Bilgi Çıkarıcılar

Bir yapay zeka görüşmesi bitince elinde bir transkript kalır — ama transkript aranabilir bir alan değildir. Bilgi çıkarıcılar o transkripti okur ve senin tanımladığın soruların yanıtlarını yapılandırılmış veriye dönüştürür: bütçe, karar yetkisi, ihtiyaç aciliyeti, tercih edilen randevu tarihi… Böylece 200 görüşmeyi tek tek dinlemek yerine bant_butce ya da lead_kalifikasyonu alanına göre süzersin. Bir bilgi çıkarıcı, “kulakla dinlenen bir görüşmeyi” Excel sütununa çeviren bir çevirmen gibidir.

Nasıl çalışır?

Görüşme biter → transkript kaydedilir
        ↓
AI çağrı analizi kaydedilir (/api/agent/call-analysis)
        ↓
Asistana bağlı, aktif bilgi çıkarıcılar çalışır (görüşme sonrası)
        ↓ (transkript ayrı bir yapay zeka geçişiyle taranır → JSON)
Sonuç çağrının aiAnalysis.extractedData[identifier] alanına yazılır
        ↓
Çağrı detayında + kişinin aktivite akışında görünür
görüşme sonrası webhook'una (call.completed) eklenir

Bir çıkarıcının anatomisi

Her bilgi çıkarıcı birkaç alandan oluşur:

identifier daha sonra süzme ve raporlamada kullandığın anahtardır — bir kez oluşturduktan sonra değiştirmemek en iyisidir. Aynı tanımlayıcıyı ikinci kez oluşturmaya çalışırsan sistem 409 (“Bu identifier zaten kullanılıyor”) döner.

Çıktı tipleri

Hazır şablonlar

Sıfırdan yazmak zorunda değilsin. Panelde Şablonlar butonu 14 hazır çıkarıcı sunar; tek tıkla forma yüklenir ve düzenleyebilirsin:

user_name · user_email · user_company · user_address · call_outcome · reason_for_call · user_interest_level · callback_requested · budget_range · lead_qualification · objection_handling · issue_description · dnd · appointment_date

Zaten oluşturduğun bir tanımlayıcı, şablon listesinde “Eklendi” olarak gri görünür — aynı anahtarı iki kez ekleyemezsin.

Örnek: BANT’ı görüşmeden çıkarmak

Klasik nitelendirme çerçevesi BANT’tır — Bütçe, Yetki (Authority), İhtiyaç (Need), Zaman (Timeline). Her biri için bir çıkarıcı tanımlarsan, her satış görüşmesi otomatik olarak dört yapılandırılmış alana dönüşür.

{
  "extractedData": {
    "bant_butce": "500.000 - 750.000 TL",
    "bant_yetki": "yes",
    "bant_ihtiyac": 8,
    "bant_zaman": "2 ay içinde karar verecek"
  }
}

Çıkarılan veri kişiye nasıl düşer?

Burada net olmakta fayda var: bir çıkarıcının sonucu, o çağrının yapay zeka analizine (aiAnalysis.extractedData) identifier anahtarıyla yazılır. Kişi kartında ayrı bir “özel alan sütunu” oluşturmaz; bunun yerine:

• Kişinin aktivite akışında o görüşmenin analizinin içinde görünür.
• Görüşme sonrası webhook’a eklenir; oradan istediğin sisteme yazabilirsin.

Purvisor’ın kişi kartındaki BANT rozetleri, ısı (cold/warm/hot) ve lead skoru ise ayrı bir motorla — AI çağrı analizinden sezgisel olarak — hesaplanır. Yani bilgi çıkarıcılar, bu standart alanların yanında, tamamen senin tanımladığın özel yapılandırılmış alanları yakalamak içindir. Bu iki katmanı birlikte kullanmak, kişinin satış hattındaki yerini (Satış Pipeline) hem standart skorla hem de kendi sorularının yanıtlarıyla zenginleştirir.

İyi uygulamalar

• Örnek ver. outputExamples alanı boş bırakılınca model biçimi tahmin eder; iki-üç örnek eklemek isabeti belirgin şekilde artırır.
• Doğru tipi seç. Sonradan eşiğe/segmente göre süzeceğin veriyi number veya multiple_choice yap; sadece okuyacağın notları open_question bırak.
• Tanımlayıcıyı sabit tut. identifier senin rapor/webhook anahtarındır; sonradan değiştirmek eski verinin eşleşmesini bozar.
• Az ama net. 20 çıkarıcı tanımlamak yerine, gerçekten aksiyon aldığın 4-6 alana odaklan.
• Promptu tek bir bilgiye kilitle. Her çıkarıcı tek bir soruyu yanıtlasın; “bütçe ve zaman” gibi ikili sorular karışık sonuç verir — ikiye böl.

Sorun giderme

İlgili