> Průběžné zlepšování procesů > Zákaznický servis > Genesys Cloud CX > Datová šablona

Datová šablona pro zákaznický servis

Genesys Cloud CX

Atributy zákaznického servisu(19) Aktivity zákaznického servisu(13) Návody k extrakci dat(3)

Datová šablona pro zákaznický servis

Tato šablona vám pomůže shromáždit potřebná data pro analýzu a optimalizaci procesu zákaznického servisu. Obsahuje doporučené atributy, důležité aktivity, které je vhodné sledovat, a praktické pokyny k získání těchto údajů ze zdrojových systémů. Využijte ji k vytvoření kvalitního záznamu událostí pro process mining.

Doporučené atributy ke sběru
Aktivity, které je vhodné sledovat
Pokyny k extrakci dat

Pracujete se záznamy událostí poprvé? Přečtěte si, jak vytvořit záznam událostí pro process mining.

Stáhnout šablonu

Atributy zákaznického servisu

Toto jsou doporučená datová pole, která zahrňte do záznamu událostí pro podrobnou analýzu zákaznického servisu.

5 Povinné 6 Doporučené 8 Volitelné

	Název	Popis
	Čas zahájení EventTime	Časové razítko označující, kdy činnost nebo událost začala.
Popis Tento atribut uvádí přesné datum a čas každé činnosti. Je nezbytný pro správné seřazení událostí i pro veškeré časové analýzy. Čas zahájení slouží k sestavení chronologického průběhu procesu a k výpočtu délky trvání, čekání a doby cyklu mezi jednotlivými činnostmi. Přesná časová razítka jsou důležitá pro spolehlivou analýzu procesu a sledování jeho výkonnosti. Proč je to důležité Toto časové razítko řadí všechny činnosti chronologicky, takže lze přesně analyzovat průběh procesu, jeho délku i úzká místa. Kde data získat Najdete jej v záznamech událostí nebo podrobnostech interakcí v Genesys Cloud CX. Často se uvádí u každé zaznamenané systémové události nebo události vyvolané uživatelem. Příklady 2024-05-21T10:00:15Z2024-05-21T10:02:30Z2024-05-21T10:15:00Z
	Název činnosti ActivityName	Název konkrétní události nebo úkolu, ke kterému v určitém okamžiku během vyřizování požadavku došlo.
Popis Tento atribut popisuje konkrétní krok nebo změnu stavu v procesu zákaznické podpory. Každá činnost představuje samostatnou událost, například „Přijetí interakce agentem“ nebo „Přiřazení kódu ukončení“. Analýza pořadí a četnosti těchto činností je základem process mining. Pomáhá zobrazit průběh procesu, odhalit odchylky a určit úzká místa nebo neefektivní kroky. Proč je to důležité Činnosti tvoří základ mapy procesu a umožňují zobrazit a analyzovat skutečný průběh procesu ve srovnání s navrženým postupem. Kde data získat Obvykle se získává mapováním systémových událostí, stavů agentů nebo konkrétních položek auditní stopy v Genesys Cloud CX na standardizované názvy činností. Příklady Zahájení interakcePřijetí interakce agentemUkončení práce po hovoruOpětovné otevření požadavku
	Požadavek zákazníka ServiceRequest	Hlavní identifikátor interakce se zákaznickou podporou, který propojuje všechny související činnosti.
Popis Service Request, označovaný také jako Ticket nebo Case, je hlavním identifikátorem jednoho dotazu či problému zákazníka. Sdružuje všechny související události od prvního kontaktu až po konečné vyřešení do jedné instance procesu. Analýza podle Service Request poskytuje úplný přehled o cestě zákazníka i o interním vyřizování požadavku. Slouží jako základ pro výpočet důležitých ukazatelů, například celkové doby vyřízení a podílu vyřešení při prvním kontaktu. Proč je to důležité Jde o hlavní ID případu, které propojuje všechny kroky procesu a umožňuje analyzovat každou interakci se zákazníkem od začátku do konce. Kde data získat Jde o koncepční identifikátor případu. V Genesys obvykle odpovídá Conversation ID, podle konkrétní implementace však může jít o vlastní identifikátor. Příklady SR-20240521-00123SR-20240521-00124SR-20240522-00001
	Poslední aktualizace dat LastDataUpdate	Časové razítko poslední aktualizace dat.
Popis Tento atribut uvádí, kdy byla datová sada naposledy aktualizována ze zdrojového systému. Pomáhá posoudit aktuálnost analyzovaných dat, která je důležitá pro včasná a relevantní obchodní rozhodnutí. Tuto informaci zobrazujte výrazně na dashboardech a v reportech, aby uživatelé věděli, jak aktuální data jsou, a mohli posoudit, nakolik jsou zjištěné poznatky spolehlivé. Proč je to důležité Udává aktuálnost dat, takže analýzy a rozhodnutí vycházejí z nejnovějších informací. Kde data získat Tato hodnota se vytvoří a zapíše do datové sady při extrakci dat nebo jejich načtení do nástroje process mining. Příklady 2024-05-23T04:00:00Z2024-05-24T04:00:00Z
	Zdrojový systém SourceSystem	Systém, ze kterého byla data získána.
Popis Tento atribut označuje zdrojový systém dat o událostech, v tomto případě Genesys Cloud CX. V prostředí s více propojenými systémy je důležitý pro sledování původu dat, řešení problémů a pochopení jejich kontextu. Pomáhá ověřit, že analýza vychází ze správného zdroje, a umožňuje filtrovat nebo rozdělit data, pokud do jednoho pohledu na proces přispívá více systémů. Proč je to důležité Označuje původ dat, což je důležité pro správu a ověřování dat i pro slučování dat z více systémů. Kde data získat Obvykle jde o statickou hodnotu, která se přidává při exportu a transformaci dat, aby označila původ záznamů. Příklady Genesys Cloud CXGenesysCloudCX_US1Genesys
	Čas ukončení EventEndTime	Časová značka udávající, kdy aktivita nebo událost skončila.
Popis Tento atribut zaznamenává přesný okamžik, kdy aktivita skončí. V kombinaci s časem zahájení umožňuje přesně vypočítat dobu trvání každé aktivity. Analýza délky aktivit ukáže, které kroky procesu zaberou nejvíce času, a pomůže odhalit neefektivitu a možnosti zlepšení. Může například upozornit na dlouhé čekání při aktivitě „Interakce pozastavena“ nebo na příliš dlouhou dobu práce po hovoru. Proč je to důležité Umožňuje přesně vypočítat dobu trvání jednotlivých aktivit. To je důležité při hledání časově náročných kroků a úzkých míst ve výkonnosti. Kde data získat Najdete ho v záznamech událostí nebo v podrobnostech interakce v Genesys Cloud CX. Lze ho také odvodit z času zahájení následující události. Příklady 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	ID agenta AgentId	Jedinečný identifikátor agenta, který vyřizoval interakci nebo aktivitu.
Popis ID agenta je jedinečný klíč každého pracovníka zákaznického servisu. Tento atribut je nezbytný pro analýzu výkonu agentů, rozložení pracovní zátěže a efektivity. Umožňuje filtrovat mapu procesu a zjistit, jak konkrétní agenti nebo týmy vyřizují požadavky. Můžete porovnávat například dobu vyřešení, míru opakované práce a dodržování standardních postupů. Atribut tvoří základ dashboardu „Výkon a efektivita agentů“. Proč je to důležité Propojuje aktivity procesu s konkrétními zaměstnanci a umožňuje analyzovat individuální výkon, pracovní zátěž i efektivitu týmu. Kde data získat Je k dispozici v podrobných záznamech konverzací Genesys Cloud CX a vztahuje se k uživateli, který vyřizoval konkrétní část interakce. Příklady a1b2c3d4-e5f6-7890-1234-567890abcdeff0e9d8c7-b6a5-4321-fedc-ba0987654321
	Jméno agenta AgentName	Celé jméno agenta, který vyřizoval interakci nebo aktivitu.
Popis Jméno agenta je srozumitelný identifikátor pracovníka zákaznického servisu, který odpovídá jeho ID. Díky tomuto atributu jsou dashboardy a reporty pro vedoucí pracovníky a týmové manažery přehlednější. V analýzách zaměřených na agenty slouží k hodnocení výkonu, zjišťování potřeb školení a spravedlivému rozdělení práce, aniž by bylo nutné dohledávat systémová ID. Proč je to důležité Zobrazuje jméno agenta, takže můžete snadno analyzovat jeho výkon a sdílet zjištění bez technických ID. Kde data získat Získává se vyhledáním AgentId ve službě Users nebo Directory v Genesys Cloud CX. Příklady Jan NovákJana NovotnáPetr Dvořák
	Kód ukončení interakce WrapUpCode	Kód, který agent přiřadí na konci interakce a označí jím její výsledek nebo téma.
Popis Kód ukončení interakce je štítek, kterým agent označí téma nebo výsledek vyřízení zákaznického požadavku. Tyto kódy poskytují strukturované údaje o důvodech, proč zákazníci kontaktují podporu. Jejich analýza pomáhá odhalit časté typy problémů, sledovat výsledky vyřízení a měřit četnost konkrétních požadavků. Údaje se hodí při hledání hlavních příčin a analýze vzorců poptávky po službách. Proč je to důležité Klasifikuje výsledek interakce a poskytuje strukturované údaje pro analýzu častých problémů, úspěšnosti řešení a důvodů kontaktu. Kde data získat Je k dispozici v podrobných záznamech konverzací Genesys Cloud CX, konkrétně v podrobnostech relace účastníků z řad agentů. Příklady Obnovení heslaVyřešený spor o fakturaciŽádost o informace o produktuPředáno podpoře 2. úrovně
