> Kontinuierliche Prozessverbesserung > Kundenservice > Genesys Cloud CX > Daten Template

Ihr Daten-Template für den Kundenservice

Genesys Cloud CX

← Zurück zum Leitfaden zur Prozessverbesserung

Attribute des Kundenservice (19) Aktivitäten im Kundenservice (13) Anleitungen zur Datenextraktion (3)

Ihr Daten-Template für den Kundenservice

Dieses Template zeigt, welche Daten Sie erfassen sollten, um Ihren Kundenservice zu analysieren und zu verbessern. Es enthält Empfehlungen zu Attributen und wichtigen Aktivitäten sowie praktische Hinweise zum Extrahieren der Daten aus Ihren Quellsystemen. Verwenden Sie es, um ein aussagekräftiges Event Log für Ihre Process-Mining-Initiativen aufzubauen.

Empfohlene Attribute
Wichtige Aktivitäten zur Erfassung
Hinweise zur Datenextraktion

Neu bei Event Logs? Erfahren Sie, wie Sie ein Event Log für Process Mining erstellen.

Template herunterladen

Attribute des Kundenservice

Diese Datenfelder sollten Sie in Ihr Event Log aufnehmen, um Ihren Kundenservice umfassend zu analysieren.

5 Erforderlich 6 Empfohlen 8 Optional

	Name	Beschreibung
	Aktivitätsname ActivityName	Der Name des konkreten Ereignisses oder der Aufgabe, die zu einem bestimmten Zeitpunkt im Verlauf der Serviceanfrage aufgetreten ist.
Beschreibung Dieses Attribut beschreibt einen bestimmten Schritt oder eine Statusänderung im Kundenserviceprozess. Jede Aktivität steht für ein einzelnes Ereignis, etwa „Interaktion von Mitarbeitenden angenommen“ oder „Abschlusscode zugewiesen“. Die Analyse der Abfolge und Häufigkeit dieser Aktivitäten ist eine Grundlage des Process Mining. Sie macht Prozessabläufe sichtbar, zeigt Abweichungen und hilft, Engpässe oder ineffiziente Schritte zu erkennen. Warum das wichtig ist Aktivitäten bilden das Grundgerüst der Prozesslandkarte. Sie ermöglichen es, den tatsächlichen Prozessablauf zu visualisieren und mit dem geplanten Ablauf zu vergleichen. Woher beziehen Dieses Attribut wird üblicherweise ermittelt, indem Systemereignisse, Status von Mitarbeitenden oder bestimmte Audit-Trail-Einträge in Genesys Cloud CX standardisierten Aktivitätsnamen zugeordnet werden. Beispiele Interaktion begonnenInteraktion von Mitarbeitenden angenommenNachbearbeitung nach dem Anruf beendetServiceanfrage erneut geöffnet
	Serviceanfrage ServiceRequest	Die zentrale Kennung einer Kundenservice-Interaktion, die alle zugehörigen Aktivitäten miteinander verknüpft.
Beschreibung Die Serviceanfrage, auch Ticket oder Case genannt, ist die zentrale Kennung für ein einzelnes Kundenanliegen oder Problem. Sie fasst alle zugehörigen Ereignisse vom ersten Kontakt bis zur endgültigen Lösung in einer Prozessinstanz zusammen. Die Analyse nach Serviceanfrage bietet einen vollständigen Überblick über den Kundenverlauf und die interne Bearbeitung. Sie bildet die Grundlage für wichtige Kennzahlen wie die gesamte Bearbeitungszeit und die Lösungsquote beim ersten Kontakt. Warum das wichtig ist Dies ist die zentrale Case-ID, die alle Prozessschritte miteinander verknüpft und eine vollständige Analyse jeder Kundeninteraktion vom Anfang bis zum Ende ermöglicht. Woher beziehen Dies ist die konzeptionelle Case-Kennung. In Genesys entspricht sie häufig der Conversation-ID, kann je nach Implementierung aber auch eine benutzerdefinierte Kennung sein. Beispiele SR-20240521-00123SR-20240521-00124SR-20240522-00001
	Startzeit EventTime	Der Timestamp, der angibt, wann eine Aktivität oder ein Ereignis begonnen hat.
Beschreibung Dieses Attribut enthält Datum und Uhrzeit jeder Aktivität. Es ist entscheidend, um Ereignisse korrekt zu ordnen und zeitbasierte Analysen durchzuführen. Anhand der Startzeit wird der Prozessablauf chronologisch aufgebaut. Sie dient außerdem als Grundlage für die Berechnung von Dauer, Wartezeit und Zykluszeit zwischen Aktivitäten. Genaue Timestamps sind für verlässliche Prozessanalysen und die Überwachung der Leistung unerlässlich. Warum das wichtig ist Dieser Timestamp ordnet alle Aktivitäten chronologisch und ermöglicht so eine präzise Analyse von Prozessabläufen, Dauer und Engpässen. Woher beziehen Zu finden in Event Logs oder Interaktionsdetails von Genesys Cloud CX, häufig bei jedem protokollierten System- oder Benutzerereignis. Beispiele 2024-05-21T10:00:15Z2024-05-21T10:02:30Z2024-05-21T10:15:00Z
	Letzte Datenaktualisierung LastDataUpdate	Der Timestamp der letzten Datenaktualisierung.
Beschreibung Dieses Attribut gibt an, wann der Datensatz zuletzt aus dem Quellsystem aktualisiert wurde. Es zeigt, wie aktuell die analysierten Daten sind. Das ist wichtig, damit Geschäftsentscheidungen rechtzeitig getroffen werden und auf relevanten Informationen beruhen. Dashboards und Berichte sollten diesen Zeitpunkt gut sichtbar anzeigen, damit Benutzer die Aktualität der Daten und die Aussagekraft der Erkenntnisse beurteilen können. Warum das wichtig ist Zeigt die Aktualität der Daten an und stellt sicher, dass Analysen und Entscheidungen auf aktuellen Informationen beruhen. Woher beziehen Dieser Wert wird beim Extrahieren der Daten oder beim Laden in das Process-Mining-Tool erzeugt und dem Datensatz hinzugefügt. Beispiele 2024-05-23T04:00:00Z2024-05-24T04:00:00Z
	Quellsystem SourceSystem	Das System, aus dem die Daten exportiert wurden.
Beschreibung Dieses Attribut kennzeichnet das Ursprungssystem der Ereignisdaten, in diesem Fall Genesys Cloud CX. In Umgebungen mit mehreren integrierten Systemen ist dieses Feld wichtig für die Datenherkunft, die Fehlerbehebung und das Verständnis des Datenkontexts. Es hilft sicherzustellen, dass die Analyse auf der richtigen Datenquelle basiert, und ermöglicht das Filtern oder Segmentieren von Daten, wenn mehrere Systeme zu einer Prozessansicht beitragen. Warum das wichtig ist Kennzeichnet die Herkunft der Daten. Das ist wichtig für Data Governance und Validierung sowie beim Zusammenführen von Daten aus mehreren Systemen. Woher beziehen Dieser statische Wert wird üblicherweise beim Datenexport und bei der Datentransformation hinzugefügt, um die Herkunft der Datensätze zu kennzeichnen. Beispiele Genesys Cloud CXGenesysCloudCX_US1Genesys
	Agenten-ID AgentId	Die eindeutige Kennung des Agenten, der die Interaktion oder Aktivität bearbeitet hat.
Beschreibung Die Agenten-ID ist ein eindeutiger Schlüssel für jeden Kundenservice-Mitarbeitenden. Dieses Attribut ist für Analysen zur Leistung einzelner Agenten, zur Arbeitsverteilung und zur Effizienz unverzichtbar. Damit lässt sich die Prozessübersicht nach bestimmten Agenten oder Teams filtern. So können Sie Kennzahlen wie Bearbeitungszeit, Nacharbeitsquote und Einhaltung standardisierter Vorgehensweisen vergleichen. Das Attribut bildet eine wichtige Grundlage für das Dashboard „Leistung und Effizienz der Agenten“. Warum das wichtig ist Dieses Attribut ordnet Prozessaktivitäten bestimmten Mitarbeitenden zu. So lassen sich individuelle Leistung, Arbeitsaufkommen und Teameffizienz analysieren. Woher beziehen In den Gesprächsdetaildatensätzen von Genesys Cloud CX verfügbar und dem Benutzer zugeordnet, der einen bestimmten Abschnitt der Interaktion bearbeitet hat. Beispiele a1b2c3d4-e5f6-7890-1234-567890abcdeff0e9d8c7-b6a5-4321-fedc-ba0987654321
