filtrer le feedback en fonction du type de données soumises, utilisez les attributs système suivants :

  • ID source ( _id_source ) : source de données des phrases.
  • Type verbatim ( _verbatimtype ) : nom du champ verbatim que vous souhaitez filtrer. Cela est utile si vous avez plusieurs colonnes verbatim.
Exemple : supposons que vous ayez deux colonnes verbatim : Vérifier et Réponse. Créez une règle pour _verbatimtype:review afin de renvoyer un modèle qui affiche uniquement les données de la colonne Vérifier verbatim.

Filtrage par type de contenu

Pour les projets pour lesquels la détection de type de contenu est activée, utilisez les attributs système suivants pour filtrer les commentaires des publicités, des spams et d’autres données non exploitables :

  • Type de contenu CB ( cb_content_type ) : indique si les documents sont marqués comme contenus, c’est-à-dire qu’ils contiennent du contenu ou non.
  • Sous-type de contenu CB (cb_content_subtype) : regroupe les documents marqués comme non contenus dans des publicités, des coupons, des liens vers des articles ou des « non définis ».
Exemple : si vous souhaitez créer un modèle qui catégorise uniquement les données de contenu, créez une règle à l’aide de l’attribut système Type de contenu CB : cb_content_type:contentful.

Filtrage par type de phrase

XM Discover utilise l’analyse sémantique pour identifier l’intention pertinente pour vos analyses. Ces catégories sont utilisées dans l’attribut système au niveau de la phrase : CB Sentence Type (cb_sentence_type ). L’analyse du type d’intention utilisé dans vos données peut vous aider à comprendre comment améliorer l’expérience client.

Cliquez sur les types de phrases suivants pour voir ce qui est identifié à l’aide de l’attribut type de phrase :

Phrases exploitables
Suggestions et recommandations sur la façon d’améliorer l’expérience client, ainsi que les problèmes qui nécessitent une attention immédiate.

  • Abandon : Menace de perdre des clients.
  • Demande d’aide: Demande de l’aide et de l’aide.
  • Demande : contient une demande implicite ou explicite, telle qu’un appel à l’action ou des informations.
  • Suggestion : contient une suggestion implicite ou explicite de modifier quelque chose.
  • Ancienneté : durée pendant laquelle un client a utilisé un service ou un produit.
  • Annulation : Contient une menace ou une intention d’annuler son adhésion, son service ou toute autre transaction. Ce type enregistre également le non-renouvellement, la désinscription ou la rupture du contrat de travail.
Phrases liées à l’opinion
Identifie le sentiment des phrases qui n’ont pas de recommandations exploitables.

  • Apathique : N’exprime ni intérêt ni inquiétude.
  • Générique négatif : Sentiment négatif qui n’a pas de cible spécifique.
  • Félicitations génériques : Sentiment positif qui n’a pas de cible spécifique.
  • Recommander : recommande l’expérience de ce client.
  • Pas recommandé : déconseille l’expérience de ce client.
Phrases de question/réponse
Types de feedback issus des réponses aux questions de l’enquête.

  • Apologie : Contient des excuses explicites.
  • Référence croisée : fait référence à un commentaire précédent ou à une réponse.
  • Je ne sais pas : les commentaires ne sont pas en mesure de fournir une réponse. Par exemple, « J’aimerais savoir ».
  • Tout : réponses qui couvrent toutes les options suggérées.
  • Liste : contient une liste d’éléments.
  • Aucun commentaire : le répondant refuse de commenter ou de laisser une réponse. Par exemple, “N/A”.
  • Oui : contient des affirmations génériques.
Phrases de remarque sociale
Commentaires liés aux aspects sociaux de l’interaction client, tels que les salutations, les rires et la gratitude.

  • Bonjour/Au revoir : Salutations et adieux.
  • Rires : Expressions de rire, soit verbalement, soit à l’aide d’emojis. Par exemple, « Haha! xD ».
  • Merci : Expressions de gratitude.
Phrases de divulgation légale
Feedback contenant des informations légales.

  • Divulgation : contient les déclarations de divulgation. Par exemple, « Cet appel peut être surveillé ou enregistré ».
  • Mini-Miranda : Applicable aux États-Unis, contient un avertissement juridique Mini-Miranda. Par exemple, « Le but de la communication est de recouvrer une dette ».
Phrases spécifiques à la conversation
Feedback spécifique aux conversations de centre d’appels. Ces types de phrases sont disponibles uniquement avec des données conversationnelles.

  • Empathie : l’empathie est exprimée, comme s’excuser, manifester de l’intérêt ou reconnaître des difficultés.
  • En attente : les clients sont mis en attente.
  • Transfert : Les clients demandent à être transférés ou les représentants transfèrent un client.
Astuce Qualtrics : les phrases qui ne correspondent à aucun des types de phrases sont marquées comme NON DÉFINI.

