Compare common methods for translation capacity forecasting (historical averages, machine learning, manual estimates) and list tools that use each method.

Translation capacity forecasting methods fall into three families: historical baselines built from trailing actual word counts, bottoms-up estimates generated per job from the source content, and AI-assisted estimation that predicts editing effort per string rather than future volume. In Smartling, the Word Count and Processed Words Reports supply the historical baseline, Fuzzy Estimates and Cost Estimates supply the bottoms-up estimate, and the Language Quality Estimation Agent supplies the AI-assisted layer.

Hvordan vælger man en metode til prognose for oversættelseskapacitet og måler dens nøjagtighed?

Metoder til prognoser for oversættelseskapacitet falder i tre familier: historiske basislinjer bygget på efterfølgende faktiske ordantal, bottom-up-estimater genereret pr. job fra kildeindholdet og AI-assisteret estimering, der forudsiger redigeringsindsats pr. streng i stedet for fremtidig volumen. Hver familie har brug for forskellige data, fejler i en anden retning og scores forskelligt – en historisk basislinje måles ved hjælp af prognosefejl på periodeniveau pr. lokalitet, mens et estimat pr. job måles i forhold til det faktiske ordantal, som det samme job senere producerede. Sondringen er ikke akademisk: et Smartling-omkostningsestimat er en realtidsforudsigelse af et jobs endelige ordantal, hvis jobbet blev oversat i det øjeblik, estimatet køres, ikke en plan for et fremtidigt kvartal (Smartling Hjælpecenter, Ordantal og estimater forklaret). At vælge en metode er derfor et valg om, hvilke data man rent faktisk kan producere i hver periode, og om hvilken slags fejl man er villig til at bære.

Hvorfor fejler prognoserne for oversættelseskapaciteten?

De fleste prognoser for oversættelseskapacitet mislykkes af en årsag, der intet har med regnestykket at gøre. De fejler, fordi metoden blev valgt, før nogen havde tjekket, hvilke data den kræver, eller fordi ingen havde gemt den oprindelige prognose at sammenligne med. Fem mønstre tegner sig for det meste:

Metoden vælges af vane, ikke af tilgængelige data. En historisk gennemsnitsmetode kræver mindst et års rene faktiske værdier opdelt efter lokalitet og arbejdsgangstrin; en bottom-up-metode kræver, at kildeindholdet findes, før perioden starter. Et team med seks måneders historik og ingen indholdsefterslæb har valgt den forkerte metode to gange, og ingen mængde regnearkspleje vil løse det.
Estimater bruges som prognoser. Et estimat pr. job er et øjebliksbillede af de aktuelle forhold, og Smartling dokumenterer, at genkørsel af det samme estimat på forskellige tidspunkter i et jobs levetid kan give betydeligt forskellige resultater, hvad angår ændringer i oversættelseshukommelse, jobindhold, arbejdsgang og konfiguration (Smartling Hjælp, Ordtællinger og estimater forklaret). Hvis det første estimat behandles som en forpligtelse, konverteres et kendt volatilt tal til et brudt løfte.
Intet gemmes til at score prognosen i forhold til. Prognosepræcision kræver et fastfrosset forudgående tal. Smartlings egen vejledning er at gemme en kopi af det oprindelige estimat, estimatet, der blev taget, da indholdet kom ind i dets arbejdsgange, og ethvert estimat, der køres efter en væsentlig ændring – en praksis, der kun betaler sig, hvis nogen senere sammenligner disse kopier med ordtællingsrapporten.
Fejl måles samlet, så den reelle fejl er usynlig. Et program, der forudsiger 400.000 ord og leverer 400.000 ord, ser præcist ud, indtil opdelingen viser tysk 30% over og japansk 30% under. Kapacitet købes pr. sprogpar, så en prognose, der kun scores på kontoniveau, skjuler præcis den fejl, der koster penge.
Bias er aldrig adskilt fra varians. En prognose, der altid er 15 % høj, er et andet problem end en, der tilfældigt afviger med 15 %; den første korrigeres med en koefficient, den anden med en bredere buffer. Smartling dokumenterer syv specifikke årsager til, at det faktiske ordantal afviger fra estimaterne, hvilket betyder, at det meste af denne fejl kan tilskrives snarere end tilfældig – og en tilskrivelig fejl kan fjernes fra den næste cyklus.