	Agentenname AgentName	Der vollständige Name des Agenten, der die Interaktion oder Aktivität bearbeitet hat.
Beschreibung Der Agentenname ist die lesbare Bezeichnung des Kundenservice-Mitarbeitenden und gehört zur jeweiligen Agenten-ID. Damit werden Dashboards und Berichte für Führungskräfte und Teamleitungen verständlicher. Der Name wird häufig in Analysen zu einzelnen Agenten verwendet, etwa um die Leistung zu prüfen, Schulungsbedarf zu erkennen und die Arbeitslast fair zu verteilen, ohne technische IDs nachschlagen zu müssen. Warum das wichtig ist Gibt den Namen des Agenten in lesbarer Form an. So lassen sich Leistungen einfacher analysieren und Ergebnisse ohne technische IDs kommunizieren. Woher beziehen Wird anhand der AgentId aus dem Users- oder Directory-Dienst in Genesys Cloud CX abgerufen. Beispiele John SmithJane DoePeter Jones
	Endzeit EventEndTime	Der Timestamp, der angibt, wann eine Aktivität oder ein Ereignis beendet wurde.
Beschreibung Dieses Attribut erfasst den genauen Zeitpunkt, zu dem eine Aktivität endet. Zusammen mit der Startzeit lässt sich damit die Dauer jeder einzelnen Aktivität exakt berechnen. Die Analyse der Aktivitätsdauer zeigt, welche Prozessschritte besonders viel Zeit beanspruchen. So lassen sich Ineffizienzen und Optimierungsmöglichkeiten erkennen. Beispielsweise kann die Analyse lange Wartezeiten bei „Hold Placed on Interaction“ oder eine übermäßig lange Nachbearbeitung nach einem Anruf aufzeigen. Warum das wichtig ist Ermöglicht die genaue Berechnung der Dauer einzelner Aktivitäten. Das ist wichtig, um zeitaufwendige Prozessschritte und Leistungsengpässe zu erkennen. Woher beziehen Zu finden in Event Logs oder Interaktionsdetails in Genesys Cloud CX. Der Wert lässt sich auch aus der Startzeit des nachfolgenden Ereignisses ableiten. Beispiele 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	Kommunikationskanal MediaType	Der für die Interaktion verwendete Kommunikationskanal, zum Beispiel Telefon, Chat oder E-Mail.
Beschreibung Dieses Attribut gibt an, über welches Medium Kunde und Agent kommuniziert haben. Zu den gängigen Kanälen zählen Telefon, Chat, E-Mail und soziale Medien. Die Analyse der Leistung nach Kanal, wie im Dashboard „Leistung nach Kommunikationskanal“, zeigt das jeweilige Anfragevolumen, die Bearbeitungszeiten und die Kundenzufriedenheit. Diese Erkenntnisse sind wichtig, um die Kanalstrategie und den Ressourceneinsatz zu optimieren. Warum das wichtig ist Die Aufteilung des Prozesses nach Kommunikationskanal ist entscheidend, um die Leistung der einzelnen Kanäle, das Kundenverhalten und den Ressourcenbedarf zu verstehen. Woher beziehen Ein Standardfeld in den Gesprächsdetaildatensätzen von Genesys Cloud CX. Beispiele TelefonChatE-MailNachricht
	Nachbearbeitungscode WrapUpCode	Ein Code, den ein Agent am Ende einer Interaktion zuweist, um deren Ergebnis oder Thema zu kategorisieren.
Beschreibung Der Nachbearbeitungscode ist eine vom Agenten ausgewählte Kennzeichnung, mit der Art oder Ergebnis einer Kundeninteraktion klassifiziert werden. Die Codes liefern strukturierte Informationen darüber, aus welchen Gründen sich Kunden an den Support wenden. Ihre Analyse zeigt häufige Anliegen, dokumentiert Bearbeitungsergebnisse und erfasst, wie oft bestimmte Anfragen auftreten. Diese Daten helfen bei der Ursachenanalyse und dabei, Muster in der Servicenachfrage zu erkennen. Warum das wichtig ist Kategorisiert das Ergebnis einer Interaktion und liefert strukturierte Daten zur Analyse häufiger Anliegen, der Wirksamkeit von Lösungen und der Kontaktgründe. Woher beziehen In den Gesprächsdetaildatensätzen von Genesys Cloud CX verfügbar, insbesondere in den Sitzungsdetails der Agenten. Beispiele Passwort zurücksetzenAbrechnungsstreitfall gelöstAnfrage zu ProduktinformationenAn Support der Stufe 2 eskaliert
	Warteschlangenname QueueName	Der Name der Warteschlange, an die die Interaktion weitergeleitet wurde.
Beschreibung Dieses Attribut gibt an, in welcher Warteschlange eine Interaktion gewartet hat, bevor sie einem Agenten zugewiesen wurde. Für das Dashboard „Engpässe in Service-Warteschlangen erkennen“ sind Analysen nach Warteschlangenname unverzichtbar. Sie zeigen Führungskräften, wie sich das Arbeitsaufkommen auf verschiedene Kompetenzgruppen oder Servicebereiche verteilt, wie lange Kunden je Warteschlange warten und welche Warteschlangen dauerhaft unterbesetzt oder überlastet sind. Diese Informationen helfen, Ressourcen gezielter einzusetzen und Wartezeiten zu verkürzen. Warum das wichtig ist Zeigt, wo Serviceanfragen auf ihre Zuweisung warten. So lassen sich Engpässe erkennen und Arbeitsaufkommen analysieren. Woher beziehen In den Gesprächsdetaildatensätzen von Genesys Cloud CX verfügbar. Eine Interaktion kann eine oder mehrere Warteschlangen durchlaufen. Beispiele Support der Stufe 1 – TelefonAbrechnungsanfragen – ChatTechnischer Support – E-Mail
	Art der Serviceanfrage ServiceRequestType	Die Klassifizierung der Serviceanfrage, zum Beispiel „Anfrage“, „Beschwerde“ oder „technisches Problem“.
Beschreibung Dieses Attribut kategorisiert Serviceanfragen nach Art oder Zweck. Damit lässt sich die Analyse danach aufteilen, wie unterschiedliche Anfragetypen bearbeitet werden. So können sich Prozessablauf und Bearbeitungszeit bei einer „Beschwerde“ deutlich von einer „allgemeinen Anfrage“ unterscheiden. Diese Dimension ist für Dashboards wie „Analyse interner Eskalationen“ wichtig, um festzustellen, ob bestimmte Anfragetypen häufiger eskaliert werden. Warum das wichtig ist Ermöglicht den Vergleich, wie unterschiedliche Anfragetypen bearbeitet werden, und hilft, typenspezifische Engpässe und Ineffizienzen zu erkennen. Woher beziehen Diese Information kann über eine Auswahl im IVR, die Eingabe des Kunden in einem Webformular oder die Zuweisung durch einen Agenten erfasst werden. In Genesys kann sie als Teilnehmerattribut oder Nachbearbeitungscode gespeichert sein. Beispiele AbrechnungsanfrageTechnischer SupportKontoverwaltungProduktbeschwerde
	Bearbeitungszeit der Serviceanfrage ServiceResolutionTime	Die gesamte Zeit vom Beginn der ersten Kundeninteraktion bis zur endgültigen Lösung.
