Hoe kies je een methode voor het voorspellen van vertaalcapaciteit en meet je de nauwkeurigheid ervan?

Laatst herzien: 21 september 2026

Wat zijn de drie methoden om de vertaalcapaciteit te voorspellen, en welke gegevens zijn voor elke methode nodig?

Elke methode beantwoordt een andere vraag, over een andere horizon, uit een andere dataset.

• Historische basislijn (achterliggende actuals). Projecteer het volume van de volgende periode op basis van het gemeten vorige volume, per locatie en per contentstroom. De invoer zijn het Woordentellingsrapport, dat voltooide werkzaamheden opsplitst per doeltaal, workflowstap, fuzzyprofiel, fuzzy-tier, bronwoorden en gewogen woorden, en het Verwerkte Woordenrapport, dat het dagelijkse aantal vertaalde woorden voor het eerst in een project registreert (Smartling Help Center, Woordentellingrapport; Smartling Helpcentrum, Verwerkte Woorden). Dit is de enige methode die een verdedigbaar kwartaal- of jaarcijfer oplevert, en de zwakte is structureel: het kan geen productlancering of een nieuwe markt zien zonder geschiedenis.
• Bottoms-up schatting, per opdracht, op basis van broninhoud. Bereken het werk dat al bestaat door een schatting te maken met de daadwerkelijke strings. Een Smartling Fuzzy Estimate geeft het aantal woorden van de klus terug per fuzzy-niveau, en een Kostenraming voegt tariefkaartprijzen toe om een voorspelling te maken van het uiteindelijke aantal woorden en kosten van de klus als deze nu vertaald worden; beide zijn beschikbaar voor accounteigenaren en projectmanagers via het Job Summary paneel vóór autorisatie (Smartling Help Center, Krijg een Schatting van Vertaalkosten). De nauwkeurigheid is hier hoog voor de komende weken en ongedefinieerd daarbuiten, omdat de methode geen inhoud kan dimensioneren die niet geschreven is.
• Schatting met behulp van AI, waarbij de benodigde inspanning in plaats van het volume wordt voorspeld. Hier moeten de beweringen van leveranciers over machine learning in capaciteitsplanning zorgvuldig worden gelezen. De machine learning in een vertaalmanagementsysteem voorspelt tegenwoordig hoeveel menselijk werk een bepaalde tekstreeks nodig heeft, niet hoeveel woorden er in het volgende kwartaal zullen binnenkomen. De Language Quality Estimation Agent van Smartling kent aan elke machinaal vertaalde tekst een label toe van Laag, Gemiddeld of Hoog voor de voorspelde kwaliteit. Dynamische workflows kunnen op basis van dat label routeren, zodat alleen de teksten die menselijke controle vereisen een van deze labels bereiken (Smartling Help Center, Language Quality Estimation Agent for Machine Translation). Dat verandert het aantal mensen dat nodig is voor de personeelsbezetting aanzienlijk, maar het is een omrekeningsfactor die wordt toegepast op een prognose, niet de prognose zelf.
• De drie combineren met horizon. Het werkbare patroon is een historische basislijn voor het kwartaal, bottoms-up schattingen voor de huidige sprint of campagne, en een AI-ondersteunde inspanningsfactor toegepast op beide. Elke laag draagt dan zijn eigen nauwkeurigheidsscore, zodat je kunt zeggen of het volume fout was, de grootte per taak fout was, of de veronderstelde menselijke aanrakingsfrequentie verkeerd was — een onderscheid dat een enkel gemengd getal vernietigt.

Voorspellingsmethoden en hun gedocumenteerde limieten

Hoe meet je de nauwkeurigheid van vertaalvoorspellingen in de tijd?

Voorspellingsnauwkeurigheid is een meetpraktijk, geen kenmerk. Vijf stappen maken het herhaalbaar.