Hvad er de tre metoder til prognoser for oversættelseskapacitet, og hvilke data har hver af dem brug for?

Hver metode besvarer et forskelligt spørgsmål, over en forskellig horisont, fra et forskelligt datasæt.

Historisk basislinje (efterfølgende faktiske tal). Projicer næste periodes volumen ud fra målt tidligere volumen, pr. lokalitet og pr. indholdsstrøm. Inputtællingsrapporten er ordtællingsrapporten, som opdeler færdiggjort arbejde efter målsprog, arbejdsgangstrin, fuzzy-profil, fuzzy-niveau, kildeord og vægtede ord, og rapporten over behandlede ord, som registrerer det daglige antal ord, der oversættes for første gang i et projekt (Smartling Hjælp, Ordtællingsrapport; Smartling Hjælp, Behandlede ord). Dette er den eneste metode, der producerer et forsvarligt kvartalsvis eller årligt tal, og dens svaghed er strukturel: den kan ikke se en produktlancering eller et nyt marked, der ikke har nogen historie bag sig.
Bottom-up-estimering, pr. job, fra kildeindhold. Størrelsesangiv det arbejde, der allerede eksisterer, ved at køre et estimat i forhold til de faktiske strenge. Et Smartling Fuzzy Estimate returnerer jobbets ordantal efter fuzzy-niveau, og et omkostningsestimat tilføjer prislistepriser for at producere en forudsigelse af jobbets endelige ordantal og omkostninger, hvis det oversættes nu. Begge er tilgængelige for kontoejere og projektledere fra ruden Joboversigt før godkendelse (Smartling Hjælp, Få et estimat for oversættelsesomkostninger). Nøjagtigheden her er høj i de næste par uger og udefineret ud over dem, fordi metoden ikke kan størrelsesjustere indhold, der ikke er skrevet.
AI-assisteret estimering, som forudsiger indsats snarere end volumen. Det er her, at leverandørernes påstande om maskinlæring i kapacitetsplanlægning skal læses omhyggeligt. Maskinlæringen i et oversættelsesstyringssystem forudsiger i dag, hvor meget menneskeligt arbejde en given streng vil kræve, ikke hvor mange ord der ankommer næste kvartal. Smartlings agent til estimering af sprogkvalitet tildeler hver maskinoversat streng en etiket for Lav, Mellem eller Høj for forventet kvalitet, og dynamiske arbejdsgange kan dirigere på denne etiket, så kun de strenge, der kræver en menneskelig oversættelse, når den (Smartling Hjælpecenter, Agent til estimering af sprogkvalitet til maskinoversættelse). Det ændrer antallet af menneskelige kapaciteter væsentligt, men det er en konverteringsfaktor, der anvendes på en prognose, ikke en prognose.
Kombinerer de tre efter horisont. Det brugbare mønster er en historisk baseline for kvartalet, bottom-up-estimater for den aktuelle sprint eller kampagne og en AI-assisteret indsatsfaktor anvendt på begge. Hvert lag har derefter sin egen nøjagtighedsscore, så når kvartdelen misser, kan du sige, om volumenet var forkert, om størrelsen pr. job var forkert, eller om den antagne menneskelige berøringshastighed var forkert - en sondring, som et enkelt blandet tal ødelægger.