Beschreibung Diese Kennzahl misst die Gesamtdauer einer Serviceanfrage, vom ersten Kontakt des Kunden bis zur Kennzeichnung des Anliegens als gelöst. Sie ist ein wichtiger Leistungsindikator für die Effizienz des Gesamtprozesses und die Customer Experience. Dieses berechnete Attribut steht im Mittelpunkt des Dashboards „Bearbeitungszeit von Serviceanfragen“ und der KPI „Durchschnittliche Bearbeitungszeit von Serviceanfragen“. Die Verteilung der Werte zeigt langwierige Cases und systembedingte Verzögerungen. Warum das wichtig ist Diese wichtige KPI misst die Effizienz des Gesamtprozesses und dessen Auswirkungen auf die Customer Experience. Woher beziehen Berechnetes Feld: Timestamp der Aktivität zur endgültigen Lösung minus Timestamp der ersten Kundenkontaktaktivität. Beispiele 90010800172800
	Beim Erstkontakt gelöst IsFirstContactResolution	Kennzeichnet, ob die Serviceanfrage in einer einzigen Interaktion gelöst wurde.
Beschreibung Dieses boolesche Attribut kennzeichnet Cases, die während der ersten Interaktion gelöst wurden, ohne dass eine Rückfrage beim Kunden oder eine interne Weiterleitung nötig war. Der Wert „true“ steht für eine effiziente Lösung beim Erstkontakt. Dieses Attribut bildet die Grundlage für die KPI „Lösungsquote beim Erstkontakt“ und das zugehörige Dashboard. Die Analyse von Cases, die nicht beim ersten Kontakt gelöst wurden, kann Möglichkeiten für Agentenschulungen, Verbesserungen der Wissensdatenbank oder Prozessänderungen aufzeigen. Warum das wichtig ist Misst direkt die Effizienz und Kundenzufriedenheit, denn die Lösung beim ersten Versuch trägt wesentlich zu einer positiven Serviceerfahrung bei. Woher beziehen Berechnetes Feld, abgeleitet aus der Analyse der Ereignisfolge eines Cases. Ein Case gilt als beim Erstkontakt gelöst (FCR), wenn keine bestimmten dazwischenliegenden Aktivitäten wie Weiterleitungen oder Wiedereröffnungen auftreten. Beispiele truefalse
	CSAT-Wert CustomerSatisfactionScore	Der Zufriedenheitswert, den der Kunde in einer Umfrage nach der Interaktion angibt.
Beschreibung Der Customer Satisfaction Score (CSAT) misst direkt, wie der Kunde den erhaltenen Service bewertet. Er wird üblicherweise in einer Umfrage erhoben, die nach Abschluss der Interaktion versendet wird. Werden CSAT-Werte zusammen mit Prozessdaten analysiert, lässt sich erkennen, wie Prozessabweichungen, Bearbeitungszeiten oder einzelne Agenten die Kundenzufriedenheit beeinflussen. Diese Kennzahl ist ein wichtiger Ergebnisindikator für den Erfolg des Gesamtprozesses. Warum das wichtig ist Misst direkt die Kundenzufriedenheit und ermöglicht es, die Prozessleistung mit den Ergebnissen für Kunden in Beziehung zu setzen. Woher beziehen Diese Daten stammen üblicherweise aus dem Modul Quality Management von Genesys Cloud CX oder aus einem Umfragetool eines Drittanbieters, das in Genesys integriert ist. Beispiele 5413
	Konversations-ID ConversationId	Die eindeutige Kennung, die Genesys einer gesamten Konversation zuweist.
Beschreibung Die Konversations-ID ist der zentrale technische Schlüssel in Genesys Cloud CX. Sie fasst alle zugehörigen Interaktionen, Segmente und Teilnehmer einer Kundenkonversation zusammen. Als Case-ID dient konzeptionell die „Serviceanfrage“. Die Konversations-ID ist jedoch der zugrunde liegende Schlüssel, mit dem sich alle zugehörigen Daten über die Genesys-APIs abrufen lassen. Sie ist unverzichtbar für die Datenextraktion, das Zusammenführen verschiedener Datensätze und die technische Validierung der Prozessdaten. Warum das wichtig ist Dies ist der zentrale technische Schlüssel in Genesys. Er ist unverzichtbar für die Datenextraktion, die Fehlerbehebung und die Verknüpfung mit dem Quellsystem. Woher beziehen Ein zentrales Feld in allen Analyse- und Konversations-APIs von Genesys Cloud CX. Beispiele d8a7c6b5-e4f3-2109-8765-fedcba098765c7b6a5d4-f3e2-1098-7654-edcbaf987654
	SLA eingehalten IsSlaCompliant	Kennzeichnet, ob die Serviceanfrage innerhalb der SLA-Zielzeit gelöst wurde.
Beschreibung Dieses boolesche Attribut gibt an, ob eine Serviceanfrage innerhalb der vorgegebenen Bearbeitungszeit gelöst wurde. Dazu wird die „ServiceResolutionTime“ mit der „SlaTargetResolutionTime“ verglichen. Das Kennzeichen vereinfacht Analysen und Visualisierungen im Dashboard „SLA-Konformität im Überblick“ und bildet die Grundlage für die KPI „SLA-Konformitätsquote“. Damit lassen sich SLA-konforme und nicht konforme Cases schnell filtern und segmentieren, um wiederkehrende Muster bei SLA-Verstößen zu erkennen. Warum das wichtig ist Vereinfacht die Analyse der SLA-Leistung, indem jeder Case eindeutig als SLA-konform oder als SLA-Verstoß gekennzeichnet wird. So lassen sich die Ursachen von Verstößen untersuchen. Woher beziehen Berechnetes Feld: True, wenn ServiceResolutionTime <= SlaTargetResolutionTime, andernfalls False. Beispiele truefalse
	SLA-Zielbearbeitungszeit SlaTargetResolutionTime	Die vertraglich vereinbarte Zielzeit für die Bearbeitung der Serviceanfrage.
Beschreibung Dieses Attribut legt gemäß Service Level Agreement (SLA) die maximale Zeit fest, die für die Bearbeitung einer Serviceanfrage vorgesehen ist. Es dient als Vergleichswert für die tatsächliche Bearbeitungszeit. Diese Daten sind wichtig für das Dashboard „SLA-Konformität im Überblick“ und die KPI „SLA-Konformitätsquote“. Damit kann die Organisation ihre Leistung anhand der Zusagen gegenüber Kunden überwachen und mögliche SLA-Verstöße frühzeitig erkennen. Warum das wichtig ist Liefert den Vergleichswert zur Messung der SLA-Konformität, einem wichtigen Indikator für die Serviceleistung und die Einhaltung vertraglicher Verpflichtungen. Woher beziehen Kann als benutzerdefiniertes Attribut der Konversation gespeichert oder anhand von Regeln zu Warteschlange, Kundentyp oder Anfragetyp abgeleitet werden. Beispiele 86400144003600
	Wiedereröffnet IsReopened	Kennzeichnet, ob eine gelöste Serviceanfrage später wiedereröffnet wurde.
Beschreibung Dieses boolesche Attribut kennzeichnet Serviceanfragen, die zunächst als gelöst oder geschlossen markiert wurden, später aber wieder aktiv waren. Wiedereröffnete Cases deuten häufig darauf hin, dass die ursprüngliche Lösung nicht wirksam oder vollständig war. Das kann zu Unzufriedenheit bei Kunden und zusätzlichem Arbeitsaufwand führen. Dieses Attribut bildet die Grundlage für das Dashboard „Trends bei wiedereröffneten Serviceanfragen“ und die KPI „Wiedereröffnungsquote von Serviceanfragen“. Die Analyse dieser Cases hilft, die Ursachen unwirksamer Lösungen zu erkennen. Warum das wichtig ist Macht Schwachstellen im Lösungsprozess sichtbar. Sie weisen auf Probleme mit der Lösungsqualität hin und führen zu Nacharbeit sowie einer schlechteren Customer Experience. Woher beziehen Berechnetes Feld, abgeleitet aus der Erkennung einer Aktivität, die den Case nach einer Aktivität „Serviceanfrage gelöst“ wieder aktiviert. Beispiele truefalse