	Komunikační kanál MediaType	Komunikační kanál použitý při interakci, například telefon, chat nebo e-mail.
Popis Tento atribut určuje způsob komunikace mezi zákazníkem a agentem. Mezi běžné kanály patří telefon, chat, e-mail a sociální sítě. Analýza výkonu podle kanálu, například na dashboardu „Výkon komunikačních kanálů“, pomáhá zjistit objem požadavků, dobu vyřešení a spokojenost zákazníků v jednotlivých kanálech. Tyto poznatky pomáhají upravit strategii kanálů a rozdělení zdrojů. Proč je to důležité Rozdělení procesu podle komunikačního kanálu pomáhá porozumět výkonu jednotlivých kanálů, chování zákazníků a potřebným zdrojům. Kde data získat Standardní pole v podrobných záznamech konverzací Genesys Cloud CX. Příklady telefonchate-mailzpráva
	Název fronty QueueName	Název fronty, do které byla interakce přesměrována.
Popis Tento atribut určuje konkrétní frontu, ve které interakce čekala na přiřazení agentovi. Analýza podle názvu fronty je základem dashboardu „Odhalování úzkých míst ve frontách zákaznického servisu“. Pomáhá vedoucím pracovníkům sledovat rozložení práce mezi skupinami podle dovedností nebo oblastmi služeb, měřit čekací dobu v jednotlivých frontách a odhalovat fronty s nedostatečným počtem pracovníků nebo nadměrnou zátěží. Tyto informace pomáhají lépe rozdělit zdroje a zkrátit čekání zákazníků. Proč je to důležité Ukazuje, kde požadavky čekají na přiřazení, a pomáhá tak odhalit úzká místa a analyzovat rozložení pracovní zátěže. Kde data získat Je k dispozici v podrobných záznamech konverzací Genesys Cloud CX. Každá interakce může projít jednou nebo více frontami. Příklady Podpora 1. úrovně - telefonDotazy k fakturaci - chatTechnická podpora - e-mail
	Cílová doba vyřešení podle SLA SlaTargetResolutionTime	Smluvně dohodnutá cílová doba pro vyřešení požadavku na službu.
Popis Tento atribut určuje maximální dobu povolenou k vyřešení požadavku na službu podle dohody o úrovni služeb (SLA). Skutečná doba vyřešení se porovnává s touto cílovou hodnotou. Údaj je nezbytný pro dashboard „Přehled plnění SLA“ a KPI „Míra plnění SLA“. Organizace díky němu může sledovat plnění závazků vůči zákazníkům a včas odhalit riziko jejich nedodržení. Proč je to důležité Poskytuje referenční hodnotu pro měření plnění SLA, které vypovídá o úrovni služeb i dodržování smluvních závazků. Kde data získat Může být uložen jako vlastní atribut konverzace nebo odvozen podle pravidel, která zohledňují frontu, typ zákazníka nebo typ požadavku. Příklady 86400144003600
	Doba vyřešení požadavku na službu ServiceResolutionTime	Celková doba od zahájení první interakce se zákazníkem až po konečné vyřešení požadavku.
Popis Tato metrika měří celkovou dobu vyřízení požadavku na službu, od prvního kontaktu zákazníka až po označení problému jako vyřešeného. Je důležitým ukazatelem efektivity celého procesu a zákaznické zkušenosti. Tento vypočítaný atribut je hlavním ukazatelem dashboardu „Doba vyřízení požadavku na službu“ a KPI „Průměrná doba vyřešení požadavku na službu“. Analýza rozložení hodnot pomáhá odhalit dlouho otevřené případy a systémová zpoždění. Proč je to důležité Toto KPI měří celkovou efektivitu procesu a její dopad na zákaznickou zkušenost. Kde data získat Vypočítané pole: časová značka aktivity konečného vyřešení minus časová značka aktivity prvního kontaktu se zákazníkem. Příklady 90010800172800
	Hodnocení CSAT CustomerSatisfactionScore	Hodnocení spokojenosti, které zákazník uvede v průzkumu po interakci.
Popis Customer Satisfaction Score neboli CSAT přímo měří, jak zákazník hodnotí poskytnutou službu. Obvykle se zjišťuje v průzkumu zaslaném po ukončení interakce. Analýza CSAT společně s údaji o procesu může ukázat, jak odchylky v procesu, doba vyřešení nebo konkrétní agenti ovlivňují spokojenost zákazníků. Jde o důležitý ukazatel celkové úspěšnosti procesu. Proč je to důležité Přímo měří spokojenost zákazníků a umožňuje porovnat výkon procesu s výsledky pro zákazníky. Kde data získat Tyto údaje obvykle pocházejí z modulu Quality Management v Genesys Cloud CX nebo z externího nástroje pro průzkumy integrovaného s Genesys. Příklady 5413
	ID konverzace ConversationId	Jedinečný identifikátor, který Genesys přiřazuje celé konverzaci.
Popis ID konverzace je hlavní technický klíč v Genesys Cloud CX. Sdružuje všechny související interakce, segmenty a účastníky jedné zákaznické konverzace. Jako ID případu se používá pojem „požadavek na službu“, ale ID konverzace je podkladový klíč pro načtení všech souvisejících údajů z API Genesys. Je nezbytné pro extrakci dat, spojování různých datových sad a technickou kontrolu procesních dat. Proč je to důležité Jde o hlavní technický klíč v Genesys, který je nezbytný pro extrakci dat, řešení problémů a propojení se zdrojovým systémem. Kde data získat Jde o hlavní pole v analytických nástrojích a API pro konverzace Genesys Cloud CX. Příklady d8a7c6b5-e4f3-2109-8765-fedcba098765c7b6a5d4-f3e2-1098-7654-edcbaf987654
	Je v souladu se SLA IsSlaCompliant	Příznak udávající, zda byl požadavek na službu vyřešen v cílové době SLA.
Popis Tento booleovský atribut udává, zda byl požadavek na službu vyřešen v cílovém čase. Vypočítá se porovnáním hodnot „ServiceResolutionTime“ a „SlaTargetResolutionTime“. Příznak zjednodušuje analýzu a vizualizaci na dashboardu „Přehled plnění SLA“ a slouží jako základ pro výpočet KPI „Míra plnění SLA“. Umožňuje rychle filtrovat a rozdělit případy podle toho, zda splnily SLA, a hledat společné příčiny jeho nedodržení. Proč je to důležité Zjednodušuje analýzu plnění SLA. U každého případu jasně označí, zda bylo SLA splněno, nebo porušeno, a usnadňuje hledání příčin nedodržení. Kde data získat Vypočítané pole: True, pokud ServiceResolutionTime <= SlaTargetResolutionTime, jinak False. Příklady truefalse
	Typ požadavku na službu ServiceRequestType	Klasifikace požadavku na službu, například „dotaz“, „stížnost“ nebo „technický problém“.
Popis Tento atribut třídí požadavky na službu podle jejich povahy nebo účelu. Umožňuje rozdělit analýzu a zjistit, jak se vyřizují různé typy požadavků. Postup vyřízení a doba řešení „stížnosti“ se mohou například výrazně lišit od „obecného dotazu“. Tento atribut je důležitý pro dashboardy, jako je „Analýza interní eskalace“, které ukazují, zda se některé typy požadavků eskalují častěji. Proč je to důležité Umožňuje rozdělit proces podle typu požadavku, porovnat způsob vyřízení a odhalit úzká místa nebo neefektivitu typickou pro jednotlivé typy. Kde data získat Tyto informace lze získat výběrem v IVR, volbou zákazníka ve webovém formuláři nebo přiřazením agentem. V Genesys mohou být uložené jako atribut účastníka nebo kód ukončení interakce. Příklady Dotaz k fakturaciTechnická podporaSpráva účtuStížnost na produkt
	Vyřešeno při prvním kontaktu IsFirstContactResolution	Příznak udávající, zda byl požadavek na službu vyřešen během jediné interakce.
Popis Tento booleovský atribut označuje případy vyřešené během první interakce, bez nutnosti dalšího kontaktu se zákazníkem nebo interního předání. Hodnota „true“ znamená, že požadavek byl vyřešen efektivně. Atribut slouží jako základ KPI „Míra vyřešení při prvním kontaktu“ a souvisejícího dashboardu. Analýza případů, které se při prvním kontaktu vyřešit nepodařilo, může odhalit možnosti školení agentů, vylepšení znalostní báze nebo úprav procesu. Proč je to důležité Přímo měří efektivitu a spokojenost zákazníků. Vyřešení problému hned napoprvé významně přispívá k dobré zkušenosti se službou. Kde data získat Vypočítané pole odvozené z analýzy posloupnosti událostí případu. Případ se považuje za vyřešený při prvním kontaktu (FCR), pokud byl vyřešen bez určitých mezilehlých aktivit, například předání nebo opětovného otevření. Příklady truefalse
	Znovu otevřeno IsReopened	Příznak udávající, zda byl vyřešený požadavek na službu později znovu otevřen.
Popis Tento booleovský atribut označuje požadavky na službu, které byly vyřešené nebo uzavřené, ale později se znovu staly aktivními. Opětovné otevření případu často znamená, že původní řešení nebylo účinné nebo úplné. To může vést k nespokojenosti zákazníka a další práci. Atribut se používá na dashboardu „Trendy opětovného otevírání požadavků na službu“ a pro KPI „Míra opětovného otevírání požadavků na službu“. Analýza těchto případů pomáhá odhalit příčiny neúčinných řešení. Proč je to důležité Upozorňuje na nedostatky při řešení požadavků, které mohou souviset s kvalitou řešení, opakovanou prací a špatnou zákaznickou zkušeností. Kde data získat Vypočítané pole odvozené zjištěním aktivity, která případ znovu aktivuje po aktivitě „Požadavek na službu vyřešen“. Příklady truefalse

