Analyse post-appel

Une fois l’appel terminé, une analyse par IA peut évaluer la transcription. Elle peut noter le sentiment de l’appelant, déterminer si l’appel a satisfait un critère de réussite, et extraire des champs structurés comme un numéro de rappel, un identifiant de commande ou une réponse oui/non. Le résultat est disponible dans l’historique, l’API publique et MCP.

Ce que produit l’analyse

Pour chaque appel analysé, le résultat peut inclure :

Sentiment — positive, neutral ou negative (sentiment général de l’appelant).
Success — true / false (ou null si l’évaluation de la réussite est désactivée), accompagné d’une courte raison expliquant le verdict.
Data — une correspondance entre les champs structurés que vous avez définis et leurs valeurs, indexée par nom de champ.
Analysis time — le moment où le résultat a été produit.

Utilisez les filtres de sentiment et de réussite dans l’historique, ou GET /api/v1/calls?sentiment=&success=, pour retrouver rapidement les appels correspondants.

L’analyse s’exécute après l’appel et n’a aucun impact sur la conversation en direct. Si elle est indisponible, l’appel et sa transcription restent inchangés et aucun résultat n’est affiché.

Configurer l’analyse

Ouvrez Settings de l’assistant → Advanced → Analysis & QA et activez les éléments dont vous avez besoin. L’analyse du sentiment est activée par défaut. Supprimez les champs pour désactiver l’extraction ; désactivez aussi Sentiment et Success pour arrêter toute analyse.

Options d’analyse post-appel et section distincte des grilles QA en bêta — Settings de l’assistant → Advanced → Analysis & QA : configurez User Sentiment, Call Successful et Extracted fields. Les AI QA scorecards apparaissent séparément lorsque Beta features est activé.

Sentiment

Activé par défaut. Désactivez-le si vous n’avez pas besoin du sentiment par appel.

Critère de réussite

Activez Success et décrivez, en langage simple, à quoi ressemble un appel réussi — par exemple « L’appelant a pris rendez-vous » ou « L’appelant a confirmé son adresse de livraison ». Le résultat contient un booléen accompagné d’une raison.

Champs structurés

Ajoutez jusqu’à 30 champs avec un nom unique, un type et une description (500 caractères maximum). L’IA tente de remplir chaque champ ; les valeurs scalaires absentes restent vides, sans être inventées.

Types d’extraction structurée

Texte, Nombre, Oui / Non renvoient du texte, un nombre ou un booléen.
Choix (enum) utilise les valeurs autorisées. Autoriser plusieurs valeurs renvoie toutes les correspondances dans un tableau ; sinon une seule valeur. Sous Si aucune valeur ne correspond, choisissez une valeur autorisée de repli. Sans repli, un choix simple reste vide et un choix multiple renvoie un tableau vide.
Objet définit jusqu’à 20 champs fixes. Toutes les clés sont présentes ; les valeurs inconnues restent vides. Les sous-champs acceptent Texte, Nombre, Oui / Non et Choix, avec des valeurs autorisées facultatives pour Texte.
Liste utilise les mêmes champs fixes pour chaque élément. L’IA renvoie un objet par entrée trouvée, jusqu’à 100 éléments, ou un tableau vide.
JSON laisse l’IA choisir la structure. Utilisez Objet ou Liste si votre webhook nécessite des clés fixes. Le JSON libre est limité à 16 000 caractères et 8 niveaux d’imbrication.

Ces paramètres s’appliquent aux analyses vocales, de chat, de messagerie et d’e-mail. L’historique affiche les objets et tableaux en JSON formaté. Les webhooks, l’API et MCP conservent les types JSON natifs. Cet exemple de configuration API présente les nouvelles options :

{
  "fields": [
    {
      "name": "topics",
      "type": "enum",
      "choices": [
        "pricing",
        "delivery",
        "other"
      ],
      "allow_multiple": true,
      "fallback_value": "other"
    },
    {
      "name": "contact",
      "type": "object",
      "fields": [
        {
          "name": "name",
          "type": "string"
        },
        {
          "name": "callback",
          "type": "boolean"
        }
      ]
    },
    {
      "name": "items",
      "type": "list",
      "fields": [
        {
          "name": "product",
          "type": "string"
        },
        {
          "name": "quantity",
          "type": "number"
        }
      ]
    },
    {
      "name": "details",
      "type": "json",
      "description": "Additional preferences mentioned in the conversation"
    }
  ]
}

Exemple de configuration

{
  "sentiment": true,
  "success": {
    "enabled": true,
    "criteria": "The caller booked an appointment"
  },
  "fields": [
    { "name": "callback_number", "type": "string", "description": "Phone number the caller wants a callback on" },
    { "name": "appointment_day", "type": "enum", "description": "Requested weekday", "choices": ["mon", "tue", "wed", "thu", "fri"] },
    { "name": "is_existing_customer", "type": "boolean", "description": "Whether the caller is already a customer" }
  ]
}

