> Kontinuierliche Prozessoptimierung > Kundenservice > Genesys Cloud CX > Datenvorlage

Ihre Kundenservice-Datenvorlage

Genesys Cloud CX

Kundenservice-Attribute (20) Kundenservice-Aktivitäten (13) Extraktionsleitfäden (3)

Ihre Kundenservice-Datenvorlage

Diese Vorlage bietet eine klare Roadmap zur Erfassung der wesentlichen Daten, die zur Analyse und Optimierung Ihres Kundenservice-Prozesses erforderlich sind. Sie skizziert empfohlene Attribute, wichtige zu verfolgende Aktivitäten und praktische Anleitungen zur Extraktion dieser Informationen aus Ihren Quellsystemen. Nutzen Sie sie, um ein leistungsstarkes Event Log für Ihre Process Mining-Initiativen zu erstellen.

Empfohlene Attribute zur Erfassung
Wichtige Aktivitäten zur Verfolgung
Extraktionsanleitung

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

Vorlage herunterladen

Kundenservice-Attribute

Dies sind die empfohlenen Datenfelder, die Sie in Ihr Event Log für eine umfassende Kundenservice-Analyse aufnehmen sollten.

5 Erforderlich 6 Empfohlen 9 Optional

	Name	Beschreibung
	Aktivitätsname ActivityName	Der Name des spezifischen Events oder der Aufgabe, die zu einem bestimmten Zeitpunkt im Lebenszyklus der Serviceanfrage stattfand.
Beschreibung Dieses Attribut beschreibt einen spezifischen Schritt oder eine Statusänderung innerhalb des Kundenservice-Prozesses. Jede Aktivität repräsentiert ein eigenständiges Event, wie 'Agent Accepted Interaction' oder 'Wrap-Up Code Assigned'. Die Analyse der Reihenfolge und Häufigkeit dieser Aktivitäten ist grundlegend für das Process Mining. Sie hilft, Prozessflüsse zu visualisieren, Abweichungen zu identifizieren und Engpässe oder ineffiziente Schritte aufzudecken. Bedeutung Aktivitäten bilden das Rückgrat der Prozesslandkarte und ermöglichen die Visualisierung und Analyse des tatsächlichen Prozessflusses im Vergleich zum entworfenen Fluss. Datenquelle Dies wird typischerweise abgeleitet, indem System Events, Agent States, oder spezifische Audit Trail Entries in Genesys Cloud CX zu Standardized Activity Names gemappt werden. Beispiele Interaction StartedAgent Accepted InteractionAfter-Call Work EndedServiceanfrage wiedereröffnet
	Serviceanfrage ServiceRequest	Der primäre Identifikator für eine Kundenservice-Interaktion, der alle zusammengehörigen Aktivitäten verknüpft.
Beschreibung Die Serviceanfrage, oft als Ticket oder Case bezeichnet, dient als primärer Identifikator für eine einzelne Kundenanfrage oder ein Problem. Sie gruppiert alle zusammengehörigen Events, vom Erstkontakt bis zur endgültigen Lösung, in eine einzige Prozessinstanz. Die Analyse nach Serviceanfrage ermöglicht eine vollständige End-to-End-Sicht auf die Customer Journey und den internen Bearbeitungsprozess. Sie ist die Grundlage für die Berechnung wichtiger Metriken wie die gesamte Lösungszeit und die Erstkontaktlösungsrate. Bedeutung Dies ist die essenzielle Case ID, die alle Prozessschritte miteinander verbindet und eine umfassende Analyse jeder Kundeninteraktion von Anfang bis Ende ermöglicht. Datenquelle Dies ist der konzeptuelle Case Identifier. In Genesys, this often corresponds to the Conversation ID, but may be a Custom Identifier depending on the Implementation. Beispiele SR-20240521-00123SR-20240521-00124SR-20240522-00001
	Startzeit EventTime	Der Zeitstempel, der angibt, wann eine Aktivität oder ein Event begonnen hat.