Povinné Doporučené Volitelné

Aktivity zákaznického servisu

Toto jsou důležité kroky a milníky procesu, které zaznamenejte do záznamu událostí, aby bylo možné proces přesně objevit.

5 Doporučené 8 Volitelné

	Aktivita	Popis
	Předání interakce	Označuje situaci, kdy agent předá interakci jiné frontě nebo jinému agentovi. Může jít o přímé předání, při kterém se agent ihned odpojí, nebo o konzultované předání, kdy nejprve hovoří s příjemcem.
Proč je to důležité Tato činnost je důležitá pro KPI míry interních eskalací. Časté předávání může ukazovat na potřebu školení, nesprávné směrování nebo složitý proces. Kde data získat Událost se rozpozná v záznamech podrobností konverzace, když se po zapojení původního agenta přidá nový účastník ACD nebo další agent. Často ji spustí událost „transfer“. Zachycení Rozpozná se podle události předání v datech relace účastníka. Typ události explicit
	Přijetí interakce agentem	Označuje okamžik, kdy agent přijme nabídnutou interakci a spojí se se zákazníkem. Jde o důležitý milník, kterým začíná přímé vyřizování požadavku.
Proč je to důležité Tato činnost je důležitá pro měření vyřešení při prvním kontaktu a doby práce agenta. Označuje začátek práce agenta na požadavku. Kde data získat Údaj je dostupný v záznamech podrobností konverzace. Označuje jej změna stavu účastníka, který představuje agenta, na „connected“ a odpovídající časové razítko. Zachycení Zaznamená se, když se stav účastníka, který představuje agenta, změní na „connected“. Typ události explicit
	Přiřazení kódu ukončení	Agent přiřadí interakci předem definovaný kód ukončení neboli kód výsledku. Tím výslovně označí výsledek požadavku, například „Vyřešeno“ nebo „Předáno k řešení“.
Proč je to důležité Kódy ukončení jsou hlavním zdrojem informací o obchodním výsledku požadavku. Jsou důležité pro výpočet míry vyřešení a rozdělení případů do skupin pro analýzu. Kde data získat Jde o explicitní událost v záznamech podrobností konverzace, obvykle v datech relace účastníka, který představuje agenta. Zaznamená se kód wrapUp i časové razítko. Zachycení Zaznamená se, když agent vybere pro interakci kód ukončení. Typ události explicit
	Ukončení interakce	Tato činnost označuje konec konverzace, kdy se odpojí všichni účastníci. Často představuje technické uzavření interakce při vyřizování požadavku.
Proč je to důležité Jde o jednoznačnou koncovou událost samotné interakce. Je důležitá pro výpočet její celkové délky a často slouží jako náhradní ukazatel uzavření požadavku. Kde data získat Údaj se získává ze záznamů podrobností konverzace. Odpovídá času ukončení objektu konverzace, který se obvykle uvádí v časovém razítku conversationEnd. Zachycení Zaznamená se, když se odpojí všichni účastníci a konverzace skončí. Typ události explicit
	Zahájení interakce	Tato činnost označuje začátek interakce se zákaznickou podporou, například příchozího hovoru, chatu nebo e-mailu. Genesys Cloud CX tuto událost zaznamená při vytvoření nového objektu konverzace v systému.
Proč je to důležité Jde o hlavní počáteční událost procesu vyřízení požadavku. Je nezbytná pro výpočet celkové doby vyřízení a pochopení vzorců příchozích požadavků zákazníků. Kde data získat Událost se získává ze záznamů podrobností konverzace. Odpovídá času zahájení samotného objektu konverzace, který se obvykle uvádí v časovém razítku conversationStart. Zachycení Zaznamená se při zahájení nové konverzace v systému. Typ události explicit
	Nabídnutí interakce agentovi	K této události dojde, když systém nabídne interakci konkrétnímu agentovi. Stav agenta se změní na „alerting“, zatímco systém čeká, zda konverzaci přijme, nebo odmítne.
Proč je to důležité Tato činnost pomáhá analyzovat rychlost reakce agentů a účinnost směrovacího algoritmu. Zpoždění po tomto okamžiku může znamenat, že agenti nepřijímají práci včas. Kde data získat Údaj najdete v záznamech podrobností konverzace v datech účastníka, který představuje agenta. Relace účastníka obsahuje metriku se stavem „alerting“ a odpovídajícím časovým razítkem. Zachycení Zaznamená se, když směrovací modul upozorní agenta na novou interakci. Typ události explicit
	Odeslání průzkumu spokojenosti zákazníků	K této činnosti dojde, když se po uzavření interakce odešle průzkum spokojenosti zákazníků (CSAT). Systém jej často spouští automaticky podle předem nastavených pravidel.
Proč je to důležité Tato činnost je nutná pro měření KPI včasnosti odeslání průzkumu CSAT. Včasné odeslání pomáhá získat přesnou zpětnou vazbu, dokud má zákazník svou zkušenost ještě v čerstvé paměti. Kde data získat Tyto údaje jsou obvykle dostupné v datech průzkumů nebo řízení kvality v Genesys Cloud CX. Lze je propojit s původním ID konverzace. Zachycení Modul průzkumů zaznamená událost při odeslání průzkumu pro konkrétní konverzaci. Typ události explicit
	Opětovné otevření požadavku	Označuje situaci, kdy zákazník krátce po vyřešení znovu kontaktuje podporu kvůli stejnému problému. Nejde o explicitní událost, ale o údaj vypočítaný podle obchodních pravidel.
Proč je to důležité Sledování znovu otevřených požadavků je důležité pro měření míry jejich opětovného otevření. Ukazuje, že původní řešení nebylo účinné, což ovlivňuje spokojenost zákazníků i efektivitu provozu. Kde data získat Tato činnost se odvozuje z nové události „Zahájení interakce“ u stejného zákazníka (Customer ID) a souvisejícího problému, například stejného typu požadavku, pokud k ní dojde ve stanoveném časovém období po vyřešení předchozí interakce. Zachycení Vypočítá se propojením nové interakce s nedávno uzavřenou interakcí stejného zákazníka a stejného problému. Typ události calculated
	Pozastavení interakce	Tato činnost se zaznamená, když agent během interakce přepne zákazníka do čekání. Jde o explicitní změnu stavu účastníka, který představuje agenta, v rámci konverzace.
Proč je to důležité Analýza četnosti a délky čekání může odhalit neefektivní postupy, například když agenti často hledají informace nebo se potřebují poradit s kolegy. Kde data získat Údaj se získává z dat relace účastníka, který představuje agenta, v záznamech podrobností konverzace. Stav se změní na „held“ a zaznamená se časové razítko. Zachycení Zaznamená se, když se stav účastníka, který představuje agenta, změní na „held“. Typ události explicit
	Předání konverzace do fronty	Označuje okamžik, kdy je nová interakce zařazena do konkrétní fronty a čeká na dostupného agenta. Jde o explicitní událost zaznamenanou směrovacím modulem Genesys (ACD).
Proč je to důležité Sledování této činnosti je důležité pro měření čekání ve frontě a odhalení úzkých míst ve směrování. Dlouhá doba mezi zařazením do fronty a přiřazením agenta může ukazovat na problémy s kapacitou nebo pravidly směrování. Kde data získat Údaj se získává ze záznamů podrobností konverzace, konkrétně z hodnot „purpose“ a „state“ účastníka ACD v konverzaci. Tuto událost označuje hodnota „enterTime“ fronty v poli metrics. Zachycení Zaznamená se, když směrovací modul ACD zařadí konverzaci do fronty. Typ události explicit
	Ukončení čekání během interakce	K této události dojde, když agent přestane zákazníka nechávat čekat a pokračuje v konverzaci. Označuje konec čekání a zaznamená se jako změna stavu.
Proč je to důležité V kombinaci s činností „Pozastavení interakce“ umožňuje přesně vypočítat celkovou dobu čekání. Ta je důležitou součástí celkové doby vyřízení i zákaznické zkušenosti. Kde data získat Údaj se odvozuje z dat relace účastníka, který představuje agenta, při změně jeho stavu z „held“ zpět na „connected“. Zachycení Zaznamená se, když se stav účastníka, který představuje agenta, změní z „held“ na „connected“. Typ události explicit
	Ukončení práce po hovoru	Označuje konec období práce agenta po hovoru. V tomto okamžiku je agent opět dostupný pro další interakci.
Proč je to důležité Tato činnost spolu se „Zahájením práce po hovoru“ přesně určuje délku závěrečné fáze. Pomáhá tak analyzovat produktivitu agentů a režijní náklady procesu. Kde data získat Událost se odvozuje ze změny stavu agenta z „acw“ na dostupný stav, například „idle“. Použije se časové razítko této změny. Zachycení Odvozuje se ze změny stavu agenta z „acw“ na dostupný stav. Typ události inferred
	Zahájení práce po hovoru	Tato činnost označuje začátek období práce po hovoru (ACW). Agent už není spojen se zákazníkem a věnuje se dokončení úkolů, například zápisu poznámek nebo aktualizaci systémů.
Proč je to důležité Měření délky ACW je důležité pro pochopení efektivity agentů a celkové doby vyřízení. Dlouhé ACW může ukazovat na neefektivní postupy po skončení interakce. Kde data získat Údaj se získává z dat relace účastníka, který představuje agenta. Zaznamená se, když se stav agenta po odpojení zákazníka změní na „acw“. Zachycení Zaznamená se, když se stav účastníka, který představuje agenta, změní na „acw“. Typ události explicit

Doporučené Volitelné

Návody k extrakci dat

Jak získat data z Genesys Cloud CX

Kroky

Otevřete Analytics Workspace: Přihlaste se do Genesys Cloud CX. V nabídce vyberte Admin a v části Analytics zvolte Workspace.
Vytvořte nové zobrazení: Kliknutím na ikonu plus přidejte novou kartu a vyberte „Create a new view“. Jako typ zobrazení zvolte „Interactions“. Otevře se editor zobrazení interakcí.
Nastavte časové období: V panelu filtrů vlevo zadejte požadované datum a časový interval pro extrakci dat. Doporučujeme nejprve vyzkoušet kratší období, například jeden týden.
Vyberte sloupce pro export: Tento krok je pro přípravu dat nejdůležitější. Klikněte na tlačítko „Columns“. Z dostupných polí vyberte a přidejte do zobrazení následující sloupce. Obsahují údaje potřebné k vytvoření záznamu událostí:
- ID konverzace
- Začátek konverzace
- Konec konverzace
- Typ média
- Účastníci (toto složité pole obsahuje vnořené údaje o operátorovi, frontě a zákazníkovi)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Průzkumy
Použijte další filtry: Podle potřeby zúžte data pomocí panelu filtrů. Filtrovat můžete například podle typu média (hlas, chat), fronty, směru (příchozí/odchozí) nebo jiných vlastností konverzace, abyste se zaměřili na konkrétní proces vyřizování požadavků.
Uložte a spusťte zobrazení: Uložte zobrazení pod výstižným názvem, například „Export požadavků na služby pro process mining“. Zobrazení načte data odpovídající zadaným kritériím.
Spusťte export: Po načtení dat klikněte na tlačítko „Export“, které obvykle znázorňuje ikona stahování. Vyberte „Export as CSV“ nebo „Export as JSON“. Pro počáteční zpracování bývá praktičtější CSV.
Stáhněte exportovaný soubor: Export se zpracuje na pozadí. Jeho průběh můžete sledovat v části Performance > My Exports. Po dokončení stáhněte soubor do svého počítače.
Transformujte nezpracovaná data: Exportovaný soubor obsahuje jeden řádek na konverzaci. Údaje o účastnících a segmentech jsou vnořené v jednom sloupci. K jejich rozbalení spusťte transformační skript, například skript v Pythonu uvedený v části Query. Skript zpracuje nezpracovaný export a vytvoří nový soubor, v němž každý řádek představuje jednu aktivitu, například „Operátor přijal interakci“ nebo „Interakce byla pozastavena“.
Doplňte vlastní logiku: Při transformaci implementujte také logiku specifickou pro vaše podnikání. Aktivitu „Požadavek na službu znovu otevřen“ například určíte analýzou dalších interakcí se stejným zákazníkem v nastaveném časovém období.
Dokončete záznam událostí: Transformační skript má vytvořit soubor CSV se sloupci v požadovaném formátu pro ProcessMind, včetně ServiceRequest, ActivityName, EventTime a dalších atributů. Zajistěte jednotný formát všech časových značek.
Nahrajte data do ProcessMind: Výsledný transformovaný soubor CSV je připravený k nahrání do nástroje process mining.