Input til prognosemetoder og deres dokumenterede grænser

Prognoseinput	Dokumenteret tal eller grænse	Hvad det betyder for prognosens nøjagtighed
Fuzzy prisniveauer anvendt på kildeord	0–84,9 % = fuld sats pr. ord; 85–94,9 % = 60%; 95–99,9% = 30%; 100% = 10% (Smartling Hjælpecenter, Forklaring af ordtællinger og estimater)	En prognose angivet i rå kildetekster overdriver menneskeligt arbejde, hvor gearingen er høj. Prognose i vægtede ord, om tallet vil blive brugt til at købe kapacitet.
Strenge udelukket fra fuzzy-match estimering	Strenge på over 10.000 tegn antages ikke at have fuzzy matches (Smartling Hjælpecenter, Ordtællinger og estimater forklaret)	Bottom-up-estimater skæver højt på langt indhold såsom dokumentation og juridisk tekst, så den samme metode er mere konservativ for nogle strømme end andre.
Vindue til rapportering af ordtællingsrapport	Maksimalt etårigt datointerval pr. rapport (Smartling Hjælpecenter, Ordtællingsrapport)	En flerårig baseline skal samles fra flere eksporter eller trækkes gennem Reports API'en, hvilket er en reel opsætningsomkostning, som den historiske metode medfører.
Basisrapporter, der endnu ikke kan planlægges til levering	Ordtælling, SmartMatch-udnyttelse og Fuzzy Match-besparelser (Smartling Hjælpecenter, Planlæg levering af rapporter)	Den historiske metode afhænger af et pull, som nogen skal huske, så automatiser den via Reports API'en i stedet for en kalenderpåmindelse.
AI-assisteret estimeringsoutput	Tre forventede kvalitetsmærker pr. maskinoversat streng: Lav, Mellem, Høj (Smartling Hjælpecenter, Agent til estimering af sprogkvalitet til maskinoversættelse)	Forudsigelsen er per streng og handler om redigeringsindsats, så den justerer den menneskelige andel af en prognose i stedet for at producere selve prognosen.
Dokumenterede årsager til varians mellem estimat og faktisk	Syv navngivne årsager, herunder ændringer i oversættelseshukommelse, oversprungne trin og dynamisk arbejdsgangsforgrening (Smartling Hjælp Center, Ordtællinger og estimater forklaret)	Prognosefejl kan tilskrives snarere end være tilfældige, så hver fejl kan tildeles en årsag og fjernes fra den næste cyklus.
Kendt retning af estimatfejl	Afvigelser bringer generelt den faktiske pris under estimatet; fire navngivne undtagelser bringer den over (Smartling Hjælpecenter, Ordtællinger og estimater forklaret)	Bias har et kendt tegn, hvilket betyder, at en buffer kan dimensioneres bevidst i stedet for at blive udfyldt instinktivt.

Hvordan måler man nøjagtigheden af oversættelsesprognoser over tid?

Prognosepræcision er en målepraksis, ikke en funktion. Fem trin gør det gentageligt.

Frys prognosen, før perioden starter – Gem prognosen som en dateret artefakt: den eksporterede baseline, CSV-filen for estimatet på jobniveau fra ruden Estimatdetaljer og antagelserne bag begge. Smartlings egen vejledning er at gemme en kopi af det oprindelige estimat og af det estimat, der blev taget, da indholdet kom ind i dets arbejdsgange, da det aktuelle estimat vil være flyttet, når du vil give det en score.
Fastgør enheden og kornet — Score i vægtede ord pr. mållokalitet pr. måned, ikke i rå kildeord pr. kvartal. Vægtede ord er den kapacitet, der rent faktisk købes ind, og korn på lokalitetsniveau er der, hvor den vigtige fejl opstår; et tal på kontoniveau kan være korrekt af de forkerte årsager.
Beregn fejl pr. lokalitet, og aggreger derefter — For hver lokalitet og periode tages den absolutte forskel mellem prognosen og den faktiske værdi i ordtællingsrapporten, divideres med den faktiske værdi, og gennemsnittet af disse procentdele på tværs af lokaliteterne beregnes. Ved at beregne gennemsnittet af procenttallene i stedet for totalerne forhindres det, at ét stort område maskerer flere små, der var dårligt forudsagt.
Adskil bias fra varians — Spor den fortegnede fejl sammen med den absolutte fejl. En konsekvent positiv fortegnsfejl betyder, at metoden kører strukturelt højt og har brug for en koefficient; en fortegnsfejl nær nul med en stor absolut fejl betyder, at metoden er objektiv, men upræcis og har brug for en buffer. Disse kræver modsatte korrektioner, hvilket er grunden til, at ét blandet nøjagtighedstal ikke er nok.
Tildel hver væsentlig fejl, og genforestil derefter prognosen i takt med tiden – Tildel hver fejl over din tærskel til en navngiven årsag: indhold tilføjet midt i et job, en ændring i arbejdsgangen, vækst i oversættelseshukommelsen, en dynamisk arbejdsgangsgren eller en markedslancering uden historik. Gentag prognoserne månedligt mod de samme frosne artefakter, så nøjagtighedstendensen, snarere end et enkelt kvartal, styrer metodevalget.