Beschreibung Dieses Attribut liefert das genaue Datum und die Uhrzeit, wann jede Aktivität stattfand. Es ist essenziell für die korrekte Abfolge von Events und für alle zeitbasierten Analysen. Die Start Time wird verwendet, um den Prozessfluss in chronologischer Reihenfolge zu erstellen und ist die Grundlage für die Berechnung von Dauern, Wartezeiten und Zykluszeiten zwischen verschiedenen Aktivitäten. Genaue Timestamps sind entscheidend für eine zuverlässige Prozessanalyse und Leistungsüberwachung. Bedeutung Dieser Timestamp ordnet alle Aktivitäten chronologisch und ermöglicht so eine genaue Analyse von Prozessflüssen, Dauern und Engpässen. Datenquelle Gefunden in Event Logs oder Interaktionsdetails in Genesys Cloud CX, oft verknüpft mit jedem aufgezeichneten 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 den Zeitpunkt an, zu dem der Datensatz zuletzt aus dem Quellsystem aktualisiert wurde. Es bietet Kontext zur Aktualität der analysierten Daten, was entscheidend für zeitnahe und relevante Geschäftsentscheidungen ist. Dashboards und Berichte sollten diese Information prominent anzeigen, damit Nutzer die Aktualität der Daten kennen und die Gültigkeit der Erkenntnisse beurteilen können. Bedeutung Zeigt die Datenaktualität an und stellt sicher, dass Analysen und Entscheidungen auf aktuellen Informationen basieren. Datenquelle Dieser Wert wird zum Zeitpunkt der Datenextraktion oder des Ladens in das Process Mining Tool generiert und in den Datensatz gestempelt. Beispiele 2024-05-23T04:00:00Z2024-05-24T04:00:00Z
	Quellsystem SourceSystem	Das System, aus dem die Daten extrahiert wurden.
Beschreibung Dieses Attribut identifiziert das Quellsystem für die Event-Daten, welches in diesem Fall Genesys Cloud CX ist. In Umgebungen mit mehreren integrierten Systemen ist dieses Feld entscheidend für die Datenherkunft, Fehlerbehebung und das Verständnis des Datenkontexts. Es hilft sicherzustellen, dass die Analyse auf der korrekten Datenquelle basiert und ermöglicht das Filtern oder Segmentieren von Daten, wenn mehrere Systeme zu einer einzigen Prozessansicht beitragen. Bedeutung Identifiziert den Datenursprung, was entscheidend ist für Data Governance, Validierung und beim Zusammenführen von Daten aus mehreren Systemen. Datenquelle Dies ist typischerweise ein statischer Wert, der während des Data Extraction und Transformation Process hinzugefügt wird, um den Origin of the Records zu Labeln. Beispiele Genesys Cloud CXGenesysCloudCX_US1Genesys
	Agenten-ID AgentId	Der eindeutige Identifikator für den Agenten, der die Interaktion oder Aktivität bearbeitet hat.
Beschreibung Die Agent ID ist ein eindeutiger Schlüssel für jeden Kundenservice-Mitarbeiter. Dieses Attribut ist essenziell für jede Analyse bezüglich Agentenleistung, Arbeitslastverteilung und Effizienz. Es ermöglicht das Filtern der Prozesskarte, um zu sehen, wie spezifische Agenten oder Teams Anfragen bearbeiten, und vergleicht deren Leistungsmetriken wie Lösungszeit, Nacharbeitsrate und Einhaltung von Standardverfahren. Dies ist ein Eckpfeiler für das 'Agent Performance & Efficiency' Dashboard. Bedeutung Dieses Attribut verbindet Prozessaktivitäten mit spezifischen Mitarbeitern und ermöglicht die Analyse von Einzelleistung, Arbeitslast und Teameffizienz. Datenquelle Verfügbar in Genesys Cloud CX Konversationsdetaildatensätzen, verbunden mit dem Benutzer, der ein spezifisches Segment 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 liefert eine menschenlesbare Kennung für den Service-Mitarbeiter, die der Agent ID entspricht. Dieses Attribut macht Dashboards und Berichte für