Konfigurace

Oprávnění: Role vašeho uživatele v Genesys Cloud CX musí mít oprávnění Analytics > Conversation > View, abyste mohli otevřít Analytics Workspace a vytvářet zobrazení interakcí.
Časové období: Při první extrakci použijte reprezentativní období 3 až 6 měsíců. V kontaktních centrech s velmi vysokým objemem dat doporučujeme exportovat menší části, například po týdnech nebo měsících. Předejdete tak překročení systémových limitů a lépe zvládnete velikost souborů.
Důležité filtry:
- Media Type: Vyberte kanály používané v procesu zákaznického servisu, například voice, chat nebo email.
- Queue: Pokud proces zajišťují konkrétní týmy, filtrujte podle příslušných ID front, abyste extrahovali pouze data požadovaného procesu.
- Direction: Pro zachycení požadavků iniciovaných zákazníky obvykle vyberte příchozí interakce inbound.
Sloupce exportu: Sloupec Participants je nezbytný, protože obsahuje podrobnou časovou osu událostí operátorů a front. Bez něj nelze extrahovat jednotlivé aktivity. Zahrňte také Conversation ID, Conversation Start a Conversation End.
Dopad na výkon: Export velkého počtu sloupců nebo velmi dlouhého časového období může trvat dlouho. Pokud úloha selže nebo vyprší její časový limit, zkraťte období a zkuste to znovu. Genesys Cloud umožňuje exportovat přibližně 1 milion konverzací v jedné úloze.

Ukázkový dotaz python

import pandas as pd
import json
from datetime import datetime, timezone

class=class="hl-string">"hl-comment"># This script transforms a Genesys Cloud Conversation Detail Export into a process mining event log.
class=class="hl-string">"hl-comment"># It assumes the raw data is in a CSV file named class="hl-string">'genesys_export.csv'.

def transform_genesys_export(file_path):
    class=class="hl-string">"hl-comment"># Load the raw export file
    try:
        df = pd.read_csv(file_path)
    except FileNotFoundError:
        print(fclass="hl-string">"Error: The file {file_path} was not found.")
        return None

    event_log = []
    source_system = class="hl-string">'Genesys Cloud CX'
    last_data_update = datetime.now(timezone.utc).isoformat()

    class=class="hl-string">"hl-comment"># Rename columns for easier access
    df.rename(columns={
        class="hl-string">'Conversation ID': class="hl-string">'conversationId',
        class="hl-string">'Conversation Start': class="hl-string">'conversationStart',
        class="hl-string">'Conversation End': class="hl-string">'conversationEnd',
        class="hl-string">'Media Type': class="hl-string">'mediaType'
    }, inplace=True)

    for index, row in df.iterrows():
        service_request_id = row[class="hl-string">'conversationId']
        media_type = row[class="hl-string">'mediaType']
        
        class=class="hl-string">"hl-comment"># Activity: Interaction Started
        event_log.append({
            class="hl-string">'ServiceRequest': service_request_id,
            class="hl-string">'ActivityName': class="hl-string">'Interaction Started',
            class="hl-string">'EventTime': row[class="hl-string">'conversationStart'],
            class="hl-string">'EventEndTime': None,
            class="hl-string">'AgentId': None, class="hl-string">'AgentName': None, class="hl-string">'QueueName': None, class="hl-string">'WrapUpCode': None,
            class="hl-string">'MediaType': media_type, class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
        })

        class=class="hl-string">"hl-comment"># The class="hl-string">'Participants' column contains a JSON string that needs to be parsed
        participants = json.loads(row[class="hl-string">'Participants'])

        for p in participants:
            participant_id = p.get(class="hl-string">'participantId')
            user_id = p.get(class="hl-string">'userId')
            queue_name = p.get(class="hl-string">'queueName')
            purpose = p.get(class="hl-string">'purpose')

            for s in p.get(class="hl-string">'sessions', []):
                wrap_up_code = s.get(class="hl-string">'wrapUpCode')
                for seg in s.get(class="hl-string">'segments', []):
                    seg_start = seg.get(class="hl-string">'segmentStart')
                    seg_end = seg.get(class="hl-string">'segmentEnd')
                    seg_type = seg.get(class="hl-string">'segmentType')

                    activity_name = None
                    if purpose == class="hl-string">'acd' and seg_type == class="hl-string">'interact':
                        activity_name = class="hl-string">'Conversation Routed to Queue'
                    elif purpose == class="hl-string">'agent' and seg_type == class="hl-string">'alert':
                        activity_name = class="hl-string">'Agent Offered Interaction'
                    elif purpose == class="hl-string">'agent' and seg_type == class="hl-string">'interacting':
                        activity_name = class="hl-string">'Agent Accepted Interaction'
                    elif purpose == class="hl-string">'agent' and seg_type == class="hl-string">'hold':
                        activity_name = class="hl-string">'Hold Placed on Interaction'
                        class=class="hl-string">"hl-comment"># Also create the Hold Removed event
                        event_log.append({
                            class="hl-string">'ServiceRequest': service_request_id,
                            class="hl-string">'ActivityName': class="hl-string">'Hold Removed from Interaction',
                            class="hl-string">'EventTime': seg_end,
                            class="hl-string">'EventEndTime': None,
                            class="hl-string">'AgentId': user_id, class="hl-string">'AgentName': class="hl-string">'[Configure based on your system]', class="hl-string">'QueueName': queue_name, class="hl-string">'WrapUpCode': None,
                            class="hl-string">'MediaType': media_type, class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                        })
                    elif purpose == class="hl-string">'agent' and seg_type == class="hl-string">'acw':
                        activity_name = class="hl-string">'After-Call Work Started'
                        class=class="hl-string">"hl-comment"># Also create ACW Ended and Wrap-Up Assigned events
                        if wrap_up_code:
                            event_log.append({
                                class="hl-string">'ServiceRequest': service_request_id,
                                class="hl-string">'ActivityName': class="hl-string">'Wrap-Up Code Assigned',
                                class="hl-string">'EventTime': seg_end, class=class="hl-string">"hl-comment"># Assume code assigned at end of ACW
                                class="hl-string">'EventEndTime': None,
                                class="hl-string">'AgentId': user_id, class="hl-string">'AgentName': class="hl-string">'[Configure based on your system]', class="hl-string">'QueueName': queue_name, class="hl-string">'WrapUpCode': wrap_up_code,
                                class="hl-string">'MediaType': media_type, class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                            })
                        event_log.append({
                            class="hl-string">'ServiceRequest': service_request_id,
                            class="hl-string">'ActivityName': class="hl-string">'After-Call Work Ended',
                            class="hl-string">'EventTime': seg_end,
                            class="hl-string">'EventEndTime': None,
                            class="hl-string">'AgentId': user_id, class="hl-string">'AgentName': class="hl-string">'[Configure based on your system]', class="hl-string">'QueueName': queue_name, class="hl-string">'WrapUpCode': wrap_up_code,
                            class="hl-string">'MediaType': media_type, class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                        })
                    
                    if seg.get(class="hl-string">'disconnectType') == class="hl-string">'transfer':
                        activity_name = class="hl-string">'Interaction Transferred'

                    if activity_name:
                        event_log.append({
                            class="hl-string">'ServiceRequest': service_request_id,
                            class="hl-string">'ActivityName': activity_name,
                            class="hl-string">'EventTime': seg_start,
                            class="hl-string">'EventEndTime': seg_end,
                            class="hl-string">'AgentId': user_id, class="hl-string">'AgentName': class="hl-string">'[Configure based on your system]', class="hl-string">'QueueName': queue_name, class="hl-string">'WrapUpCode': None,
                            class="hl-string">'MediaType': media_type, class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                        })
        
        class=class="hl-string">"hl-comment"># Activity: Interaction Disconnected
        event_log.append({
            class="hl-string">'ServiceRequest': service_request_id,
            class="hl-string">'ActivityName': class="hl-string">'Interaction Disconnected',
            class="hl-string">'EventTime': row[class="hl-string">'conversationEnd'],
            class="hl-string">'EventEndTime': None,
            class="hl-string">'AgentId': None, class="hl-string">'AgentName': None, class="hl-string">'QueueName': None, class="hl-string">'WrapUpCode': None,
            class="hl-string">'MediaType': media_type, class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
        })

        class=class="hl-string">"hl-comment"># Activity: Customer Satisfaction Survey Sent (from surveys column)
        if pd.notna(row.get(class="hl-string">'Surveys')):
            surveys = json.loads(row[class="hl-string">'Surveys'])
            for survey in surveys:
                if survey.get(class="hl-string">'surveyStatus') == class="hl-string">'Sent':
                    class=class="hl-string">"hl-comment"># Survey sent time is not always directly available, using conversation end as an approximation
                    event_log.append({
                        class="hl-string">'ServiceRequest': service_request_id,
                        class="hl-string">'ActivityName': class="hl-string">'Customer Satisfaction Survey Sent',
                        class="hl-string">'EventTime': survey.get(class="hl-string">'surveySentDate', row[class="hl-string">'conversationEnd']),
                        class="hl-string">'EventEndTime': None,
                        class="hl-string">'AgentId': None, class="hl-string">'AgentName': None, class="hl-string">'QueueName': None, class="hl-string">'WrapUpCode': None,
                        class="hl-string">'MediaType': media_type, class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                    })

    class=class="hl-string">"hl-comment"># NOTE: class="hl-string">'Service Request Re-Opened' requires custom cross-conversation logic.
    class=class="hl-string">"hl-comment"># This logic would need to be implemented here, analyzing the entire dataset
    class=class="hl-string">"hl-comment"># to find subsequent interactions from the same customer within a specific timeframe.