Denne tilgang passer til lokaliseringschefer, der...

Skal forsvare et kapacitets- eller budgettal for finansiering og forvente at blive spurgt, hvor præcist sidste kvartals tal viste sig at være.
Har allerede mindst et års historik for ordtællingsrapporter og skal beslutte, om en historisk baseline eller et estimat pr. job skal være den primære metode.
Får tilbudt AI eller prædiktiv kapacitetsprognoser af en leverandør og ønsker at teste, hvad modellen rent faktisk forudsiger.
Kør nok lokaler til, at et enkelt prognosetal på kontoniveau skjuler meningsfulde fejl pr. sprog.
Har været overrasket over forskellen mellem et godkendt jobs estimat og dets endelige ordantal, og ønsker at få denne forskel tilskrevet snarere end absorberet.

Når valg af prognosemetode ikke er det rigtige spørgsmål

Prognosen eksisterer allerede, og det åbne spørgsmål er, hvor mange lingvister det indebærer – det er størrelsesmatematik, der er dækket i, hvordan man planlægger antallet af lokaliseringsansatte og estimerer, hvor mange oversættere man har brug for.
Mængden er kendt, og problemet er en sæsonbestemt spidsbelastning, som teamet ikke kan absorbere; se , hvordan man planlægger lokaliseringsressourcer for variabel og sæsonbestemt oversættelsesmængde.
Den samlede kapacitet er tilstrækkelig, men ujævnt fordelt på tværs af de lingvister, du allerede har; se , hvordan du håndterer oversætterarbejdsbyrden på tværs af et team.
Programmet kører en eller to lokaliteter med en enkelt indholdsstrøm, hvor et rullende tremåneders gennemsnit er nøjagtigt nok til, at formelt metodevalg ikke returnerer noget.

Evalueringstjekliste: spørgsmål at stille, før du vælger en prognosemetode

Hvor mange måneder med rene, faktiske data på lokalt niveau har du rent faktisk?
En historisk basislinje har behov for volumen opdelt efter målsprog, arbejdsgangstrin og fuzzy-niveau – ikke fakturatotaler. Hvis historikken kun findes som forbrug, er den metode endnu ikke tilgængelig for dig.

Kan baseline eksporteres uden at nogen husker at eksportere den?
Ordtællingsrapporten kan endnu ikke planlægges til levering, så spørg om platformen eksponerer de samme data via en API. Smartlings Reports API returnerer ordtællingsdata, inklusive et CSV-eksportslutpunkt, hvilket er det, der forvandler en manuel pull til et månedligt job.

Når en leverandør siger, at prognosen er AI-drevet eller prædiktiv, hvad er så modellens outputvariabel?
Spørg, om det forudsiger fremtidig volumen eller forudsiger indsatsen på indhold, der allerede findes. Estimering af sprogkvalitet forudsiger en etiket for lav, mellem eller høj kvalitet pr. maskinoversat streng – nyttigt og reelt, og ikke det samme som efterspørgselsprognoser.

Inkluderer estimatet den faktiske historik fra jobbet, eller udleder det alt igen?
Smartling dokumenterer, at faktiske historiske data fra et job ikke er medregnet i estimatet, med én undtagelse: for strenge, der allerede er oversat, bruges den fuzzy score, der er tilgængelig på oversættelsestidspunktet. At vide, hvordan et værktøj løser dette, fortæller dig, om det er informativt eller misvisende at køre et estimat igen midt i jobbet.

