Du kan ikke klare det, du ikke kan måle. I denne tredelte serie vil vi udforske de data, der er desperat nødvendige for at forbedre moderne oversættelsesstyringsstrategier.

Hvordan verificerer du kvaliteten af indhold skrevet på et sprog, du ikke taler? Det er en gåde, som oversættelsesindustrien stadig aldrig helt har løst for frustrerede globale marketingfolk. Selvfølgelig kan de fleste udbydere pege på en færdighedstest, som deres oversættere har bestået, og en flertrinsgennemgang, der styrer hvert projekt. Men ud over udtalelsen fra den sidste redaktør, der rørte ved dit indhold, hvilke garantier kan de virkelig tilbyde dig?

Ifølge SDL's Translation Technology Insights-rapport måler 59 % af oversættelsesprofessionelle enten slet ikke kvalitet eller stoler på rent kvalitative kriterier. Eller sagt på en anden måde, mange beder til korrekturlæsningens guder og håber, at deres klients kunder eller kolleger ikke opdager fejl.

Men fejl opdages, ikke? Vi ved dette objektivt i kraft af det faktum, at 64 % af oversættelsesprofessionelle siger, at de regelmæssigt udfører omarbejde baseret på feedback fra tredjepart. Men vi ved det også intuitivt, når vi hører hvisken om, at vores fremmedsprogsindhold føles klodset, akavet eller robotagtigt.

Så hvordan kan vi fremadrettet udlede et mål for oversættelseskvalitet, som alle har tillid til?

Vejen til kvantificeret oversættelseskvalitet

Du behøver ikke erfaring med oversættelsesprojekter for at genkende faldgruberne ved kvalitativ feedback. Uanset om det var musik eller et måltid, kan vi alle huske en tid, hvor vores kreative output blev mødt med vildt forskellige meninger. Nogle roste vores præstationer, andre skældte vores inkompetence ud, og vi stod tilbage uden en klar idé om, hvordan eller om vi skulle forbedre os.

Selvom det altid er vigtigt at afveje balancen mellem personlige meninger, skal gyldige kvalitetsvurderinger i sidste ende også tilføres et sæt uomtvistelige, objektive standarder. Og alle fra madanmeldere til kunstskøjteløbsdommere kan bevidne, at kunst ikke nødvendigvis er fritaget for kvantificering.

Oversættelsesprofessionelle er langsomt ved at nå frem til samme konklusion. Den (nu hedengangne) Localization Industry Standards Association (LISA) var den første til at popularisere en kvalitetssikringsramme, som vurderede forskellige grammatiske, stilistiske og formaterende elementer på simple 1-10 skalaer. Translation Automation User Society (TAUS) har siden forbedret denne tilgang med sin egen mere dynamiske, omfattende model.

På trods af den taknemmelighed, vi skylder disse organisationer for at have bevæget samtalen i den rigtige retning, deler deres løsninger den samme grundlæggende fejl: en kvalitetsvurderingsprotokol, der anvendes efterfølgende. Anmeldere undersøger en stikprøve af offentliggjort indhold og tæller fejlene med tilbagevirkende kraft.

Så selvom det er rart at kvantificere en oversætters nøjagtighed, er det at lære om deres dårlige vurderinger, efter at indhold gik live, ligesom at lære om din taxachaufførs historie med trafikovertrædelser, efter at han har kørt dig i en grøft.

Ja, du vil have en objektiv grund til at skifte tjenesteudbyder i fremtiden. Men skaden var allerede sket.

Styrken ved forudsigende vurdering

Dårlige kreative resultater er sjældent en overraskelse. En nærmere analyse af deres produktion vil næsten altid afsløre, at hjørnerne blev skåret på et tidspunkt, hvor omhyggelig forberedelse i stedet var påkrævet. Succes er altså i virkeligheden kun et resultat af gode vaner, der anvendes på nøgleøjeblikke.

Nogle succesfaktorer for oversættelse er allerede ret indlysende. At referere til visuel kontekst, genbruge strenge, der er gemt i oversættelseshukommelsen, og bruge rigelig tid på gennemgang er alle adfærd, der korrelerer godt med oversættelseskvalitet. Men selv da kan de fleste virksomheder stadig kun se disse aktiviteter i bakspejlet, hvis det hele.

Det hele begynder dog at ændre sig med ankomsten af cloud-baserede oversættelsesstyringssystemer, der sporer adfærd, mens den sker. Hver handling kan fanges som et realtidsdatapunkt. Som et resultat kan vi nu objektivt analysere sproglige vaner forud for udgivelsen og lave en informeret forudsigelse om den resulterende oversættelseskvalitet.

Det er logikken bag Smartlings nye Quality Confidence Score ™ (QCS), en procentbaseret forudsigelse af forventet nøjagtighed baseret på analysen af mere end 75 adfærdsbaserede succesfaktorer.

Denne dynamiske metrik giver betydelig magt til oversættelseskunder. Den uovertrufne gennemsigtighed, som data muliggør, gør dem i stand til at foretage kloge vurderinger af både Smartling-oversættere og eksterne bureauer. Som et resultat kan skødesløs adfærd identificeres og behandles længe før de har en chance for at bringe brands omdømme i fare.

Ud over at holde dine oversættelsesudbydere ansvarlige, kan QCS også inspirere til strategiske workflow-justeringer. Hvis vurderingerne forbundet med teknisk indhold er forholdsvis lave, for eksempel, kan det være den påmindelse, du skal bruge for at oprette en ordliste, som oversættere kan henvise til. Samtidig kan konsekvent høje vurderinger forbundet med en bestemt oversætter give dig den luksus at nedskalere en dyr gennemgangsprotokol.

Så når man bliver spurgt om, hvordan vi mener, at marketingfolk bør gå frem for at vurdere kvaliteten af deres fremmedsprogsindhold, er svaret i disse dage faktisk ret enkelt.

Beslut dig med data.

Få mere at vide

Kontakt os i dag for at lære præcis, hvordan data kan forbedre dine oversættelsesresultater.