Erforderlich Empfohlen Optional

Aktivitäten im Kundenservice

Diese wichtigen Prozessschritte und Meilensteine sollten Sie in Ihrem Event Log erfassen, um den Prozess präzise zu entdecken.

5 Empfohlen 8 Optional

	Aktivität	Beschreibung
	Abschlusscode zugewiesen	Eine Person weist der Interaktion einen vordefinierten Abschluss- oder Dispositionscode zu. Damit wird das Ergebnis der Serviceanfrage ausdrücklich kategorisiert, etwa als „Gelöst“ oder „Eskaliert“.
Warum das wichtig ist Abschlusscodes sind eine wichtige Quelle, um das Geschäftsergebnis einer Anfrage zu bestimmen. Sie sind entscheidend für die Berechnung von Lösungsquoten und die Segmentierung von Cases für die Analyse. Woher beziehen Dieses Ereignis wird ausdrücklich in den Conversation-Detaildatensätzen erfasst, üblicherweise in den Sitzungsdaten des Mitarbeitenden-Teilnehmers. Der Abschlusscode und der Timestamp werden protokolliert. Erfassung Wird protokolliert, wenn eine Person einen Abschlusscode für die Interaktion auswählt. Ereignistyp explicit
	Interaktion begonnen	Diese Aktivität markiert den Beginn einer Kundenservice-Interaktion, etwa eines eingehenden Anrufs, Chats oder einer E-Mail. Genesys Cloud CX protokolliert dieses Ereignis ausdrücklich, sobald im System ein neues Conversation-Objekt erstellt wird.
Warum das wichtig ist Dies ist das zentrale Start-Event des Serviceanfrageprozesses. Es ist wichtig, um die gesamte Bearbeitungszeit zu berechnen und Muster bei eingehenden Kundenanfragen zu erkennen. Woher beziehen Dieses Ereignis wird in den Conversation-Detaildatensätzen erfasst. Es entspricht der Startzeit des Conversation-Objekts und ist üblicherweise im Timestamp conversationStart zu finden. Erfassung Wird protokolliert, wenn im System eine neue Conversation beginnt. Ereignistyp explicit
	Interaktion getrennt	Diese Aktivität markiert das Ende der Conversation, sobald alle Teilnehmenden die Verbindung getrennt haben. Damit ist die Serviceanfrage technisch abgeschlossen.
Warum das wichtig ist Dies ist das eindeutige End-Event der Interaktion. Es ist wichtig, um die gesamte Interaktionsdauer zu berechnen, und dient häufig als Näherungswert für den Abschluss der Anfrage. Woher beziehen Das Ereignis wird in den Conversation-Detaildatensätzen erfasst. Es entspricht der Endzeit des Conversation-Objekts und ist üblicherweise im Timestamp conversationEnd zu finden. Erfassung Wird protokolliert, wenn alle Teilnehmenden die Verbindung getrennt haben und die Conversation endet. Ereignistyp explicit
	Interaktion von Mitarbeitenden angenommen	Dieses Ereignis markiert den Zeitpunkt, zu dem eine Person die angebotene Interaktion annimmt und mit dem Kunden verbunden wird. Damit beginnt die direkte Bearbeitung der Serviceanfrage.
Warum das wichtig ist Diese Aktivität ist wichtig, um die Lösungsquote beim ersten Kontakt und die Bearbeitungszeit der Mitarbeitenden zu messen. Sie kennzeichnet den Beginn der Arbeit an der Anfrage. Woher beziehen Das Ereignis ist in den Conversation-Detaildatensätzen verfügbar. Es wird daran erkannt, dass der Status des Teilnehmers von der Seite der Mitarbeitenden zu „connected“ wechselt. Der zugehörige Timestamp wird ebenfalls erfasst. Erfassung Wird protokolliert, wenn der Status eines Mitarbeitenden-Teilnehmers zu „connected“ wechselt. Ereignistyp explicit
	Interaktion weitergeleitet	Dieses Ereignis bezeichnet die Weiterleitung einer Interaktion durch eine Person an eine andere Warteschlange oder eine andere Person. Bei einer direkten Weiterleitung wird die Verbindung sofort getrennt. Bei einer Rücksprache spricht die Person zuerst mit dem Empfänger.
Warum das wichtig ist Diese Aktivität ist wichtig für die KPI zur internen Eskalationsquote. Häufige Weiterleitungen können auf Schulungsbedarf, falsches Routing oder komplexe Prozesse hinweisen. Woher beziehen Das Ereignis wird in den Conversation-Detaildatensätzen daran erkannt, dass nach der Beteiligung der ersten Person ein neuer ACD- oder Mitarbeitenden-Teilnehmer zur Conversation hinzukommt. Häufig wird dies durch ein Ereignis vom Typ „transfer“ ausgelöst. Erfassung Erkennbar an einem Weiterleitungsereignis in den Sitzungsdaten des Teilnehmers. Ereignistyp explicit
	Conversation an Warteschlange weitergeleitet	Dieses Ereignis bezeichnet den Zeitpunkt, zu dem eine neue Interaktion in eine bestimmte Warteschlange gestellt wird, um auf eine verfügbare Person zu warten. Die Genesys-Routing-Engine (ACD) protokolliert es ausdrücklich.
Warum das wichtig ist Die Erfassung dieser Aktivität ist entscheidend, um Wartezeiten in Warteschlangen zu messen und Engpässe im Routing zu erkennen. Lange Zeiträume zwischen diesem Ereignis und der Zuweisung an Mitarbeitende weisen auf Probleme bei der Personalbesetzung oder den Routing-Regeln hin. Woher beziehen Die Daten stammen aus den Conversation-Detaildatensätzen. Berücksichtigt werden insbesondere „purpose“ und „state“ des ACD-Teilnehmers innerhalb der Conversation. Der Wert „enterTime“ für die Warteschlange im Metrik-Array kennzeichnet dieses Ereignis. Erfassung Wird protokolliert, wenn die ACD-Routing-Engine eine Conversation in eine Warteschlange stellt. Ereignistyp explicit
	Interaktion auf Halten gesetzt	Diese Aktivität wird erfasst, wenn eine Person den Kunden während einer Interaktion in die Warteschleife setzt. Dabei ändert sich der Status des Mitarbeitenden-Teilnehmers innerhalb der Conversation.
