Skip to main content
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 la carte Analysis de l’assistant et activez les éléments dont vous avez besoin. Tout est facultatif : une configuration vide signifie qu’aucune analyse n’est exécutée.
1

Sentiment

Activé par défaut. Désactivez-le si vous n’avez pas besoin du sentiment par appel.
2

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.
3

Champs structurés

Ajoutez les champs à extraire. Chaque champ comprend un name (snake_case, unique), un type (string, number, boolean ou enum), une description indiquant quoi extraire (500 caractères max.) et, pour enum, une liste de choices. Chaque champ est toujours tenté — rien dans l’éditeur ne permet d’en rendre un facultatif, même si l’indicateur required de l’API existe toujours dans le schéma.

​
Exemple de configuration

Voici à quoi ressemble le calls.analysis obtenu :

​
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.
1

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.
2

Définir un seuil de réussite

Un score global de 0 à 100 ; un appel est réussi dès qu’il atteint ou dépasse cette valeur.
3

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 signifie qu’aucune analyse n’est exécutée. 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.