Manager und Teamleiter intuitiver. Es wird umfassend in agentenzentrierten Analysen verwendet, um die Leistung zu überprüfen, Schulungsbedarfe zu identifizieren und eine faire Arbeitslastverteilung sicherzustellen, ohne System-IDs abgleichen zu müssen. Bedeutung Bietet einen benutzerfreundlichen Namen für den Agenten, was die Leistungsanalyse und Kommunikation der Ergebnisse ohne technische IDs erleichtert. Datenquelle Wird vom Users- oder Directory-Service in Genesys Cloud CX durch Abfrage der AgentId abgerufen. Beispiele John SmithJane DoePeter Jones
	Endzeit EventEndTime	Der Timestamp, der angibt, wann eine Aktivität oder ein Event endete.
Beschreibung Dieses Attribut erfasst den genauen Zeitpunkt, an dem eine Aktivität abgeschlossen wird. Gepaart mit der Start Time ermöglicht es die exakte Berechnung der Dauer jeder einzelnen Aktivität. Die Analyse der Aktivitätsdauern ist entscheidend, um zu identifizieren, welche Schritte im Prozess die meiste Zeit in Anspruch nehmen, und hilft, Ineffizienzen und Optimierungsmöglichkeiten zu lokalisieren. Zum Beispiel kann es lange 'Hold Placed on Interaction'-Zeiten oder verlängerte 'After-Call Work'-Dauern hervorheben. Bedeutung Ermöglicht die präzise Berechnung individueller Aktivitätsdauern, was für die Identifizierung zeitaufwändiger Schritte und Leistungsengpässe unerlässlich ist. Datenquelle Gefunden in Event Logs oder Interaktionsdetails in Genesys Cloud CX. Es kann auch aus der Startzeit des nachfolgenden Ereignisses abgeleitet werden. Beispiele 2024-05-21T10:02:30Z2024-05-21T10:15:00Z2024-05-21T10:18:45Z
	Kommunikationskanal MediaType	Der für die Interaktion genutzte Kommunikationskanal, wie etwa Sprache, Chat oder E-Mail.
Beschreibung Dieses Attribut spezifiziert das Medium, über das Kunde und Agent kommunizierten. Gängige Kanäle sind Voice, Chat, E-Mail und Social Media. Die Analyse der Performance nach Kanal, wie im 'Communication Channel Performance' Dashboard durchgeführt, hilft Unternehmen, kanalspezifische Volumina, Lösungszeiten und Kundenzufriedenheit zu verstehen. Diese Erkenntnis ist entscheidend für die Optimierung der Kanalstrategie und Ressourcenzuweisung. Bedeutung Die Segmentierung des Prozesses nach Kommunikationskanal ist entscheidend, um kanalspezifische Leistungen, Kundenverhalten und Ressourcenbedarf zu verstehen. Datenquelle Ein Standardfeld innerhalb der Genesys Cloud CX Konversationsdetaildatensätze. Beispiele voicechatemailNachricht
	Name der Warteschlange QueueName	Der Name der Warteschlange, an die die Interaktion weitergeleitet wurde.
Beschreibung Dieses Attribut identifiziert die spezifische Warteschlange, in der eine Interaktion wartete, bevor sie einem Agenten zugewiesen wurde. Die Analyse von Daten nach Queue Name ist unerlässlich für das Dashboard 'Service Queue Bottleneck Detection'. Es hilft Managern, die Arbeitslastverteilung über verschiedene Skill-Gruppen oder Servicelinien zu verstehen, Wartezeiten pro Warteschlange zu messen und Warteschlangen zu identifizieren, die konsequent unterbesetzt oder überlastet sind. Diese Informationen sind entscheidend für die Optimierung der Ressourcenzuweisung und die Verbesserung der Kundenwartezeiten. Bedeutung Hilft, Engpässe zu identifizieren und die Arbeitslastverteilung zu analysieren, indem gezeigt wird, wo Serviceanfragen auf Zuweisung warten. Datenquelle Verfügbar in Genesys Cloud CX Konversationsdetaildatensätzen. Jede Interaktion kann eine oder mehrere Warteschlangen durchlaufen. Beispiele Tier 1 Support - VoiceRechnungsanfragen - ChatTechnischer Support - E-Mail