Warum das wichtig ist Die Analyse von Häufigkeit und Dauer der Warteschleifen kann Ineffizienzen aufdecken, etwa wenn Mitarbeitende häufig Informationen suchen oder Rücksprache halten müssen. Woher beziehen Die Daten stammen aus den Sitzungsdaten des Mitarbeitenden-Teilnehmers in den Conversation-Detaildatensätzen. Der Status wechselt zu „held“ und ein Timestamp wird erfasst. Erfassung Wird protokolliert, wenn der Status eines Mitarbeitenden-Teilnehmers zu „held“ wechselt. Ereignistyp explicit
	Interaktion aus Warteschleife genommen	Dieses Ereignis tritt ein, wenn eine Person den Kunden aus der Warteschleife nimmt und das Gespräch fortsetzt. Es markiert das Ende der Wartezeit und wird als Statusänderung protokolliert.
Warum das wichtig ist Zusammen mit „Interaktion auf Halten gesetzt“ ermöglicht diese Aktivität eine genaue Berechnung der gesamten Wartezeit. Diese ist ein wichtiger Bestandteil der gesamten Bearbeitungszeit und der Customer Experience. Woher beziehen Abgeleitet aus den Sitzungsdaten des Mitarbeitenden-Teilnehmers, wenn dessen Status von „held“ zurück zu „connected“ wechselt. Erfassung Wird protokolliert, wenn der Status eines Mitarbeitenden-Teilnehmers von „held“ zu „connected“ wechselt. Ereignistyp explicit
	Interaktion Mitarbeitenden angeboten	Dieses Ereignis tritt ein, wenn das System eine Interaktion einer bestimmten Person anbietet. Der Status der Person wechselt zu „alerting“, während das System auf die Annahme oder Ablehnung der Conversation wartet.
Warum das wichtig ist Mit dieser Aktivität lässt sich die Reaktionszeit der Mitarbeitenden und die Wirksamkeit des Routing-Algorithmus analysieren. Verzögerungen danach können darauf hindeuten, dass Mitarbeitende angebotene Aufgaben nicht zeitnah annehmen. Woher beziehen Das Ereignis ist in den Conversation-Detaildatensätzen unter den Teilnehmerdaten der betreffenden Person zu finden. Die Sitzung des Teilnehmers enthält eine Kennzahl mit dem Status „alerting“ und dem zugehörigen Timestamp. Erfassung Wird protokolliert, wenn die Routing-Engine eine Person über eine neue Interaktion informiert. Ereignistyp explicit
	Nachbearbeitung nach dem Anruf beendet	Dieses Ereignis markiert das Ende der Nachbearbeitungszeit einer Person. Danach steht sie für die nächste Interaktion zur Verfügung.
Warum das wichtig ist Zusammen mit „Nachbearbeitung nach dem Anruf begonnen“ gibt diese Aktivität die genaue Dauer der Abschlussphase an. So lassen sich Produktivität und Prozessaufwand analysieren. Woher beziehen Abgeleitet aus dem Wechsel des Status von „acw“ zu einem verfügbaren Status wie „idle“. Verwendet wird der Timestamp dieser Statusänderung. Erfassung Abgeleitet aus dem Wechsel des Status von „acw“ zu einem verfügbaren Status. Ereignistyp inferred
	Nachbearbeitung nach dem Anruf begonnen	Diese Aktivität markiert den Beginn der Nachbearbeitungszeit nach einem Anruf (ACW). Die Person hat die Verbindung zum Kunden beendet und wechselt in einen eigenen Status, um beispielsweise Notizen zu erfassen oder Systeme zu aktualisieren.
Warum das wichtig ist Die Dauer der ACW ist wichtig, um die Effizienz der Mitarbeitenden und die gesamte Bearbeitungszeit zu verstehen. Eine lange ACW kann auf ineffiziente Abläufe nach der Interaktion hinweisen. Woher beziehen Die Daten stammen aus den Sitzungsdaten des Mitarbeitenden-Teilnehmers. Das Ereignis wird protokolliert, wenn der Status der Person nach dem Trennen der Verbindung zum Kunden zu „acw“ wechselt. Erfassung Wird protokolliert, wenn der Status eines Mitarbeitenden-Teilnehmers zu „acw“ wechselt. Ereignistyp explicit
	Serviceanfrage erneut geöffnet	Dieses Ereignis bezeichnet den Fall, dass sich ein Kunde kurz nach der vermeintlichen Lösung erneut mit demselben Anliegen an den Service wendet. Es wird nicht ausdrücklich protokolliert, sondern anhand von Geschäftsregeln berechnet.
Warum das wichtig ist Die Erfassung erneut geöffneter Anfragen ist wichtig, um die Wiedereröffnungsquote zu messen. Sie zeigt, dass die ursprüngliche Lösung nicht wirksam war, und wirkt sich auf Kundenzufriedenheit und betriebliche Effizienz aus. Woher beziehen Diese Aktivität wird abgeleitet, wenn innerhalb eines festgelegten Zeitraums nach der Lösung einer früheren Interaktion ein neues Ereignis „Interaktion begonnen“ für denselben Kunden (Customer ID) und ein zugehöriges Anliegen (z. B. Service Request Type) auftritt. Erfassung Berechnet, indem eine neue Interaktion mit einer kürzlich geschlossenen Interaktion desselben Kunden zum selben Anliegen verknüpft wird. Ereignistyp calculated
	Umfrage zur Kundenzufriedenheit versendet	Diese Aktivität tritt ein, wenn nach Abschluss einer Interaktion eine Umfrage zur Kundenzufriedenheit (CSAT) versendet wird. Häufig löst das System den Versand automatisch anhand vordefinierter Regeln aus.
Warum das wichtig ist Diese Aktivität ist erforderlich, um die KPI zur Pünktlichkeit des CSAT-Umfrageversands zu messen. Ein zeitnaher Versand hilft, aussagekräftiges Feedback einzuholen, solange die Erfahrung dem Kunden noch präsent ist. Woher beziehen Diese Informationen sind üblicherweise in den Umfrage- oder Qualitätsmanagementdaten von Genesys Cloud CX verfügbar. Sie lassen sich der ursprünglichen Conversation-ID zuordnen. Erfassung Wird vom Umfragemodul protokolliert, wenn eine Umfrage zu einer bestimmten Conversation versendet wird. Ereignistyp explicit