    final_df = pd.DataFrame(event_log)
    class=class="hl-string">"hl-comment"># Sort by case and event time to create a chronological log
    final_df.sort_values(by=[class="hl-string">'ServiceRequest', class="hl-string">'EventTime'], inplace=True)
    
    return final_df

if __name__ == class="hl-string">'__main__':
    class=class="hl-string">"hl-comment"># Specify the path to your downloaded Genesys export CSV file
    input_file = class="hl-string">'genesys_export.csv'
    output_file = class="hl-string">'genesys_event_log.csv'
    
    event_log_df = transform_genesys_export(input_file)
    
    if event_log_df is not None:
        event_log_df.to_csv(output_file, index=False)
        print(fclass="hl-string">"Transformation complete. Event log saved to {output_file}")

Kroky

Předpoklady a nastavení: Nainstalujte Python 3.8 nebo novější a knihovny pandas a purecloud-platform-client-v2. Nainstalovat je můžete příkazem pip: pip install pandas purecloud-platform-client-v2.
Vytvořte klienta OAuth v Genesys Cloud: Přihlaste se k účtu správce Genesys Cloud CX. Přejděte do Integrations > OAuth a vytvořte nového klienta s typem udělení „Client Credentials“. Přiřaďte mu roli s oprávněním analytics:conversationDetail:view.
Nastavte přihlašovací údaje skriptu: Uložte Client ID a Client Secret z předchozího kroku. V níže uvedeném Python skriptu nahraďte zástupné hodnoty CLIENT_ID, CLIENT_SECRET a GENESYS_CLOUD_REGION svými údaji.
Určete interval extrakce: Ve skriptu najděte proměnnou query_body. Upravte hodnotu interval a nastavte datum a časové období pro extrakci. Při testování doporučujeme začít krátkým obdobím, například jedním dnem.
Spusťte Python skript: Spusťte skript v terminálu příkazem python your_script_name.py. Skript se ověří vůči Genesys Cloud API, odešle asynchronní analytickou úlohu a vypíše její ID.
Sledujte průběh úlohy: Skript bude každých 15 sekund automaticky kontrolovat stav úlohy prostřednictvím API. Aktualizace stavu se zobrazí v konzoli. Zpracování může trvat několik minut i déle podle objemu požadovaných dat.
Zpracujte a transformujte data: Po dokončení úlohy skript stáhne výsledná data ve formátu JSON. Poté projde záznamy jednotlivých konverzací, zpracuje údaje o účastnících, relacích a segmentech a určí a strukturuje důležité aktivity a atributy.
Zpracujte vypočítané události: Skript obsahuje krok následného zpracování, který vyhledává události „Požadavek na službu znovu otevřen“. Tuto logiku můžete upravit. Kontroluje, zda se po vyřešení předchozí interakce uskutečnila ve stanoveném časovém období nová interakce se stejným zákazníkem.
Vytvořte záznam událostí: Transformovaná data se uloží do pandas DataFrame, který odpovídá struktuře záznamu událostí pro process mining.
Exportujte výsledný soubor CSV: Skript uloží výsledný DataFrame do souboru CSV genesys_event_log.csv. Soubor je připravený k přímému nahrání do platformy ProcessMind.

Konfigurace

Přihlašovací údaje API: K ověření potřebujete OAuth Client ID a Client Secret. Vytvořte je v administračním rozhraní Genesys Cloud CX.
Oprávnění API: Role přiřazená klientovi OAuth musí mít oprávnění analytics:conversationDetail:view, aby měla přístup k potřebným údajům o konverzacích.
Interval extrakce: Parametr interval v těle dotazu API určuje časové období extrakce. Ve velkých prostředích je vhodné spouštět extrakci v menších navazujících dávkách, například po týdnech. Omezíte tak riziko vypršení časového limitu API a spotřebu paměti.
Filtry dat: Rozsah extrakce můžete zúžit úpravou těla dotazu API pomocí conversationFilters, segmentFilters nebo evaluationFilters. Můžete například filtrovat podle konkrétního queueId nebo mediaType a zaměřit se na určitou část procesu zákaznického servisu.
Logika opětovného otevření: Časové období pro určení události „Požadavek na službu znovu otevřen“ lze ve skriptu nastavit. Výchozí hodnota je 72 hodin, upravte ji však podle pravidel vaší organizace.
Prostředí: Ke spuštění skriptu potřebujete místní prostředí Python s požadovaným SDK a knihovnami. Přímý přístup k serveru nebo databázi Genesys Cloud CX není nutný.

Ukázkový dotaz python

import PureCloudPlatformClientV2
import pandas as pd
import requests
import json
import time
import os
from datetime import datetime, timedelta

class=class="hl-string">"hl-comment"># --- Configuration ---
class=class="hl-string">"hl-comment"># Replace with your Genesys Cloud credentials and region
CLIENT_ID = class="hl-string">"[Your_Client_Id]"
CLIENT_SECRET = class="hl-string">"[Your_Client_Secret]"
GENESYS_CLOUD_REGION = class="hl-string">"[Your_Genesys_Cloud_Region]" class=class="hl-string">"hl-comment"># e.g., mypurecloud.com, mypurecloud.de

class=class="hl-string">"hl-comment"># Set the API environment
PureCloudPlatformClientV2.configuration.host = fclass="hl-string">'https://api.{GENESYS_CLOUD_REGION}'

class=class="hl-string">"hl-comment"># --- Authentication ---
api_client = PureCloudPlatformClientV2.api_client.ApiClient().get_client_credentials_token(CLIENT_ID, CLIENT_SECRET)
analytics_api = PureCloudPlatformClientV2.AnalyticsApi(api_client)


def parse_conversation(conv_detail):
    class="hl-string">"""Parses a single conversation detail object into multiple event log rows."""
    events = []
    conversation_id = conv_detail.get(class="hl-string">'conversationId')
    source_system = class="hl-string">'Genesys Cloud CX'
    last_data_update = datetime.utcnow().isoformat() + class="hl-string">'Z'

    class=class="hl-string">"hl-comment"># Event: Interaction Started
    events.append({
        class="hl-string">'ServiceRequest': conversation_id,
        class="hl-string">'ActivityName': class="hl-string">'Interaction Started',
        class="hl-string">'EventTime': conv_detail.get(class="hl-string">'conversationStart'),
        class="hl-string">'EventEndTime': None,
        class="hl-string">'AgentId': None, class="hl-string">'AgentName': None, class="hl-string">'QueueName': None, class="hl-string">'WrapUpCode': None,
        class="hl-string">'MediaType': next((p.get(class="hl-string">'sessions')[0].get(class="hl-string">'mediaType') for p in conv_detail.get(class="hl-string">'participants', []) if p.get(class="hl-string">'purpose') == class="hl-string">'customer'), None),
        class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
    })

    for p in conv_detail.get(class="hl-string">'participants', []):
        agent_id = p.get(class="hl-string">'userId')
        agent_name = p.get(class="hl-string">'participantName')

        for s in p.get(class="hl-string">'sessions', []):
            media_type = s.get(class="hl-string">'mediaType')

            for seg in s.get(class="hl-string">'segments', []):
                seg_start = seg.get(class="hl-string">'segmentStart')
                seg_end = seg.get(class="hl-string">'segmentEnd')

                if seg.get(class="hl-string">'segmentType') == class="hl-string">'alert':
                    events.append({
                        class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Agent Offered Interaction', class="hl-string">'EventTime': seg_start, class="hl-string">'EventEndTime': seg_end,
                        class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': None, class="hl-string">'MediaType': media_type,
                        class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                    })

                if seg.get(class="hl-string">'segmentType') == class="hl-string">'interact' and p.get(class="hl-string">'purpose') == class="hl-string">'agent':
                    events.append({
                        class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Agent Accepted Interaction', class="hl-string">'EventTime': seg_start, class="hl-string">'EventEndTime': seg_end,
                        class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': None, class="hl-string">'MediaType': media_type,
                        class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                    })

                if seg.get(class="hl-string">'segmentType') == class="hl-string">'hold':
                    events.append({
                        class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Hold Placed on Interaction', class="hl-string">'EventTime': seg_start, class="hl-string">'EventEndTime': None,
                        class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': None, class="hl-string">'MediaType': media_type,
                        class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                    })
                    if seg_end:
                        events.append({
                            class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Hold Removed from Interaction', class="hl-string">'EventTime': seg_end, class="hl-string">'EventEndTime': None,
                            class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': None, class="hl-string">'MediaType': media_type,
                            class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                        })

                if seg.get(class="hl-string">'segmentType') == class="hl-string">'acw':
                    events.append({
                        class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'After-Call Work Started', class="hl-string">'EventTime': seg_start, class="hl-string">'EventEndTime': seg_end,
                        class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': p.get(class="hl-string">'wrapUp', {}).get(class="hl-string">'code'), class="hl-string">'MediaType': media_type,
                        class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                    })
                    if seg_end:
                         events.append({
                            class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'After-Call Work Ended', class="hl-string">'EventTime': seg_end, class="hl-string">'EventEndTime': None,
                            class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': p.get(class="hl-string">'wrapUp', {}).get(class="hl-string">'code'), class="hl-string">'MediaType': media_type,
                            class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                        })
                
                if seg.get(class="hl-string">'segmentType') == class="hl-string">'transmitting' and seg.get(class="hl-string">'disconnectType') == class="hl-string">'transfer':
                    events.append({
                        class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Interaction Transferred', class="hl-string">'EventTime': seg_start, class="hl-string">'EventEndTime': None,
                        class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': None, class="hl-string">'MediaType': media_type,
                        class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                    })
            