Filtrage par nombre de mots

Utilisez le nombre de mots de la phrase ou les attributs du nombre de mots du document pour filtrer vos données en fonction du nombre de mots de votre phrase ou de votre enregistrement. La plage définie dans ces attributs inclut valeurs. Si le nombre de mots est égal à zéro, la phrase/l’enregistrement n’a pas de texte ou a été chargé(e) avant l’activation de la fonctionnalité.

  • Nombre de mots de phrase CB ( cb_sentence_word_count ) : l’attribut au niveau de la phrase vous permet de filtrer les données en fonction du nombre de mots dans une phrase.
    Astuce Qualtrics : Pour afficher les phrases contenant 10 mots ou moins, utilisez la plage cb_sentence_word_count : [1 TO 10].
  • Nombre de mots du document CB ( cb_document_word_count ) : l’attribut au niveau de l’enregistrement vous permet de filtrer les données en fonction du nombre de mots dans un enregistrement. C’est aussi la somme de tous les nombres de mots de phrase.
    Astuce Qualtrics : Pour afficher les enregistrements contenant au moins 50 mots, utilisez cb_document_word_count : [50 TO 200].

Filtrage par phrase quartile

L‘attribut Quartile de phrase CB ( cb_sentence_quartile ) identifie la partie du verbatim dans laquelle une phrase suit. Les valeurs sont de 1 à 4, chaque section représentant 25 % de la longueur du verbatim. Si un enregistrement comporte plusieurs verbatims, il y aura des quartiles pour chaque verbatim dans le dossier.

Astuce Qualtrics : cet attribut peut être utile si vous souhaitez vous concentrer sur la raison pour laquelle les clients appellent, ce qui est généralement abordé dans le premier quartile ( 1 ) du verbatim. Sinon, si vous êtes intéressé par la manière dont les représentants terminent leurs appels, vous pouvez limiter vos rapports au dernier quartile ( 4 ).

Appliquer le quartile de phrase

S’il manque des données de quartile de phrase dans vos données historiques, vous pouvez les ajouter à vos données.

  1. Accédez à l’onglet Catégoriser de votre projet.
    Catégoriser longlet, flux de données personnalisés dans les options dexécution du nœud parent
  2. Cliquez avec le bouton droit de la souris sur un modèle de catégorie.
  3. Placez le curseur sur Exécuter et sélectionnez Flux de données personnalisés.
  4. Sélectionnez Retraiter attributs dérivés de langue.
    Retraiter les attributs dérivés de la langue à partir du flux de données personnalisé de lexécution
  5. Sélectionnez cette option si vous voulez traiter toutes les données du projet ou les données d’une session spécifique.
  6. Cliquez sur Exécuter.

Filtrage par effort

L’effort CB mesure le niveau d’effort exprimé par les clients au cours de leur expérience. Cet attribut est disponible au niveau de la phrase sur une échelle de -5 à 5, avec -5 indiquant l’expérience la plus difficile et 5 indiquant l’expérience la plus facile. La plage inclut valeurs.

Astuce Qualtrics : pour afficher les phrases où le niveau d’effort exprimé est très élevé, vous pouvez utiliser la plage suivante : cb_sentence_ease_score:[-5 to -3].
Astuce Qualtrics : l’effort CB est uniquement compatible avec les nombres entiers.

Filtrage par ancienneté dans la fidélisation

CB Loyalty Tenure vous permet de filtrer les données en fonction de la durée en années pendant laquelle un client a utilisé un service ou possédé un produit. Cet attribut est disponible au niveau de la phrase dans les phrases avec le type de phrase Ancienneté. La plage inclut valeurs.

Exemple : la phrase « Je suis client depuis 10 ans » renverra une valeur de Fidélité Tenure de 10. Pour afficher les phrases avec une ancienneté allant jusqu’à 10 ans, utilisez la plage suivante : cb_loyalty_tenure:[1 TO 10].

Filtrage par type d’interaction

Le type d’interaction CB (cb_interaction_type) définit les données par le type d’interaction XM, ce qui vous permet de distinguer le feedback régulier des données conversationnelles. Cet attribut est disponible au niveau du document, du verbatim et de la phrase.

Le type d’interaction peut avoir les valeurs suivantes :

  • Chat : données conversationnelles issues de canaux numériques.
  • Feedback : données de feedback régulières (telles que les enquêtes, les évaluations, etc.).
  • Voix : Données conversationnelles issues de conversations transcrites sur audio.

De nombreuses pages de ce site ont été traduites de l'anglais en traduction automatique. Chez Qualtrics, nous avons accompli notre devoir de diligence pour trouver les meilleures traductions automatiques possibles. Toutefois, le résultat ne peut pas être constamment parfait. Le texte original en anglais est considéré comme la version officielle, et toute discordance entre l'original et les traductions automatiques ne pourra être considérée comme juridiquement contraignante.