Anleitungen zur Datenextraktion

So exportieren Sie Ihre Daten aus Genesys Cloud CX

Schritte

Analytics-Arbeitsbereich öffnen: Melden Sie sich bei Genesys Cloud CX an. Öffnen Sie das Menü und wählen Sie Admin. Wählen Sie anschließend unter Analytics den Eintrag Workspace.
Neue Ansicht erstellen: Klicken Sie auf das Plus-Symbol, um einen neuen Tab hinzuzufügen, und wählen Sie "Create a new view". Wählen Sie als Ansichtstyp "Interactions". Daraufhin öffnet sich der Editor für Interaktionsansichten.
Zeitraum festlegen: Legen Sie im Filterbereich links das gewünschte Datum und Zeitintervall für die zu exportierenden Daten fest. Testen Sie den Ablauf zunächst mit einem kürzeren Zeitraum, zum Beispiel einer Woche.
Spalten für den Export auswählen: Dieser Schritt ist für die Datenaufbereitung besonders wichtig. Klicken Sie auf die Schaltfläche "Columns". Wählen Sie aus den verfügbaren Feldern die folgenden Spalten aus und fügen Sie sie Ihrer Ansicht hinzu. Diese Felder enthalten die erforderlichen Daten für das Event Log:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (Dieses komplexe Feld enthält verschachtelte Daten zu Mitarbeitenden, Warteschlangen und Kunden.)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Weitere Filter anwenden: Grenzen Sie die Daten bei Bedarf über den Filterbereich ein. Sie können nach Media Type (z. B. voice, chat), Warteschlange, Direction (inbound/outbound) oder anderen Gesprächseigenschaften filtern, um gezielt den gewünschten Serviceanfrageprozess zu untersuchen.
Ansicht speichern und ausführen: Speichern Sie die Ansicht unter einem aussagekräftigen Namen, zum Beispiel "Process Mining Service Request Export". Anschließend werden die Daten geladen, die Ihren Kriterien entsprechen.
Export starten: Klicken Sie nach dem Laden der Daten in der Ansicht auf die Schaltfläche "Export", die üblicherweise durch ein Download-Symbol dargestellt wird. Wählen Sie "Export as CSV" oder "Export as JSON". Für die erste Verarbeitung ist CSV oft einfacher.
Exportdatei herunterladen: Der Export wird im Hintergrund ausgeführt. Sie können den Fortschritt unter Performance > My Exports verfolgen. Laden Sie die Datei nach Abschluss auf Ihr lokales System herunter.
Rohdaten umwandeln: Die exportierte Datei enthält eine Zeile pro Gespräch. Die Daten zu Teilnehmenden und Segmenten sind in einer einzelnen Spalte verschachtelt. Führen Sie ein Transformationsskript aus, etwa das im Abschnitt Query bereitgestellte Python-Skript, um die Daten zu entflechten. Das Skript verarbeitet den Rohdatenexport und erstellt eine neue Datei mit einer Zeile pro Aktivität, zum Beispiel "Agent Accepted Interaction" oder "Hold Placed on Interaction".
Individuelle Logik ergänzen: Berücksichtigen Sie bei der Transformation alle geschäftsspezifischen Regeln. Die Aktivität "Service Request Re-Opened" muss beispielsweise anhand späterer Interaktionen desselben Kunden innerhalb eines festgelegten Zeitraums ermittelt werden.
Event Log fertigstellen: Das Transformationsskript sollte eine CSV-Datei mit den für ProcessMind erforderlichen Spalten ausgeben, darunter ServiceRequest, ActivityName, EventTime und weitere Attribute. Achten Sie auf ein einheitliches Timestamp-Format.
In ProcessMind hochladen: Die transformierte CSV-Datei ist nun bereit für den Upload in Ihr Process-Mining-Tool.

Konfiguration

Berechtigungen: Die Benutzerrolle Ihres Genesys Cloud CX-Kontos muss über die Berechtigung Analytics > Conversation > View verfügen, damit Sie auf den Analytics-Arbeitsbereich zugreifen und Ansichten für Interaktionen erstellen können.
Zeitraum: Verwenden Sie für den ersten Export einen repräsentativen Zeitraum von 3 bis 6 Monaten. In Kontaktzentren mit sehr hohem Volumen empfiehlt sich ein Export in kleineren Abschnitten, etwa wochen- oder monatsweise. So vermeiden Sie Systembeschränkungen und behalten die Dateigröße im Griff.
Wichtige Filter:
- Media Type: Filtern Sie nach den für Ihren Kundenservice relevanten Kanälen, zum Beispiel voice, chat oder email.
- Warteschlange: Wenn bestimmte Teams den Prozess bearbeiten, filtern Sie nach den entsprechenden Warteschlangen-IDs. So exportieren Sie nur Daten zum gewünschten Prozess.
- Direction: Filtern Sie in der Regel nach eingehenden Interaktionen (inbound), um Serviceanfragen von Kunden zu erfassen.
Exports palten: Die Spalte Participants ist unverzichtbar, da sie den detaillierten zeitlichen Ablauf der Ereignisse für Mitarbeitende und Warteschlangen enthält. Ohne diese Spalte können Sie keine einzelnen Aktivitäten extrahieren. Nehmen Sie auch Conversation ID, Conversation Start und Conversation End auf.
Leistung berücksichtigen: Wenn Sie viele Spalten oder einen sehr langen Zeitraum exportieren, kann der Export längere Zeit in Anspruch nehmen. Schlägt der Auftrag fehl oder läuft er in ein Zeitlimit, verkürzen Sie den Zeitraum und versuchen Sie es erneut. Genesys Cloud begrenzt einen Exportauftrag auf ungefähr 1 Million Gespräche.

a Beispielabfrage 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}")

Schritte

Voraussetzungen und Einrichtung: Installieren Sie Python 3.8 oder höher sowie die Bibliotheken pandas und purecloud-platform-client-v2. Installieren Sie sie mit pip: pip install pandas purecloud-platform-client-v2.
Genesys Cloud OAuth-Client erstellen: Melden Sie sich beim Administratorkonto von Genesys Cloud CX an. Öffnen Sie Integrations > OAuth und erstellen Sie einen Client mit dem Grant-Typ 'Client Credentials'. Weisen Sie ihm eine Rolle mit der Berechtigung analytics:conversationDetail:view zu.
Zugangsdaten im Skript hinterlegen: Speichern Sie die Client-ID und das Client-Secret aus dem vorherigen Schritt. Ersetzen Sie im unten bereitgestellten Python-Skript die Platzhalterwerte für CLIENT_ID, CLIENT_SECRET und GENESYS_CLOUD_REGION durch Ihre Zugangsdaten.
Extraktionszeitraum festlegen: Suchen Sie im Skript die Variable query_body. Ändern Sie den Wert von interval, um den gewünschten Zeitraum für die Datenextraktion festzulegen. Testen Sie den Ablauf zunächst mit einem kurzen Zeitraum, etwa einem Tag.
Python-Skript ausführen: Starten Sie das Skript im Terminal mit python your_script_name.py. Das Skript authentifiziert sich bei der Genesys Cloud API, übermittelt einen asynchronen Analytics-Auftrag und gibt die Auftrags-ID aus.
Auftragsstatus überwachen: Das Skript fragt den Status des Auftrags automatisch alle 15 Sekunden über die API ab. Statusmeldungen erscheinen in der Konsole. Je nach angefordertem Datenvolumen kann dieser Schritt mehrere Minuten oder länger dauern.
Daten verarbeiten und umwandeln: Nach Abschluss des Auftrags lädt das Skript die resultierenden JSON-Daten herunter. Anschließend verarbeitet es jeden Gesprächsdatensatz und wertet die Daten zu Teilnehmenden, Sitzungen und Segmenten aus, um die wichtigsten Aktivitäten und Attribute zu ermitteln und zu strukturieren.
Berechnete Ereignisse berücksichtigen: Das Skript enthält einen Nachbearbeitungsschritt, der Ereignisse vom Typ 'Service Request Re-Opened' ermittelt. Diese anpassbare Logik prüft, ob derselbe Kunde innerhalb eines festgelegten Zeitraums nach Abschluss einer vorherigen Interaktion eine neue Interaktion beginnt.
Event Log erstellen: Die umgewandelten Daten werden in einem pandas DataFrame zusammengeführt, dessen Struktur einem Process-Mining-Event-Log entspricht.
Abschließende CSV-Datei exportieren: Das Skript speichert den fertigen DataFrame als CSV-Datei mit dem Namen genesys_event_log.csv. Diese Datei ist für den direkten Upload in die ProcessMind-Plattform formatiert.