            if s.get(class="hl-string">'flow', {}).get(class="hl-string">'outcomeValue') == class="hl-string">'SURVEY_OFFERED':
                events.append({
                    class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Customer Satisfaction Survey Sent', class="hl-string">'EventTime': s.get(class="hl-string">'flow', {}).get(class="hl-string">'flowEnd'), class="hl-string">'EventEndTime': None,
                    class="hl-string">'AgentId': None, class="hl-string">'AgentName': None, class="hl-string">'QueueName': None, class="hl-string">'WrapUpCode': None, class="hl-string">'MediaType': media_type,
                    class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                })

        if p.get(class="hl-string">'purpose') == class="hl-string">'acd':
             for s in p.get(class="hl-string">'sessions', []):
                for seg in s.get(class="hl-string">'segments', []):
                    if seg.get(class="hl-string">'segmentType') == class="hl-string">'interact':
                         events.append({
                            class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Conversation Routed to Queue', class="hl-string">'EventTime': seg.get(class="hl-string">'segmentStart'), class="hl-string">'EventEndTime': seg.get(class="hl-string">'segmentEnd'),
                            class="hl-string">'AgentId': None, class="hl-string">'AgentName': None, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': None, class="hl-string">'MediaType': s.get(class="hl-string">'mediaType'),
                            class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
                        })

        if p.get(class="hl-string">'wrapUp'):
            events.append({
                class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Wrap-Up Code Assigned', class="hl-string">'EventTime': p[class="hl-string">'wrapUp'].get(class="hl-string">'wrapUpEnd'), class="hl-string">'EventEndTime': None,
                class="hl-string">'AgentId': agent_id, class="hl-string">'AgentName': agent_name, class="hl-string">'QueueName': s.get(class="hl-string">'queueName'), class="hl-string">'WrapUpCode': p[class="hl-string">'wrapUp'].get(class="hl-string">'code'), class="hl-string">'MediaType': s.get(class="hl-string">'mediaType'),
                class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
            })

    class=class="hl-string">"hl-comment"># Event: Interaction Disconnected
    events.append({
        class="hl-string">'ServiceRequest': conversation_id, class="hl-string">'ActivityName': class="hl-string">'Interaction Disconnected', class="hl-string">'EventTime': conv_detail.get(class="hl-string">'conversationEnd'), class="hl-string">'EventEndTime': None,
        class="hl-string">'AgentId': None, class="hl-string">'AgentName': None, class="hl-string">'QueueName': None, class="hl-string">'WrapUpCode': None,
        class="hl-string">'MediaType': next((p.get(class="hl-string">'sessions')[0].get(class="hl-string">'mediaType') for p in conv_detail.get(class="hl-string">'participants', []) if p.get(class="hl-string">'purpose') == class="hl-string">'customer'), None),
        class="hl-string">'SourceSystem': source_system, class="hl-string">'LastDataUpdate': last_data_update
    })
    
    return events


def main():
    class=class="hl-string">"hl-comment"># --- Define Analytics Query ---
    class=class="hl-string">"hl-comment"># Define your time interval here. Format: YYYY-MM-DDTHH:MM:SS.sssZ/YYYY-MM-DDTHH:MM:SS.sssZ
    interval = class="hl-string">"2023-10-01T00:00:00.000Z/2023-10-02T00:00:00.000Z"
    
    query_body = {
        class="hl-string">"interval": interval,
        class="hl-string">"paging": {
            class="hl-string">"pageSize": 100,
            class="hl-string">"pageNumber": 1
        }
    }

    class=class="hl-string">"hl-comment"># --- Submit and Monitor Job ---
    try:
        print(fclass="hl-string">"Submitting analytics job for interval: {interval}")
        api_response = analytics_api.post_analytics_conversations_details_jobs(query_body)
        job_id = api_response.job_id
        print(fclass="hl-string">"Job submitted successfully. Job ID: {job_id}")

        while True:
            job_status = analytics_api.get_analytics_conversations_details_job(job_id)
            print(fclass="hl-string">"Job status: {job_status.state}. Progress: {job_status.percent_complete}%")
            if job_status.state == class="hl-string">'FULFILLED':
                print(class="hl-string">"Job completed successfully.")
                break
            elif job_status.state in [class="hl-string">'FAILED', class="hl-string">'CANCELLED']:
                print(fclass="hl-string">"Job failed or was cancelled. State: {job_status.state}, Error: {job_status.error}")
                return
            time.sleep(15)

        class=class="hl-string">"hl-comment"># --- Fetch and Process Results ---
        all_events = []
        results_response = analytics_api.get_analytics_conversations_details_job_results(job_id)
        
        if not results_response.conversations:
            print(class="hl-string">"No conversations found for the given interval.")
            return
            
        print(fclass="hl-string">"Processing {len(results_response.conversations)} conversations...")
        for conv in results_response.conversations:
            all_events.extend(parse_conversation(conv))

        df = pd.DataFrame(all_events)
        df[class="hl-string">'EventTime'] = pd.to_datetime(df[class="hl-string">'EventTime'], errors=class="hl-string">'coerce')
        df = df.dropna(subset=[class="hl-string">'EventTime'])
        df = df.sort_values(by=[class="hl-string">'ServiceRequest', class="hl-string">'EventTime']).reset_index(drop=True)

        class=class="hl-string">"hl-comment"># --- Post-Processing for class="hl-string">'Service Request Re-Opened' ---
        class=class="hl-string">"hl-comment"># This logic is an example. Adjust the window and criteria to fit your business rules.
        print(class="hl-string">"Applying post-processing for 'Re-Opened' events...")
        reopen_events = []
        df_resolved = df[df[class="hl-string">'WrapUpCode'].str.contains(class="hl-string">'Resolved', na=False)].copy()
        df_resolved = df_resolved.sort_values(class="hl-string">'EventTime').drop_duplicates(class="hl-string">'ServiceRequest', keep=class="hl-string">'last')
        reopen_window = timedelta(hours=72)

        for index, row in df_resolved.iterrows():
            customer_id = next((p.get(class="hl-string">'participantName') for c in results_response.conversations if c.get(class="hl-string">'conversationId') == row[class="hl-string">'ServiceRequest'] for p in c.get(class="hl-string">'participants', []) if p.get(class="hl-string">'purpose') == class="hl-string">'customer'), None)
            if not customer_id: continue
            
            resolved_time = row[class="hl-string">'EventTime']
            future_interactions = df[(df[class="hl-string">'EventTime'] > resolved_time) & (df[class="hl-string">'EventTime'] <= resolved_time + reopen_window)]
            
            for _, future_row in future_interactions.iterrows():
                future_customer_id = next((p.get(class="hl-string">'participantName') for c in results_response.conversations if c.get(class="hl-string">'conversationId') == future_row[class="hl-string">'ServiceRequest'] for p in c.get(class="hl-string">'participants', []) if p.get(class="hl-string">'purpose') == class="hl-string">'customer'), None)
                if customer_id == future_customer_id and future_row[class="hl-string">'ActivityName'] == class="hl-string">'Interaction Started':
                    reopen_events.append({
                        class="hl-string">'ServiceRequest': row[class="hl-string">'ServiceRequest'], class="hl-string">'ActivityName': class="hl-string">'Service Request Re-Opened', class="hl-string">'EventTime': future_row[class="hl-string">'EventTime'],
                        class="hl-string">'SourceSystem': class="hl-string">'Genesys Cloud CX', class="hl-string">'LastDataUpdate': datetime.utcnow().isoformat() + class="hl-string">'Z'
                    })
                    break

        if reopen_events:
            df_reopen = pd.DataFrame(reopen_events)
            df = pd.concat([df, df_reopen], ignore_index=True)
            df = df.sort_values(by=[class="hl-string">'ServiceRequest', class="hl-string">'EventTime']).reset_index(drop=True)
        
        class=class="hl-string">"hl-comment"># --- Save to CSV ---
        output_filename = class="hl-string">'genesys_event_log.csv'
        df.to_csv(output_filename, index=False, date_format=class="hl-string">'%Y-%m-%dT%H:%M:%S.%fZ')
        print(fclass="hl-string">"Extraction complete. Event log saved to {output_filename}")

    except PureCloudPlatformClientV2.ApiException as e:
        print(fclass="hl-string">"Error calling Genesys Cloud API: {e}")
    except Exception as e:
        print(fclass="hl-string">"An unexpected error occurred: {e}")

if __name__ == class="hl-string">'__main__':
    main()