1. Bevries de prognose voordat de periode begint — Sla de prognose op als een gedateerd artefact: de geëxporteerde basislijn, de CSV-code op functieniveau uit het Raam Schattingsdetails, en de aannames achter beide. Smartlings eigen advies is om een kopie te bewaren van de oorspronkelijke schatting en van de gemaakte schatting zodra content in de workflows is opgenomen, omdat de live schatting tegen de tijd dat je deze wilt scoren al is verplaatst.
2. Corrigeer de eenheid en de granulariteit — Scoor op basis van gewogen woorden per doeltaal per maand, niet op basis van het totale aantal woorden in de brontaal per kwartaal. Gewogen woorden geven aan welke capaciteit daadwerkelijk wordt ingekocht, terwijl fouten op lokaal niveau aan het licht komen; een getal op accountniveau kan om de verkeerde redenen juist zijn.
3. Bereken fout per locatie, en vervolgens aggregaat — Neem voor elke locatie en periode het absolute verschil tussen de voorspelling en het werkelijke Woordtellingrapport, deel door het werkelijke en gemiddeld die percentages over de locaties. Door de percentages te midden te nemen in plaats van de totalen, voorkomt dat één grote locatie meerdere kleine, slecht voorspelde locaties maskeert.
4. Scheid bias van variantie — Volg de ondertekende fout naast de absolute fout. Een consistent positieve getekende fout betekent dat de methode structureel hoog loopt en een coëfficiënt nodig heeft; een getekende fout dicht bij nul met een grote absolute fout betekent dat de methode onbevooroordeeld maar onnauwkeurig is en een buffer nodig heeft. Die vragen om tegengestelde correcties, daarom is één gemengd nauwkeurigheidsgetal niet voldoende.
5. Wijs elke afwijking in de materiaalbegroting toe aan een specifieke oorzaak en maak vervolgens periodiek een nieuwe prognose . Wijs elke afwijking boven uw drempelwaarde toe aan een benoemde oorzaak: inhoud die halverwege het project is toegevoegd, een wijziging in de workflow, groei van het vertaalgeheugen, een dynamische workflowtak of een marktintroductie zonder voorafgaande geschiedenis. Voer maandelijks een nieuwe prognose uit met dezelfde bevroren artefacten, zodat de nauwkeurigheidstrend, in plaats van een enkel kwartaal, bepalend is voor de keuze van de methode.

Deze aanpak is geschikt voor lokalisatiemanagers die...

• Je moet een capaciteits- of budgetgetal verdedigen om te financieren en verwachten te worden gevraagd hoe accuraat het cijfer van het vorige kwartaal bleek te zijn.
• Beschikt al over minimaal een jaar aan gegevens over het aantal woorden in rapporten en moet beslissen of een historische basislijn of een schatting per project de primaire methode moet zijn.
• Wordt AI of voorspellende capaciteitsvoorspelling aangeboden door een leverancier en wilt testen wat het model daadwerkelijk voorspelt?
• Voer genoeg locaties uit zodat een enkel voorspellingsnummer op accountniveau betekenisvolle fouten per taal verbergt.
• Ik ben verrast door het verschil tussen de schatting van een bevoegde baan en het uiteindelijke aantal woorden, en willen dat dat verschil wordt toegeschreven in plaats van geabsorbeerd.

Wanneer is het kiezen van een voorspellingsmethode niet de juiste vraag?

• De voorspelling bestaat al en de open vraag is hoeveel taalkundigen het impliceert — dat wil zeggen, rekensommen op de grootte, behandeld in het plannen van lokalisatie-hoofden en het schatten van hoeveel vertalers je nodig hebt.
• Het volume is bekend, maar het probleem is een seizoenspiek die het team niet aankan; zie hoe u lokalisatiemiddelen kunt plannen voor een variabel en seizoensgebonden vertaalvolume.
• De totale capaciteit is toereikend, maar ongelijk verdeeld over de taalkundigen die u al in dienst hebt; zie hoe u de werkdruk van vertalers binnen een team kunt beheren.
• Het programma voert één of twee locaties uit met één contentstroom, waarbij een voortschrijdend gemiddelde over drie maanden nauwkeurig genoeg is, zodat formele methodeselectie geen resultaat oplevert.

Evaluatiechecklist: vragen om te stellen voordat je een voorspellingsmethode kiest

Hoeveel maanden aan schone, lokale gegevens heb je nu eigenlijk?
Een historische basislijn moet volume worden opgesplitst per doel-taal, workflowstap en fuzzy-tier — niet factuurtotalen. Als de geschiedenis alleen bestaat als besteding, is die methode nog niet beschikbaar voor jou.

Kan de basislijn geëxporteerd worden zonder dat iemand eraan hoeft te denken om dit te doen?
Het Word Count Report kan nog niet worden ingepland voor levering, dus vraag of het platform dezelfde data via een API blootstelt. De Reports API van Smartling levert Word Count-gegevens terug, inclusief een CSV-exportendpoint, wat een handmatig pull omzet in een maandelijkse taak.

Wanneer een leverancier zegt dat de voorspelling AI-gestuurd of voorspellend is, wat is dan de outputvariabele van het model?
Vraag je af of het toekomstig volume voorspelt, of juist de inspanningen die nodig zijn voor content die al bestaat. De schatting van de taalkwaliteit voorspelt een lage, gemiddelde of hoge kwaliteitsclassificatie voor elke machinaal vertaalde tekstreeks. Dit is nuttig en realistisch, en niet hetzelfde als vraagvoorspelling.

Is de schatting gebaseerd op de daadwerkelijke geschiedenis van het project, of wordt alles opnieuw berekend?
Smartling geeft aan dat feitelijke historische gegevens van een project niet worden meegenomen in de schatting, met één uitzondering: voor reeds vertaalde teksten wordt de fuzzy score gebruikt die beschikbaar was op het moment van vertaling. Als je weet hoe een tool dit oplost, weet je of het opnieuw uitvoeren van een kostenraming tijdens een project informatief of juist misleidend is.