Konfiguration

API-Zugangsdaten: Für die Authentifizierung benötigen Sie eine OAuth-Client-ID und ein Client-Secret. Diese müssen Sie in der Administrationsoberfläche von Genesys Cloud CX erstellen.
API-Berechtigungen: Die dem OAuth-Client zugewiesene Rolle muss über die Berechtigung analytics:conversationDetail:view verfügen, damit der Zugriff auf die erforderlichen Gesprächsdaten möglich ist.
Extraktionszeitraum: Der Parameter interval im API-Abfragekörper legt den Zeitraum für die Extraktion fest. In großen Umgebungen empfiehlt es sich, die Daten in kleineren, aufeinanderfolgenden Abschnitten zu extrahieren, zum Beispiel jeweils eine Woche. So vermeiden Sie API-Zeitüberschreitungen und begrenzen den Speicherbedarf.
Datenfilter: Sie können den API-Abfragekörper um conversationFilters, segmentFilters oder evaluationFilters ergänzen, um den Umfang der Extraktion einzugrenzen. Filtern Sie zum Beispiel nach einer bestimmten queueId oder mediaType, um einen Teil des Kundenserviceprozesses gezielt zu untersuchen.
Logik zum erneuten Öffnen: Den Zeitraum zur Ermittlung eines Ereignisses vom Typ 'Service Request Re-Opened' können Sie im Skript einstellen. Standardmäßig sind 72 Stunden festgelegt. Passen Sie diesen Wert an die Geschäftsregeln Ihrer Organisation an.
Umgebung: Für die Ausführung des Skripts benötigen Sie eine lokale Python-Umgebung mit dem erforderlichen SDK und den benötigten Bibliotheken. Ein direkter Zugriff auf den Genesys Cloud CX-Server oder die Datenbank ist nicht erforderlich.

a Beispielabfrage 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()

Schritte

Prüfen Sie, ob Ihre Genesys Cloud CX-Organisation die erforderliche EventBridge-Integration unterstützt, ob die passenden Administratorberechtigungen und der Zugriff auf Gesprächsereignisse vorhanden sind und ob Ihr AWS-Konto Ereignisse empfangen darf. Stimmen Sie die AWS-Zielregion, den EventBridge-Event-Bus sowie Organisations-, Bereichs-, Warteschlangen- oder Medienfilter mit der zuständigen Systemverantwortlichen Person ab.
Richten Sie die AWS-EventBridge-Integration in Genesys Cloud CX gemäß der aktuellen Administrationsoberfläche und der Integrationsdokumentation Ihrer Organisation ein. Wählen Sie das AWS-Zielkonto, die Region, den Event-Bus und die erforderlichen Kategorien von Gesprächsereignissen für die detaillierte Überwachung des Interaktionslebenszyklus aus. Da Menünamen und verfügbare Ereignisschemas je nach Organisation und Version variieren können, verwenden Sie für organisationsspezifische Pfade oder Einstellungen [Anhand Ihres Systems konfigurieren].
Konfigurieren Sie AWS EventBridge so, dass die Genesys-Cloud-Ereignisse im ausgewählten Event-Bus eingehen. Setzen Sie Berechtigungen nach dem Prinzip der geringsten Rechte, Verschlüsselung, Aufbewahrung und Überwachung ein und richten Sie, sofern unterstützt, ein Dead-Letter-Ziel ein. Erstellen Sie eine Regel, die die erforderlichen Ereignisse an den Empfänger für Ihren Data Lake, Ihr Data Warehouse, Ihren Stream-Prozessor oder Ihren Objektspeicher weiterleitet.
Erfassen Sie die EventBridge-Rohdaten, ohne ihre ursprünglichen Timestamps oder Kennungen zu verändern. Speichern Sie die Nutzdaten, den Erfassungs-Timestamp, den Ereignistyp, die Quelle, den Detailtyp und die Zustellungsmetadaten unter [Ihrer Rohdatenspeicherung für Ereignisse]. Bewahren Sie die Rohdaten auf, damit Sie Zuordnungen bei Änderungen an Genesys-Cloud-Schemas erneut prüfen können.
Richten Sie in Python einen Normalisierungsschritt ein, der die Rohdaten einliest, Gesprächskennung, Angaben zu Teilnehmenden und Sitzungen, Warteschlangen- und Mitarbeiterdaten, Medientyp, Nachbearbeitungsdaten und Ereignis-Timestamps ermittelt und anschließend für jede ausdrücklich erfasste Aktivität eine normalisierte Zeile ausgibt. Verwenden Sie die tatsächlichen Feldpfade aus den Ereignisbeispielen Ihrer Organisation. Leiten Sie keine Aktivitäten ab, die nicht durch ein konkretes Ereignis oder einen Zustandsübergang belegt sind.
Ordnen Sie explizite Zustandsänderungen von Gesprächen und Teilnehmenden in Genesys Cloud den erforderlichen ActivityName-Werten zu. Geben Sie Interaction Started aus, wenn ein Ereignis zur Gesprächserstellung vorliegt, Conversation Routed to Queue bei einem Routing-Ereignis, Agent Offered Interaction bei einem alarmierenden Mitarbeiterstatus, Agent Accepted Interaction bei Annahme oder Verbindung durch Mitarbeitende, Hold Placed on Interaction und Hold Removed from Interaction bei den entsprechenden Halteübergängen, Interaction Transferred bei einem expliziten Weiterleitungsereignis, After-Call Work Started und After-Call Work Ended bei expliziten ACW-Übergängen, Wrap-Up Code Assigned bei einer erfassten Zuweisung eines Abschlusscodes sowie Interaction Disconnected, wenn die Verbindung des Gesprächs oder der betreffenden Teilnehmersitzung getrennt wird.
Behandeln Sie Service Request Re-Opened und Customer Satisfaction Survey Sent getrennt. Gesprächsereignisse aus EventBridge enthalten nicht zwangsläufig eines dieser Ereignisse direkt. Wenn Ihre Organisation über eine explizite Quelle für Umfrageereignisse verfügt, nehmen Sie das Ereignis nur auf, wenn es tatsächlich empfangen wurde. Ermitteln Sie Service Request Re-Opened ausschließlich in einem separaten, dokumentierten Prozess auf Grundlage von Geschäftsregeln und fügen Sie die resultierende Zeile anschließend dem Event Log hinzu. ProcessMind berechnet oder leitet diese Aktivität nicht ab.
Tragen Sie unter ServiceRequest die stabile Kennung der Serviceanfrage oder des Gesprächs ein, die in Ihrer geschäftlichen Zuordnung festgelegt wurde. Verwenden Sie unter ActivityName genau eine erforderliche Aktivitätsbezeichnung, unter EventTime den Start-Timestamp der Aktivität und, sofern verfügbar, unter EventEndTime den End-Timestamp. Geben Sie als SourceSystem Genesys Cloud CX und AWS EventBridge und unter LastDataUpdate den Aktualisierungs-Timestamp der Extraktion an. Befüllen Sie optionale Attribute, wenn Werte vorhanden sind, andernfalls lassen Sie sie NULL.
Entfernen Sie Duplikate anhand der Anbieter-Ereigniskennung, sofern verfügbar, oder anhand eines dokumentierten zusammengesetzten Schlüssels aus ServiceRequest, ActivityName, EventTime, Teilnehmer- oder Mitarbeiterkennung und Quellereigniskennung. Berücksichtigen Sie Wiederholungsversuche von EventBridge und Ereignisse, die nicht in der richtigen Reihenfolge eintreffen. Entfernen Sie keine legitimen wiederholten Haltevorgänge, Weiterleitungen, Angebote oder sonstigen Aktivitäten.
Prüfen Sie die normalisierte Ausgabe anhand der Rohdatenanzahl, der Ereignis-Timestamps, Gesprächskennungen, Warteschlangen- und Mitarbeiterdaten sowie der vollständigen Aktivitätsliste. Exportieren Sie eine flache Datei oder laden Sie eine Tabelle mit den erforderlichen Spalten ServiceRequest, ActivityName, EventTime, SourceSystem und LastDataUpdate sowie, sofern verfügbar, den empfohlenen Spalten. Verwenden Sie ein einheitliches Zeitzonen- und Timestamp-Format, das ProcessMind akzeptiert, und laden Sie das Event Log anschließend als Eingabe für den Serviceanfrageprozess hoch.