Voici à quoi ressemble le calls.analysis obtenu :

{
  "sentiment": "positive",
  "success": true,
  "success_reason": "Caller agreed to a Tuesday appointment and gave a callback number.",
  "data": {
    "callback_number": "+493012345678",
    "appointment_day": "tue",
    "is_existing_customer": false
  },
  "analyzed_at": "2026-07-05T09:12:44Z"
}

Exploiter les résultats

History filters — filtrez la liste des appels par sentiment et réussite pour retrouver, par exemple, tous les appels négatifs qui n’ont pas abouti.
Public API — chaque appel renvoyé par GET /api/v1/calls et GET /api/v1/calls/{id} inclut analysis, sentiment et success. Filtrez la liste avec ?sentiment=negative et ?success=false.
MCP — ces mêmes champs d’appel sont exposés via les outils MCP list_calls / get_call.

Relancer l’analyse sur un appel passé — History → Re-evaluate — écrase le sentiment, la réussite et les champs extraits déjà stockés par un nouveau résultat. Cela consomme des crédits supplémentaires, au tarif History re-evaluate de l’espace de travail ; les tarifs actuels figurent sur la page Usage.

Grilles d’évaluation AI QA

Les AI QA scorecards (Beta) notent chaque appel terminé au regard de votre propre checklist qualité — un résultat distinct et complémentaire de l’analyse sentiment/réussite/champs ci-dessus. Configurez-les dans le même onglet Analysis & QA que l’analyse post-appel.

Activer les grilles d'évaluation

Désactivées par défaut. La carte n’apparaît qu’une fois les Beta features activées pour l’espace de travail sous Settings → Workspace, et son activation nécessite un forfait incluant les grilles d’évaluation AI QA.

Définir un seuil de réussite

Un score global de 0 à 100 ; un appel est réussi dès qu’il atteint ou dépasse cette valeur.

Ajouter jusqu'à 20 critères

Chaque critère a un nom, un poids (son importance dans le score global) et une source :

LLM judge — l’IA évaluatrice lit la transcription et note le critère à partir d’une description en texte libre que vous rédigez. Coûte une évaluation supplémentaire par critère.
Reuse success — réutilise l’indicateur de réussite de l’analyse de cet appel (oui = 1, non = 0), sans coût supplémentaire.
Reuse sentiment — réutilise le sentiment de l’analyse de cet appel (positif = 1, neutre = 0,5, négatif = 0), sans coût supplémentaire.

Les résultats apparaissent dans History, sur la vue détaillée de l’appel. Les grilles d’évaluation se configurent de la même façon que l’analyse — via l’éditeur d’assistant, PATCH /api/v1/assistants/{id}, ou l’outil MCP update_assistant.

Ceci est distinct de l’outil AI Quality Assurance au niveau cohorte, qui exécute à la demande un pack QA de votre choix sur un lot d’appels passés. Les grilles d’évaluation s’exécutent automatiquement, appel par appel, dès qu’il se termine.

Configuration via l’API

Utilisez PATCH /api/v1/assistants/{id} ou l’outil MCP update_assistant pour modifier les mêmes options d’analyse par programmation. Une configuration vide conserve l’analyse du sentiment par défaut. Consultez la référence API pour le schéma de requête.

Transformer un appel réel en test de simulation

Sur un appel terminé, dans History, utilisez Create Simulation Test. Famulor prépare une persona, un script et des critères de réussite à partir de la transcription et de l’analyse, puis ouvre le panneau Simulations de l’assistant pour révision. La même action est disponible via :

POST /api/v1/assistants/{id}/tests/from-call avec { "call_id": "…" } (assistants:write ; Simulations doit être inclus dans le forfait)
l’outil MCP create_assistant_test_from_call

Un clic sur une ligne de transcription dans l’historique saute à cet instant dans l’enregistrement.

Bien démarrer

Assistants

Constructeur de parcours

Téléphonie

Canaux

Audience

Campagnes

Opérations

Paramètres de l’espace

Facturation

Analyse post-appel

Ce que produit l’analyse

Configurer l’analyse

Types d’extraction structurée

Exemple de configuration

Exploiter les résultats

Grilles d’évaluation AI QA

Configuration via l’API

Transformer un appel réel en test de simulation

​Ce que produit l’analyse

​Configurer l’analyse

​Types d’extraction structurée

​Exemple de configuration

​Exploiter les résultats

​Grilles d’évaluation AI QA

​Configuration via l’API

​Transformer un appel réel en test de simulation

Ce que produit l’analyse

Configurer l’analyse

Types d’extraction structurée

Exemple de configuration

Exploiter les résultats

Grilles d’évaluation AI QA

Configuration via l’API

Transformer un appel réel en test de simulation