	Wrap-Up Code WrapUpCode	Ein Code, der von einem Agenten am Ende einer Interaktion zugewiesen wird, um deren Ergebnis oder Thema zu kategorisieren.
Beschreibung Der Wrap-Up Code ist eine von einem Agenten gewählte Bezeichnung, um die Art oder Lösung einer Kundeninteraktion zu klassifizieren. Diese Codes liefern strukturierte Daten darüber, warum Kunden den Support kontaktieren. Die Analyse von Wrap-Up Codes hilft, häufige Problemtypen zu identifizieren, Lösungsergebnisse zu verfolgen und die Häufigkeit spezifischer Anfragen zu messen. Diese Daten sind wertvoll für die Ursachenanalyse und das Verständnis von Serviceanfragemustern. Bedeutung Kategorisiert das Ergebnis einer Interaktion und liefert strukturierte Daten zur Analyse häufiger Probleme, der Effektivität der Lösung und der Kontaktgründe. Datenquelle Verfügbar in Genesys Cloud CX Konversationsdetaildatensätzen, speziell in den Sitzungsdetails für Agententeilnehmer. Beispiele Passwort zurücksetzenRechnungsstreitigkeit gelöstProduktinformationsanfrageEscalated to Tier 2
	Bearbeitungszeit Duration	Die Zeit, die für die Durchführung einer einzelnen Aktivität benötigt wird, gemessen in Sekunden.
Beschreibung Dieses Attribut quantifiziert die Dauer eines einzelnen Prozessschritts, berechnet als Differenz zwischen seiner End Time und Start Time. Die Analyse der Bearbeitungszeit hilft zu identifizieren, welche Aktivitäten am zeitaufwendigsten sind. Diese Informationen sind entscheidend für Performance-Dashboards, wie das 'Agent Performance & Efficiency' Dashboard, um die Agenten-Effizienz zu bewerten und Möglichkeiten für Schulungen oder Prozessverbesserungen zu finden. Bedeutung Quantifiziert die für jede Aktivität aufgewendete Zeit, hilft, Ineffizienzen zu identifizieren und die Leistung auf granularer Ebene zu messen. Datenquelle Berechnetes Feld: EventEndTime - EventTime. Einige Genesys APIs können Dauerfelder direkt für bestimmte Segmente bereitstellen. Beispiele 12075045
	Conversation ID ConversationId	Der eindeutige Identifikator, der von Genesys einer gesamten Konversation zugewiesen wird.
Beschreibung Die Conversation ID ist der primäre technische Schlüssel in Genesys Cloud CX, der alle zusammengehörigen Interaktionen, Segmente und Teilnehmer für eine einzelne Kundenkonversation gruppiert. Während die konzeptuelle 'Service Request' als Case ID verwendet wird, ist die Conversation ID der zugrunde liegende Schlüssel, der zum Abrufen aller relevanter Daten aus den Genesys APIs dient. Sie ist unerlässlich für die Datenextraktion, das Verknüpfen verschiedener Datensätze und für die technische Validierung der Prozessdaten. Bedeutung Dies ist der primäre technische Schlüssel in Genesys, essential für Data Extraction, Troubleshooting und Linking Back to the Source System. Datenquelle Dies ist ein primäres Feld in allen Genesys Cloud CX Analytics und Conversation APIs. Beispiele d8a7c6b5-e4f3-2109-8765-fedcba098765c7b6a5d4-f3e2-1098-7654-edcbaf987654
	CSAT Score CustomerSatisfactionScore	Der Zufriedenheits-Score, den der Kunde in einer Umfrage nach der Interaktion angegeben hat.