Konfiguration

Integration und Ziel: Richten Sie die Genesys-Cloud-CX-AWS-EventBridge-Integration für das AWS-Zielkonto, die Region und den Event-Bus ein. Verwenden Sie [Anhand Ihres Systems konfigurieren] für organisationsspezifische Integrationseinstellungen, die sich aus den verfügbaren Ereignisbeispielen nicht ableiten lassen.
Umfang der Ereignisse: Abonnieren Sie die detaillierten Gesprächs-, Teilnehmer-, Sitzungs-, Routing-, Status-, Weiterleitungs-, Verbindungsabbruch-, Abschlusscode- und ACW-Ereignisse, die in Ihrer Genesys-Cloud-Organisation verfügbar sind. Prüfen Sie die genauen Ereignistypen und Feldpfade anhand einer kontrollierten Testinteraktion, bevor Sie die Lösung produktiv einsetzen.
Case-Kennung: Verwenden Sie für ServiceRequest die stabile Gesprächs- oder Serviceanfragekennung, die in Ihrer geschäftlichen Zuordnung festgelegt wurde. Gibt es in einem anderen System eine separate Serviceanfragekennung, dokumentieren Sie die Zuordnung zwischen dieser Kennung und der Genesys-Cloud-Gesprächskennung.
Zeitraum: Beginnen Sie für die Prozessanalyse mit historischen Daten aus einem Zeitraum von 3 bis 6 Monaten. Für einen nahezu Echtzeitbetrieb verwenden Sie ein kurzes Abfrage- oder Streamingintervall und bewahren Sie eine erneut verarbeitbare Rohdatenebene auf. Verwenden Sie bei der Wiederherstellung nach Ausfällen einen überlappenden Zeitraum und entfernen Sie anschließend Duplikate anhand der Anbieter-Ereigniskennung.
Filter: Verwenden Sie ausschließlich bestätigte organisationsspezifische Filter, etwa für Bereich, Warteschlange, Medientyp, Geschäftseinheit oder Interaktionsdatum. Filtern Sie nicht nach Company Code oder Document Type, es sei denn, diese Konzepte stammen aus einer integrierten Quelle und sind in Ihrer Umgebung ausdrücklich zugeordnet.
Umgang mit Timestamps: Bewahren Sie den Timestamp des Quellereignisses als EventTime auf. Speichern Sie den Erfassungs- oder Aktualisierungszeitpunkt separat unter LastDataUpdate. Vereinheitlichen Sie alle Timestamps anhand einer dokumentierten Zeitzone, vorzugsweise UTC, und bewahren Sie den ursprünglichen Offset auf, wenn dies für Audits erforderlich ist.
Optionale Attribute: AgentId und AgentName können aus Teilnehmer- oder Benutzerdaten, QueueName aus Routingdaten, WrapUpCode aus Abschlusscodedaten, MediaType aus dem Gesprächs- oder Sitzungskanal und EventEndTime aus einem expliziten Endübergang oder der Quelldauer übernommen werden.
Leistung: Partitionieren Sie Rohdaten und normalisierte Daten nach Ereignisdatum sowie, sofern unterstützt, nach Organisation oder Bereich. Verarbeiten Sie die Daten inkrementell anhand eines EventBridge-Prüfpunkts. Schreiben Sie Daten stapelweise in das Data Warehouse oder den Data Lake, überwachen Sie Verzögerungen und vermeiden Sie wiederholte vollständige Scans des gesamten Verlaufs.
Zuverlässigkeit: Richten Sie die Behandlung von Wiederholungsversuchen, Dead-Letter-Verarbeitung, Wiederholungsverfahren, Duplikaterkennung und Überwachung von Zustellungsfehlern, Schemaänderungen und Ereignisverzögerungen ein.
Voraussetzungen: Erforderlich sind Administrator- oder Integrationsberechtigungen für Genesys Cloud, AWS-EventBridge-Berechtigungen, Zugriff auf den ausgewählten Event-Bus und nachgelagerten Speicher sowie die Berechtigung zum Lesen von Gesprächsdetails. Außerdem benötigen Sie alle Genesys-Cloud-Funktionen oder Lizenzen, die Ihre Organisation für die Ereignisintegration voraussetzt. Prüfen Sie vor der Speicherung von Gesprächsdaten die Aufbewahrungs- und Datenschutzanforderungen.

a Beispielabfrage 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)

Möchten Sie loslegen?

Nutzen Sie das volle Potenzial Ihres Kundenservice. Mit diesem Template können Sie Erkenntnisse gewinnen und die Effizienz steigern.

Zurück zum Leitfaden zur Prozessverbesserung Template herunterladen

Wiederholte Kundenkontakte reduzieren: Verbessern Sie Ihren Kundenservice noch heute!

Verbessern Sie Ihren CSAT-Wert und erreichen Sie mühelos eine Lösungsquote von 80 % beim Erstkontakt.

Starten Sie Ihre kostenlose Testphase

Sie benötigen keine Kreditkarte. Aktivieren Sie Ihre Testphase in wenigen Minuten.

Ihr Daten-Template für den Kundenservice

Ihr Daten-Template für den Kundenservice

Attribute des Kundenservice

Aktivitäten im Kundenservice

Anleitungen zur Datenextraktion

Export von Gesprächsdetails aus Genesys Cloud Analytics

Schritte

Konfiguration

a Beispielabfrage python

Python-Skript mit der Genesys Cloud Platform API

Schritte

Konfiguration

a Beispielabfrage python

Ereignisstreaming über die AWS-EventBridge-Integration

Schritte

Konfiguration

a Beispielabfrage python

Möchten Sie loslegen?

Wiederholte Kundenkontakte reduzieren: Verbessern Sie Ihren Kundenservice noch heute!

Ihr Daten-Template für den Kundenservice

Ihr Daten-Template für den Kundenservice

Attribute des Kundenservice

Aktivitäten im Kundenservice

Anleitungen zur Datenextraktion

Export von Gesprächsdetails aus Genesys Cloud Analytics

Schritte

Konfiguration

a Beispielabfrage python

Python-Skript mit der Genesys Cloud Platform API

Schritte

Konfiguration

a Beispielabfrage python

Ereignisstreaming über die AWS-EventBridge-Integration

Schritte

Konfiguration

a Beispielabfrage python

Möchten Sie loslegen?

Wiederholte Kundenkontakte reduzieren: Verbessern Sie Ihren Kundenservice noch heute!

Der Schutz Ihrer Daten ist uns wichtig