Changelogs

Améliorez radicalement la précision de vos évaluations automatiques en intégrant les données uniques de chaque appel (métadonnées) directement dans vos critères.

Passez d'une vérification générique ("L'agent a-t-il demandé le numéro de téléphone ?") à une validation factuelle et dynamique ("L'agent a-t-il bien confirmé que le numéro était le 769965772 ?").

Comment ça marche ? La syntaxe {{ }}

Le principe est simple : utilisez des doubles accolades {{ }} pour insérer une variable correspondant au nom exact de l'une de vos métadonnées existantes.

Par exemple, si vous envoyez une métadonnée nommée client_phone avec chaque appel, vous l'utiliserez dans votre grille en écrivant : {{client_phone}}.

Lors de l'évaluation, notre système remplacera automatiquement ce placeholder par la valeur réelle de la métadonnée pour l'appel analysé.

Mise en pratique

1. Accédez à la configuration de votre grille d'évaluation.
2. Modifiez un critère. Dans la description, intégrez votre variable.
   • Exemple concret de la vidéo :
     Le gestionnaire vérifie que le numéro de téléphone du client est {{client_phone}}
3. Sauvegardez. C'est tout !

Utilisation avancée : Tout les types d'évaluation

Cette syntaxe {{ }} n'est pas limitée à la description générale de l'item. Vous pouvez également l'utiliser dans les champs de texte des autres systèmes de notations pour définir des conditions encore plus fines.

• Exemple pour une condition d'un niveau "moyen" :
  L'agent demande l'email {{client_email}} mais ne le répète pas pour confirmation avant de conclure l'appel.

Le résultat : une précision améliorée

Une fois votre grille mise à jour, l'IA validera les informations par rapport aux données réelles de l'appel.

Dans la vidéo, l'évaluation de l'item est NOK car le commentaire de l'IA le confirme :

"...il n'a pas été répété ou confirmé explicitement comme étant 769965772."

Le système a comparé la transcription de l'appel à la valeur réelle de la métadonnée {{client_phone}}, offrant une évaluation objective et précise.

Résoudre l'erreur "Auto evaluation failed"

Cette erreur apparaît quand le nom de la métadonnée que vous avez inséré dans votre grille {{ }} ne correspond pas exactement au nom réel de la métadonnée de l'appel.

Le système ne trouvant pas la donnée demandée, il ne peut pas évaluer le critère.
‍

Exemple de la vidéo :

L'erreur Cannot evaluate item without metadata cliente_phone1 est causée par une simple faute de frappe.

• Variable incorrecte dans la grille : {{cliente_phone1}}
• Nom correct de la métadonnée : client_phone

La règle d'or : Copiez-collez !

Pour éviter toute erreur, ne tapez jamais le nom de la métadonnée de mémoire.

1. Allez sur la page d'un appel et visualisez vos métadonnées.
2. Copiez le nom exact de la métadonnée (ex: client_phone).
3. Collez-le dans votre critère d'évaluation entre les accolades {{ }}.

Cette méthode garantit une correspondance parfaite et des évaluations sans erreur.

‍

‍

Notre nouvelle fonctionnalité détecte automatiquement les bots et SVI dans vos enregistrements d'appels. Elle distingue clairement trois intervenants (agent, client et bot), évitant ainsi que la voix automatique ne soit confondue avec celle de l’agent. Vous bénéficiez ainsi d’une analyse précise des conversations basée uniquement sur les interactions réelles, améliorant la fiabilité de vos évaluations d'appel.

Grâce à cette nouvelle fonctionnalité, vous pouvez désormais configurer des alertes pour les appels entrants en utilisant un langage naturel. Par exemple, en définissant un prompt tel que « Un client se plaint d’avoir été victime de fraude », toute conversation abordant ce sujet déclenchera automatiquement une alerte. Ces notifications, envoyées par e-mail ou directement sur la plateforme selon votre choix, vous permettent de réagir rapidement aux situations critiques.

Anonymisation Multicouche Intégrée offre une protection complète et irréversible des données sensibles dans vos appels. L'audio est d'abord traité pour remplacer automatiquement les informations personnelles par des "bips" sonores, transformés ensuite en tags contextuels dans la transcription (ex: [phone_number], [customer_name]). Ce procédé préserve la performance analytique grâce à des tags intelligents, permettant aux modèles d'analyse de rester efficaces sur des données anonymisées, tout en garantissant une conformité stricte avec le RGPD et une sécurité renforcée grâce à une traçabilité complète et une infrastructure hébergée en France.