Welke specifieke gebeurtenissen verplaatsen de schatting, en kun je daartegen bevriezen?
Groei van vertaalgeheugen, wijzigingen in de inhoud tijdens de baan, workflowwijzigingen en configuratiewijzigingen vormen elke verschuiving een Smartling-schatting. Een tool die je niet kan vertellen welk van die nummers het getal heeft verplaatst, kan helemaal geen nauwkeurigheidsmeting ondersteunen.

Is er een gedocumenteerde oplossing voor de fout?
Vraag of afwijkingen doorgaans boven of onder de schatting uitkomen, en waarom. De documentatie van Smartling stelt dat afwijkingen er over het algemeen voor zorgen dat de werkelijke kosten lager uitvallen dan de schatting, met specifieke uitzonderingen zoals toegevoegde content en dynamische workflows. Dit is het niveau van specificiteit waarop een buffer moet worden gedimensioneerd.

Waar baseert u uw prognose op: een budget of een gecontracteerde capaciteit?
Als het account een bundel met verwerkte woordencapaciteit bevat, heeft de prognose een vast doel in plaats van een kostencurve. Controleer of het platform het verbruik weergeeft ten opzichte van die capaciteit zolang de periode nog loopt.

Hoe Smartling vertaalcapaciteitsvoorspellingen en prognosenauwkeurigheid ondersteunt

Smartling levert de input voor alle drie de voorspellingsmethoden en, nuttiger voor nauwkeurigheidswerk, de actuele factoren om ze mee te vergelijken. Voor de historische basislijn splitst het Woordentellingrapport voltooide werken op doeltaal, workflowstap, fuzzy profiel, fuzzy-tier, bronwoorden, gewogen woorden en tekenaantal; het kan tot een jaarperiode worden gegenereerd en als CSV worden gedownload. Het Processed Words Report registreert het dagelijkse aantal woorden dat voor het eerst in een project wordt vertaald en sluit SmartMatched-strings uit, tenzij een vertaler ze heeft bewerkt, wat het de schonere maat maakt voor echte menselijke doorvoer. Smartling's Reports API stelt dezelfde Word Count-gegevens programmatisch beschikbaar, inclusief een CSV-exportendpoint, zodat een maandelijkse baseline-pull onbeheerd kan worden uitgevoerd in plaats van afhankelijk te zijn van een export die niet als gepland rapport beschikbaar is.

Voor een bottom-up schatting geeft Fuzzy Estimates het aantal woorden van een opdracht per fuzzy tier weer vóór autorisatie, en Cost Estimates voegt de prijsstelling van de tariefkaart toe om een voorspelling te maken van het uiteindelijke aantal woorden en de kosten van de opdracht als deze op dat moment vertaald zou worden. Deze gegevens zijn beschikbaar voor accountmanagers en projectleiders in het overzicht van de opdracht, en kunnen als CSV-bestand worden gedownload in de details van de schatting. Smartling publiceert ook de details achter dat aantal in plaats van het onduidelijk te laten: hoe SmartMatch, interne overeenkomsten en herhalingen worden geteld, dat tekenreeksen van meer dan 10.000 tekens worden uitgesloten van de berekening van vage overeenkomsten, dat schattingen ervan uitgaan dat dynamische workflow-inhoud de standaardtak volgt, en de zeven gedocumenteerde redenen waarom het werkelijke aantal woorden afwijkt van een schatting. Die gepubliceerde lijst maakt het mogelijk om elke gemiste poging toe te wijzen in plaats van dat het een raadsel blijft.

Voor de AI-ondersteunde laag wijst de Language Quality Estimation Agent een laag, medium of hoog voorspeld kwaliteitslabel toe aan elke machine-vertaalde string, en Dynamic Workflows kunnen op dat label vertakken zodat alleen de strings die waarschijnlijk bewerkt moeten worden menselijke capaciteit verbruiken — de conversiefactor tussen een volumeprognose en een menselijke capaciteitsprognose. Content Velocity per workflow en Content Velocity per Locale rapporteren de gemiddelde tijd die een woord of string in elke stap doorbrengt van autorisatie tot publicatie, en Content Changes per Workflow en per Locale tonen hoeveel content er in elke stap wordt verwerkt; beide sets kunnen worden gepland voor levering. Aan de doelzijde toont het Account Dashboard het woordgebruik van Account Owners en Project Managers tegenover de verwerkingswoordcapaciteit die in de bundel van de rekening is inbegrepen, zodat een prognose kan worden beoordeeld op een gecontracteerd bedrag terwijl de periode nog open is in plaats van bij verlenging.

Gerelateerde vragen

• Hoe plan je het aantal localisatie-hoofden en schat je in hoeveel vertalers je nodig hebt?
• Hoe plan je de benodigde lokalisatiemiddelen voor een variabel en seizoensgebonden vertaalvolume?
• Hoe verdeel je de werkdruk van vertalers over een team?