Skip to main content
Nach einem Anruf kann eine KI-Analyse das Transkript auswerten. Sie kann die Stimmung einschätzen, Erfolgskriterien prüfen und strukturierte Felder wie Rückrufnummer, Bestell-ID oder Ja/Nein-Antwort extrahieren. Das Ergebnis steht in History, der öffentlichen API und in MCP bereit.

​
Was die Analyse liefert

Für jeden analysierten Anruf kann das Ergebnis enthalten:
  • Sentiment – positive, neutral oder negative (Gesamtstimmung des Anrufers).
  • Success – true / false (oder null, wenn die Erfolgsbewertung deaktiviert ist), plus eine kurze Begründung, die das Urteil erklärt.
  • Data – eine Zuordnung der von dir definierten strukturierten Felder, mit dem Feldnamen als Schlüssel.
  • Analysis time – wann das Ergebnis erstellt wurde.
Mit den Filtern für Stimmung und Erfolg in History oder über GET /api/v1/calls?sentiment=&success= findest du passende Anrufe schnell.
Die Analyse läuft nach dem Anruf und hat nie Einfluss auf das laufende Gespräch. Ist sie nicht verfügbar, bleiben Anruf und Transkript unverändert und es wird kein Ergebnis angezeigt.

​
Analyse konfigurieren

Öffne die Analysis-Karte des Assistenten und aktiviere die Teile, die du brauchst. Alles ist optional; bei einer leeren Konfiguration läuft keine Analyse.
1

Sentiment

Standardmäßig aktiviert. Schalte es aus, wenn du keine Stimmung pro Anruf brauchst.
2

Erfolgskriterium

Aktiviere Success und beschreibe in einfachen Worten, wie ein erfolgreicher Anruf aussieht – zum Beispiel „Der Anrufer hat einen Termin gebucht” oder „Der Anrufer hat seine Lieferadresse bestätigt.” Das Ergebnis enthält einen booleschen Wert plus eine Begründung.
3

Strukturierte Felder

Füge Felder hinzu, die extrahiert werden sollen. Jedes Feld hat einen name (snake_case, eindeutig), einen type (string, number, boolean oder enum), eine description, die erklärt, was extrahiert werden soll (max. 500 Zeichen), und – bei enum – eine Liste von choices. Jedes Feld wird immer zu befüllen versucht – im Editor gibt es keine Möglichkeit, ein Feld optional zu machen, auch wenn das required-Flag der API weiterhin im Schema existiert.

​
Beispielkonfiguration

Ein resultierendes calls.analysis sieht so aus:

​
Analyseergebnisse nutzen

  • History-Filter – filtere die Anrufliste nach Sentiment und Erfolg, um zum Beispiel alle negativen Anrufe zu finden, die nicht erfolgreich waren.
  • Öffentliche API – jeder Anruf in GET /api/v1/calls und GET /api/v1/calls/{id} enthält analysis, sentiment und success. Filtere die Liste mit ?sentiment=negative und ?success=false.
  • MCP – dieselben Anruffelder stehen über die MCP-Tools list_calls/get_call zur Verfügung.
Das erneute Ausführen der Analyse für einen vergangenen Anruf – History → Re-evaluate – überschreibt gespeicherte Stimmung, Erfolg und extrahierte Felder mit einem neuen Ergebnis. Es kostet zusätzliche Credits zum Workspace-Satz History re-evaluate; aktuelle Sätze findest du auf der Nutzungsseite.

​
AI-QA-Scorecards

AI QA scorecards (Beta) bewerten jeden abgeschlossenen Anruf anhand deiner eigenen Qualitäts-Checkliste – ein separates, ergänzendes Ergebnis zur Sentiment-/Erfolgs-/Felder-Analyse oben. Konfiguriere sie im selben Tab Analysis & QA wie die Analyse nach dem Anruf.
1

Scorecards aktivieren

Standardmäßig deaktiviert. Die Karte wird erst angezeigt, sobald Beta features für den Workspace unter Settings → Workspace aktiviert ist, und das Aktivieren erfordert einen Plan, der AI-QA-Scorecards enthält.
2

Bestehensschwelle festlegen

Eine Gesamtpunktzahl von 0–100; ein Anruf besteht, sobald er diesen Wert erreicht oder überschreitet.
3

Bis zu 20 Kriterien hinzufügen

Jedes Kriterium hat einen Namen, eine Gewichtung (wie stark es in die Gesamtpunktzahl einfließt) und eine Quelle:
  • LLM judge – die KI liest das Transkript und bewertet das Kriterium anhand einer von dir verfassten Freitext-Beschreibung. Kostet eine zusätzliche Auswertung pro Kriterium.
  • Reuse success – verwendet das Erfolgs-Flag der Analyse dieses Anrufs weiter (ja = 1, nein = 0), ohne zusätzliche Kosten.
  • Reuse sentiment – verwendet das Sentiment der Analyse dieses Anrufs weiter (positive = 1, neutral = 0.5, negative = 0), ohne zusätzliche Kosten.
Ergebnisse erscheinen in History, in der Detailansicht des Anrufs. Konfiguriere Scorecards genauso wie die Analyse – über den Assistenten-Editor, PATCH /api/v1/assistants/{id} oder das MCP-Tool update_assistant.
Das unterscheidet sich vom kohortenbasierten Tool AI Quality Assurance, das ein von dir gewähltes QA-Paket auf Abruf gegen einen Stapel vergangener Anrufe laufen lässt. Scorecards laufen automatisch, pro Anruf, sobald dieser endet.

​
Konfiguration über die API

Mit PATCH /api/v1/assistants/{id} oder dem MCP-Tool update_assistant kannst du dieselben Analyseoptionen programmatisch ändern. Eine leere Konfiguration bedeutet, dass keine Analyse läuft. Das Request-Schema findest du in der API-Referenz.

​
Echten Anruf in einen Simulationstest verwandeln

Wähle bei einem beendeten Anruf in History die Option Create Simulation Test. Famulor bereitet Persona, Script und Erfolgskriterien aus Transkript und Analyse vor und öffnet anschließend das Simulations-Panel des Assistenten zur Prüfung. Dieselbe Aktion gibt es als:
  • POST /api/v1/assistants/{id}/tests/from-call mit { "call_id": "…" } (assistants:write; Simulationen müssen im Plan enthalten sein)
  • MCP-Tool create_assistant_test_from_call
Ein Klick auf eine Transkriptzeile springt in der Aufnahme an diese Stelle.