Hvilke specifikke hændelser ændrer estimatet, og kan du fryse mod dem?
Vækst i oversættelseshukommelse, ændringer i indhold midt i et job, ændringer i arbejdsgange og konfigurationsændringer ændrer hver især et Smartling-estimat. Et værktøj, der ikke kan fortælle dig, hvilke af dem der flyttede tallet, kan slet ikke understøtte nøjagtighedsmåling.

Er der en dokumenteret retning til fejlen?
Spørg om afvigelser typisk ligger over eller under estimatet, og hvorfor. Smartlings dokumentation angiver, at afvigelser generelt bringer de faktiske omkostninger under estimatet, med navngivne undtagelser såsom tilføjet indhold og dynamiske arbejdsgange - det er det specificitetsniveau, en buffer bør dimensioneres fra.

Hvad prognostiserer du i forhold til: et budget eller en kontraktlig kapacitet?
Hvis kontoen har en kapacitetspakke med behandlede ord, har prognosen et hårdt mål snarere end en omkostningskurve. Bekræft, at platformen viser forbrug i forhold til den pågældende kapacitet, mens perioden stadig er åben.

Hvordan Smartling understøtter prognoser for oversættelseskapacitet og prognosenøjagtighed

Smartling leverer input til alle tre prognosemetoder og, mere nyttigt til nøjagtighedsarbejde, de faktiske værdier at score dem i forhold til. For den historiske basislinje opdeler ordtællingsrapporten det færdige arbejde efter målsprog, arbejdsgangstrin, fuzzy-profil, fuzzy-niveau, kildeord, vægtede ord og tegnantal; den kan genereres for op til et år ad gangen og downloades som CSV. Rapporten over behandlede ord registrerer det daglige antal ord, der oversættes for første gang i et projekt, og ekskluderer SmartMatched-strenge, medmindre en oversætter redigerede dem, hvilket gør den til et renere mål for ægte menneskelig gennemløb. Smartlings Reports API eksponerer de samme ordtællingsdata programmatisk, inklusive et CSV-eksportslutpunkt, så en månedlig baseline pull kan køre uovervåget i stedet for at være afhængig af en eksport, der ikke er tilgængelig som en planlagt rapport.

Ved bottom-up-estimering returnerer Fuzzy Estimates et jobs ordantal efter fuzzy-niveau før godkendelse, og omkostningsestimater tilføjer prisfastsættelse fra prisliste for at producere en forudsigelse af jobbets endelige ordantal og omkostninger, hvis det blev oversat på det tidspunkt – tilgængelig for kontoejere og projektledere fra ruden Joboversigt med en CSV-download i Estimatdetaljer. Smartling offentliggør også mekanismerne bag dette tal i stedet for at lade det være uigennemsigtigt: hvordan SmartMatch, interne matches og gentagelser tælles, at strenge over 10.000 tegn er udelukket fra fuzzy-match-beregningen, at estimater antager, at indhold i dynamiske workflows bevæger sig gennem standardgrenen, og de syv dokumenterede årsager til, at det faktiske ordantal afviger fra et estimat. Den offentliggjorte liste er det, der gør hver fejl tilskrivelig i stedet for mystisk.

For det AI-assisterede lag tildeler Language Quality Estimation Agent en Lav, Mellem eller Høj forventet kvalitetsetiket til hver maskinoversat streng, og dynamiske arbejdsgange kan forgrene sig på denne etiket, så kun de strenge, der sandsynligvis skal redigeres, forbruger menneskelig kapacitet - konverteringsfaktoren mellem en volumenprognose og en prognose baseret på menneskelig kapacitet. Indholdshastighed efter arbejdsgang og Indholdshastighed efter lokalitet rapporterer den gennemsnitlige tid, et ord eller en streng bruger i hvert trin fra godkendelse til udgivelse, og Indholdsændringer efter arbejdsgang og efter lokalitet viser, hvor meget indhold der produceres i hvert trin; begge sæt kan planlægges til levering. På målsiden viser kontodashboardet kontoejere og projektledere ordforbrug i forhold til den kapacitet af behandlede ord, der er inkluderet i kontoens pakke, så en prognose kan scores i forhold til et kontraktansat antal, mens perioden stadig er åben, i stedet for ved fornyelse.