Kroky

Ověřte, že vaše organizace Genesys Cloud CX podporuje požadovanou integraci EventBridge, máte příslušná oprávnění správce a přístup k událostem konverzací a že účet AWS může události přijímat. Se správcem systému potvrďte cílovou oblast AWS, sběrnici událostí EventBridge a případné filtry podle organizace, divize, fronty nebo média.
V Genesys Cloud CX nastavte integraci AWS EventBridge podle aktuálního administračního rozhraní Genesys Cloud a dokumentace k integraci vaší organizace. Vyberte cílový účet AWS, oblast, sběrnici událostí a kategorie událostí konverzací potřebné k podrobnému sledování životního cyklu interakcí. Názvy položek nabídky a dostupná schémata událostí se mohou lišit podle organizace a verze. Konkrétní postup nebo nastavení pro vaši organizaci proto ověřte v části [Nastavení podle vašeho systému].
Nastavte AWS EventBridge tak, aby přijímal události Genesys Cloud na vybrané sběrnici. Použijte minimální potřebná oprávnění, šifrování, dobu uchovávání a monitorování. Pokud je to podporováno, nastavte také cílové umístění pro neúspěšně doručené zprávy. Vytvořte pravidlo, které požadované události předá příjemci používanému datovým jezerem, datovým skladem, streamovacím procesorem nebo úložištěm objektů.
Zachyťte nezpracované zprávy EventBridge a neměňte jejich původní časové značky ani identifikátory. V [Úložišti nezpracovaných událostí] ukládejte zprávu, čas příjmu, typ události, zdroj, typ podrobností a metadata doručení. Původní zprávu uchovejte, abyste mohli znovu ověřit mapování při změně schémat Genesys Cloud.
Vytvořte v Pythonu krok normalizace, který načte nezpracované zprávy, určí identifikátor konverzace, údaje o účastnících a relacích, frontě a operátorovi, typ média, údaje o uzavření a časové značky událostí. Pro každou výslovně zaznamenanou aktivitu vytvoří jeden normalizovaný řádek. Použijte skutečné cesty k polím ze vzorků událostí přijatých ve vaší organizaci. Neodvozujte aktivity, které nejsou zaznamenané jako konkrétní událost nebo změna stavu.
Přiřaďte výslovné změny stavu konverzace a účastníků v Genesys Cloud k požadovaným hodnotám ActivityName. Pokud je k dispozici událost vytvoření konverzace, zaznamenejte Interaction Started. Při události směrování zaznamenejte Conversation Routed to Queue. Při stavu upozorňování operátora zaznamenejte Agent Offered Interaction a při přijetí nebo navázání spojení Agent Accepted Interaction. Odpovídající změny stavu čekání zaznamenejte jako Hold Placed on Interaction a Hold Removed from Interaction. Výslovnou událost předání zaznamenejte jako Interaction Transferred. Výslovné přechody ACW zaznamenejte jako After-Call Work Started a After-Call Work Ended. Při přiřazení kódu uzavření zaznamenejte Wrap-Up Code Assigned. Odpojení konverzace nebo příslušné závěrečné relace účastníka zaznamenejte jako Interaction Disconnected.
S událostmi Service Request Re-Opened a Customer Satisfaction Survey Sent zacházejte odděleně. Události konverzací EventBridge nemusí obsahovat žádnou z nich přímo. Pokud má vaše organizace výslovný zdroj událostí průzkumů, zahrňte je pouze tehdy, když danou událost skutečně přijmete. Událost Service Request Re-Opened vypočítejte samostatně podle zdokumentovaného obchodního pravidla a výsledný řádek pak přidejte do záznamu událostí. ProcessMind tuto aktivitu nevypočítává ani neodvozuje.
Do ServiceRequest vložte stabilní identifikátor požadavku na službu nebo konverzace, který jste zvolili v obchodním mapování. Do ActivityName vložte přesně jeden požadovaný název aktivity, do EventTime čas jejího zahájení, do EventEndTime čas ukončení, pokud je k dispozici, do SourceSystem hodnoty Genesys Cloud CX a AWS EventBridge a do LastDataUpdate čas aktualizace extrakce. Volitelné atributy vyplňte, pokud jsou k dispozici, jinak je ponechte jako NULL.
Odstraňujte duplicitní události podle identifikátoru události poskytovatele, pokud je k dispozici. Jinak použijte zdokumentovaný složený klíč obsahující ServiceRequest, ActivityName, EventTime, identifikátor účastníka nebo operátora a identifikátor zdrojové události. Počítejte s opakovaným doručením a událostmi doručenými mimo pořadí. Neodstraňujte různé opakované události čekání, předání, nabídnutí ani jiné platné opakované aktivity.
Ověřte normalizovaný výstup podle počtu nezpracovaných zpráv, časových značek událostí, identifikátorů konverzací, údajů o frontách a operátorech a úplného seznamu aktivit. Exportujte plochý soubor nebo načtěte tabulku s povinnými sloupci ServiceRequest, ActivityName, EventTime, SourceSystem a LastDataUpdate a podle dostupnosti také s doporučenými sloupci. Zajistěte jednotné časové pásmo a formát časových značek podporovaný ProcessMind a poté nahrajte záznam událostí jako vstup pro proces požadavků na službu.

Konfigurace

Integrace a cílové umístění: Nastavte integraci AWS EventBridge v Genesys Cloud CX pro cílový účet AWS, oblast a sběrnici událostí. Nastavení specifická pro vaši organizaci, která nejsou popsána v dostupných vzorcích událostí, ověřte v části [Nastavení podle vašeho systému].
Rozsah událostí: Přihlaste se k odběru podrobných událostí konverzací, účastníků, relací, směrování, změn stavu, předání, odpojení, uzavření a ACW, které jsou ve vaší organizaci Genesys Cloud dostupné. Před nasazením do produkce ověřte přesné typy událostí a cesty k polím na kontrolní testovací interakci.
Identifikátor případu: Pro ServiceRequest použijte stabilní identifikátor konverzace nebo požadavku na službu zvolený v obchodním mapování. Pokud je v jiném systému k dispozici samostatný identifikátor požadavku na službu, zdokumentujte vazbu mezi ním a identifikátorem konverzace v Genesys Cloud.
Časové období: Pro analýzu procesu začněte historií za 3 až 6 měsíců. Při provozu téměř v reálném čase používejte krátký interval dotazování nebo kontrolních bodů streamování a uchovávejte nezpracovaná data tak, aby je bylo možné znovu zpracovat. Při obnově po výpadku použijte překrývající se časové období a následně odstraňte duplicity podle identifikátoru události poskytovatele.
Filtry: Používejte pouze ověřené filtry specifické pro vaši organizaci, například divizi, frontu, typ média, obchodní jednotku nebo datum interakce. Filtry Company Code ani Document Type nepoužívejte, pokud tyto údaje neposkytuje integrovaný zdroj a nejsou ve vašem prostředí výslovně namapované.
Práce s časovými značkami: Pro EventTime zachovejte časovou značku zdrojové události. Čas příjmu nebo aktualizace ukládejte samostatně do LastDataUpdate. Všechny časové značky sjednoťte podle zdokumentovaného časového pásma, nejlépe UTC. Pokud je to nutné pro audit, zachovejte i původní posun.
Volitelné atributy: AgentId a AgentName lze získat z údajů o účastníkovi nebo uživateli, QueueName z údajů o směrování, WrapUpCode z údajů o uzavření, MediaType z kanálu konverzace nebo relace a EventEndTime z výslovného přechodu do ukončeného stavu nebo z délky události ve zdroji.
Výkon: Nezpracovaná a normalizovaná data rozdělte podle data události a případně podle organizace nebo divize, pokud to systém podporuje. Zpracovávejte je průběžně podle kontrolního bodu EventBridge. Zápisy do datového skladu nebo jezera provádějte v dávkách, sledujte zpoždění a opakovaně neprocházejte celou historii.
Spolehlivost: Nastavte opakování při chybě, zpracování zpráv doručených do úložiště neúspěšných zpráv, postupy pro opětovné přehrání, detekci duplicit a monitorování chyb doručení, změn schématu a zpoždění událostí.
Předpoklady: Potřebujete oprávnění správce nebo integrace v Genesys Cloud, oprávnění pro AWS EventBridge, přístup k vybrané sběrnici událostí a navazujícímu úložišti, oprávnění ke čtení podrobností konverzací a případné funkce či licence Genesys Cloud vyžadované integrací událostí ve vaší organizaci. Před uložením údajů o konverzacích ověřte požadavky na uchovávání a ochranu soukromí.

Ukázkový dotaz python

import json
import os
from datetime import datetime, timezone
from typing import Any, Dict, Iterable, List, Optional

import boto3


SOURCE_SYSTEM = class="hl-string">"Genesys Cloud CX via AWS EventBridge"
ACTIVITY_NAMES = {
    class="hl-string">"interaction_started": class="hl-string">"Interaction Started",
    class="hl-string">"conversation_routed_to_queue": class="hl-string">"Conversation Routed to Queue",
    class="hl-string">"agent_offered_interaction": class="hl-string">"Agent Offered Interaction",
    class="hl-string">"agent_accepted_interaction": class="hl-string">"Agent Accepted Interaction",
    class="hl-string">"hold_placed_on_interaction": class="hl-string">"Hold Placed on Interaction",
    class="hl-string">"hold_removed_from_interaction": class="hl-string">"Hold Removed from Interaction",
    class="hl-string">"interaction_transferred": class="hl-string">"Interaction Transferred",
    class="hl-string">"after_call_work_started": class="hl-string">"After-Call Work Started",
    class="hl-string">"wrap_up_code_assigned": class="hl-string">"Wrap-Up Code Assigned",
    class="hl-string">"after_call_work_ended": class="hl-string">"After-Call Work Ended",
    class="hl-string">"interaction_disconnected": class="hl-string">"Interaction Disconnected",
    class="hl-string">"service_request_re_opened": class="hl-string">"Service Request Re-Opened",
    class="hl-string">"customer_satisfaction_survey_sent": class="hl-string">"Customer Satisfaction Survey Sent",
}


def first_value(data: Dict[str, Any], paths: Iterable[str]) -> Optional[Any]:
    for path in paths:
        value: Any = data
        found = True
        for part in path.split(class="hl-string">"."):
            if isinstance(value, dict) and part in value:
                value = value[part]
            else:
                found = False
                break
        if found and value not in (None, class="hl-string">""):
            return value
    return None


def parse_time(value: Any) -> Optional[str]:
    if value is None:
        return None
    if isinstance(value, (int, float)):
        return datetime.fromtimestamp(value / 1000 if value > 100000000000 else value, tz=timezone.utc).isoformat()
    text = str(value).strip()
    if not text:
        return None
    return text


def event_detail(event: Dict[str, Any]) -> Dict[str, Any]:
    detail = event.get(class="hl-string">"detail")
    if isinstance(detail, dict):
        return detail
    if isinstance(detail, str):
        try:
            parsed = json.loads(detail)
            return parsed if isinstance(parsed, dict) else {}
        except json.JSONDecodeError:
            return {}
    return {}


def event_type(event: Dict[str, Any], detail: Dict[str, Any]) -> str:
    value = first_value(detail, [
        class="hl-string">"eventType", class="hl-string">"type", class="hl-string">"event.type", class="hl-string">"topicName", class="hl-string">"name", class="hl-string">"state", class="hl-string">"participant.state", class="hl-string">"session.state"
    ])
    return str(value or event.get(class="hl-string">"detail-type") or event.get(class="hl-string">"source") or class="hl-string">"").lower().replace(class="hl-string">"_", class="hl-string">" ")


def base_row(detail: Dict[str, Any], activity: str, event: Dict[str, Any], refresh_time: str) -> Dict[str, Any]:
    service_request = first_value(detail, [
        class="hl-string">"conversationId", class="hl-string">"conversation.id", class="hl-string">"conversation.conversationId", class="hl-string">"serviceRequest", class="hl-string">"serviceRequestId", class="hl-string">"caseId"
    ])
    event_time = parse_time(first_value(detail, [
        class="hl-string">"eventTime", class="hl-string">"timestamp", class="hl-string">"event.timestamp", class="hl-string">"conversation.startTime", class="hl-string">"participant.startTime", class="hl-string">"session.startTime", class="hl-string">"startTime"
    ]))
    event_end_time = parse_time(first_value(detail, [
        class="hl-string">"eventEndTime", class="hl-string">"endTime", class="hl-string">"event.endTime", class="hl-string">"conversation.endTime", class="hl-string">"participant.endTime", class="hl-string">"session.endTime"
    ]))
    agent_id = first_value(detail, [class="hl-string">"agentId", class="hl-string">"userId", class="hl-string">"agent.id", class="hl-string">"user.id", class="hl-string">"participant.userId", class="hl-string">"participant.user.id"])
    agent_name = first_value(detail, [class="hl-string">"agentName", class="hl-string">"userName", class="hl-string">"agent.name", class="hl-string">"user.name", class="hl-string">"participant.userName", class="hl-string">"participant.user.name"])
    queue_name = first_value(detail, [class="hl-string">"queueName", class="hl-string">"queue.name", class="hl-string">"routing.queueName", class="hl-string">"participant.queueName"])
    wrap_up_code = first_value(detail, [class="hl-string">"wrapUpCode", class="hl-string">"wrapupCode", class="hl-string">"wrapUp.code", class="hl-string">"wrapup.code", class="hl-string">"dispositionCode"])
    media_type = first_value(detail, [class="hl-string">"mediaType", class="hl-string">"media", class="hl-string">"channel", class="hl-string">"conversation.mediaType", class="hl-string">"session.mediaType"])
    return {
        class="hl-string">"ServiceRequest": service_request,
        class="hl-string">"ActivityName": activity,
        class="hl-string">"EventTime": event_time,
        class="hl-string">"EventEndTime": event_end_time,
        class="hl-string">"SourceSystem": SOURCE_SYSTEM,
        class="hl-string">"LastDataUpdate": refresh_time,
        class="hl-string">"AgentId": agent_id,
        class="hl-string">"AgentName": agent_name,
        class="hl-string">"QueueName": queue_name,
        class="hl-string">"WrapUpCode": wrap_up_code,
        class="hl-string">"MediaType": media_type,
        class="hl-string">"SourceEventId": event.get(class="hl-string">"id") or first_value(detail, [class="hl-string">"eventId", class="hl-string">"id"]),
    }


def classify(detail: Dict[str, Any], event: Dict[str, Any]) -> List[str]:
    text = event_type(event, detail)
    values = [str(first_value(detail, paths) or class="hl-string">"").lower() for paths in [
        [class="hl-string">"eventType", class="hl-string">"type"], [class="hl-string">"state"], [class="hl-string">"participant.state"], [class="hl-string">"session.state"], [class="hl-string">"event.name"], [class="hl-string">"event.type"]
    ]]
    text = class="hl-string">" ".join([text] + values)
    activities: List[str] = []
    if any(token in text for token in [class="hl-string">"conversation created", class="hl-string">"interaction started", class="hl-string">"conversation started", class="hl-string">"conversation.created"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"interaction_started"])
    if any(token in text for token in [class="hl-string">"routed", class="hl-string">"route to queue", class="hl-string">"queue joined", class="hl-string">"acd queue"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"conversation_routed_to_queue"])
    if any(token in text for token in [class="hl-string">"alerting", class="hl-string">"offered", class="hl-string">"agent offered"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"agent_offered_interaction"])
    if any(token in text for token in [class="hl-string">"connected", class="hl-string">"accepted", class="hl-string">"agent accepted", class="hl-string">"interacting"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"agent_accepted_interaction"])
    if any(token in text for token in [class="hl-string">"hold", class="hl-string">"held"]) and not any(token in text for token in [class="hl-string">"resume", class="hl-string">"unhold", class="hl-string">"off hold"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"hold_placed_on_interaction"])
    if any(token in text for token in [class="hl-string">"resume", class="hl-string">"unhold", class="hl-string">"off hold", class="hl-string">"hold removed"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"hold_removed_from_interaction"])
    if any(token in text for token in [class="hl-string">"transfer", class="hl-string">"transferred"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"interaction_transferred"])
    if any(token in text for token in [class="hl-string">"acw start", class="hl-string">"after call work started", class="hl-string">"wrapup start", class="hl-string">"wrap-up start"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"after_call_work_started"])
    if any(token in text for token in [class="hl-string">"wrap-up code", class="hl-string">"wrap up code", class="hl-string">"wrapup code", class="hl-string">"disposition"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"wrap_up_code_assigned"])
    if any(token in text for token in [class="hl-string">"acw end", class="hl-string">"after call work ended", class="hl-string">"wrapup end", class="hl-string">"wrap-up end"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"after_call_work_ended"])
    if any(token in text for token in [class="hl-string">"disconnected", class="hl-string">"disconnect", class="hl-string">"conversation ended", class="hl-string">"conversation completed"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"interaction_disconnected"])
    if any(token in text for token in [class="hl-string">"re-opened", class="hl-string">"reopened", class="hl-string">"service request reopened"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"service_request_re_opened"])
    if any(token in text for token in [class="hl-string">"csat sent", class="hl-string">"customer satisfaction survey sent", class="hl-string">"survey sent"]):
        activities.append(ACTIVITY_NAMES[class="hl-string">"customer_satisfaction_survey_sent"])
    return list(dict.fromkeys(activities))


def normalize_event(event: Dict[str, Any], refresh_time: str) -> List[Dict[str, Any]]:
    detail = event_detail(event)
    rows: List[Dict[str, Any]] = []
    for activity in classify(detail, event):
        rows.append(base_row(detail, activity, event, refresh_time))
    return rows


def extract_events(event_bus_name: str, start_time: datetime, end_time: datetime) -> List[Dict[str, Any]]:
    client = boto3.client(class="hl-string">"events", region_name=os.environ.get(class="hl-string">"AWS_REGION", class="hl-string">"[Your AWS Region]"))
    rows: List[Dict[str, Any]] = []
    next_token: Optional[str] = None
    refresh_time = datetime.now(timezone.utc).isoformat()
    while True:
        request: Dict[str, Any] = {
            class="hl-string">"EventBusName": event_bus_name,
            class="hl-string">"StartTime": start_time,
            class="hl-string">"EndTime": end_time,
            class="hl-string">"Limit": 100,
        }
        if next_token:
            request[class="hl-string">"NextToken"] = next_token
        response = client.list_events(**request)
        for event in response.get(class="hl-string">"Events", []):
            rows.extend(normalize_event(event, refresh_time))
        next_token = response.get(class="hl-string">"NextToken")
        if not next_token:
            break
    return rows


def append_reopened_and_survey_rows(rows: List[Dict[str, Any]], explicit_business_events: Iterable[Dict[str, Any]]) -> None:
    refresh_time = datetime.now(timezone.utc).isoformat()
    for event in explicit_business_events:
        detail = event_detail(event)
        for activity in [
            ACTIVITY_NAMES[class="hl-string">"service_request_re_opened"],
            ACTIVITY_NAMES[class="hl-string">"customer_satisfaction_survey_sent"],
        ]:
            if activity in classify(detail, event):
                rows.append(base_row(detail, activity, event, refresh_time))


def deduplicate(rows: List[Dict[str, Any]]) -> List[Dict[str, Any]]:
    result: List[Dict[str, Any]] = []
    seen = set()
    for row in rows:
        key = (
            row.get(class="hl-string">"SourceEventId"), row.get(class="hl-string">"ServiceRequest"), row.get(class="hl-string">"ActivityName"),
            row.get(class="hl-string">"EventTime"), row.get(class="hl-string">"AgentId"), row.get(class="hl-string">"QueueName")
        )
        if key in seen:
            continue
        seen.add(key)
        result.append(row)
    return result


if __name__ == class="hl-string">"__main__":
    event_bus_name = os.environ.get(class="hl-string">"EVENT_BUS_NAME", class="hl-string">"[Your EventBridge event bus]")
    start_time = datetime.fromisoformat(os.environ.get(class="hl-string">"START_TIME", class="hl-string">"[Start date and time in ISO 8601 format]").replace(class="hl-string">"Z", class="hl-string">"+00:00"))
    end_time = datetime.fromisoformat(os.environ.get(class="hl-string">"END_TIME", class="hl-string">"[End date and time in ISO 8601 format]").replace(class="hl-string">"Z", class="hl-string">"+00:00"))
    normalized_rows = extract_events(event_bus_name, start_time, end_time)
    normalized_rows = deduplicate(normalized_rows)
    output_columns = [
        class="hl-string">"ServiceRequest", class="hl-string">"ActivityName", class="hl-string">"EventTime", class="hl-string">"EventEndTime", class="hl-string">"SourceSystem",
        class="hl-string">"LastDataUpdate", class="hl-string">"AgentId", class="hl-string">"AgentName", class="hl-string">"QueueName", class="hl-string">"WrapUpCode", class="hl-string">"MediaType", class="hl-string">"SourceEventId"
    ]
    output_path = os.environ.get(class="hl-string">"OUTPUT_PATH", class="hl-string">"[Your output file path]")
    import csv
    with open(output_path, class="hl-string">"w", newline=class="hl-string">"", encoding=class="hl-string">"utf-8") as output_file:
        writer = csv.DictWriter(output_file, fieldnames=output_columns)
        writer.writeheader()
        writer.writerows(normalized_rows)

Chcete začít?

Využijte naplno možnosti provozu zákaznického servisu. S touto šablonou můžete odhalit užitečné poznatky a hledat způsoby, jak zvýšit efektivitu.

Zpět na průvodce zlepšováním

Stáhnout šablonu

Omezte opakované kontakty a zlepšete zákaznický servis ještě dnes!

Zlepšete CSAT a snadno dosáhněte 80% vyřešení požadavků při prvním kontaktu.

Spusťte zkušební verzi zdarma

Platební kartu nepotřebujete. Zkušební verzi aktivujete během několika minut.

Datová šablona pro zákaznický servis

Datová šablona pro zákaznický servis

Atributy zákaznického servisu

Aktivity zákaznického servisu

Návody k extrakci dat

Export podrobných údajů o konverzacích z Genesys Cloud Analytics

Kroky

Konfigurace

Ukázkový dotaz python

Python skript využívající Genesys Cloud Platform API

Kroky

Konfigurace

Ukázkový dotaz python

Streamování událostí prostřednictvím integrace AWS EventBridge

Kroky

Konfigurace

Ukázkový dotaz python

Chcete začít?

Omezte opakované kontakty a zlepšete zákaznický servis ještě dnes!