Beschreibung Der Kundenzufriedenheits-Score, oder CSAT, ist ein direktes Maß für die Wahrnehmung des erhaltenen Services durch den Kunden. Er wird typischerweise über eine Umfrage erhoben, die nach Abschluss der Interaktion versendet wird. Die Analyse von CSAT-Scores in Verbindung mit Prozessdaten kann aufzeigen, wie Prozessvariationen, Lösungszeiten oder bestimmte Agenten die Kundenzufriedenheit beeinflussen. Dies ist eine wichtige Ergebnis-Metrik zur Bewertung des gesamten Prozesserfolgs. Bedeutung Misst direkt die Kundenzufriedenheit und ermöglicht Korrelationsanalysen zwischen Prozessleistung und Kundenergebnissen. Datenquelle Diese Daten stammen in der Regel aus dem Genesys Cloud CX Quality Management Modul oder einem externen Survey Tool, das in Genesys integriert ist. Beispiele 5413
	Ist Erstkontaktlösung IsFirstContactResolution	Ein Flag, das anzeigt, ob die Serviceanfrage innerhalb einer einzigen Interaktion gelöst wurde.
Beschreibung Dieses boolean Attribut identifiziert Cases, die während der ersten Interaktion gelöst wurden, ohne dass ein Follow-up vom Kunden oder interne Transfers erforderlich waren. Ein 'true' Wert kennzeichnet eine ideale, effiziente Resolution. Dieses Attribut ist die Basis für den 'First Contact Resolution Rate' KPI und sein entsprechendes Dashboard. Die Analyse der Charakteristika von Cases, die nicht beim First Contact gelöst werden, kann Opportunities für Agenten-Training, Knowledge Base Improvements oder Prozessänderungen aufzeigen. Bedeutung Misst direkt Effizienz und Kundenzufriedenheit, da die Lösung von Problemen beim ersten Versuch ein entscheidender Faktor für ein positives Serviceerlebnis ist. Datenquelle Berechnetes Feld, abgeleitet durch Analyse der Ereignissequenz für einen Case. Ein Case ist FCR, wenn er ohne bestimmte dazwischenliegende Aktivitäten wie Transfers oder Wiedereröffnungen gelöst wird. Beispiele truefalsch
	Ist SLA-konform IsSlaCompliant	Ein Flag, das anzeigt, ob die Serviceanfrage innerhalb ihrer SLA-Zielzeit gelöst wurde.
Beschreibung Dieses boolean Attribut gibt an, ob eine Serviceanfrage ihre Resolution Time Target eingehalten hat. Es wird berechnet, indem die 'ServiceResolutionTime' mit der 'SlaTargetResolutionTime' verglichen wird. Dieses Flag vereinfacht die Analyse und Visualisierung für das 'SLA Compliance Overview' Dashboard und ist die Basis für die Berechnung des 'SLA Compliance Rate' KPI. Es ermöglicht ein schnelles Filtern und Segmentieren von compliant versus non-compliant Cases, um gemeinsame Patterns in SLA Breaches zu identifizieren. Bedeutung Vereinfacht die SLA-Leistungsanalyse, indem jeder Fall klar als konform oder verletzt gekennzeichnet wird, was eine Ursachenanalyse von Fehlern ermöglicht. Datenquelle Berechnetes Feld: True, wenn ServiceResolutionTime <= SlaTargetResolutionTime, sonst False. Beispiele truefalsch
	Service-Lösungszeit ServiceResolutionTime	Die gesamte verstrichene Zeit vom Beginn der ersten Kundeninteraktion bis zur endgültigen Lösung.
Beschreibung Diese Metrik misst die gesamte Dauer einer Serviceanfrage, vom Moment der Kundenkontaktaufnahme bis zur Markierung des Problems als gelöst. Sie ist ein Key Performance Indicator für die gesamte Prozesseffizienz und das Kundenerlebnis. Dieses Calculated Attribute ist der Primary Focus des 'Service Request Resolution Time' Dashboard und des 'Average Service Resolution Time' KPI. Analyzing its Distribution Helps Identify Long-Running Cases und Systemic Delays. Bedeutung Dies ist ein kritischer KPI zur Messung der gesamten Prozesseffizienz und deren Auswirkungen auf das Kundenerlebnis. Datenquelle Berechnetes Feld: Timestamp der finalen Lösungsaktivität minus Timestamp der ersten Kundenkontaktaktivität. Beispiele 90010800172800
	Serviceanfragetyp ServiceRequestType	Die Klassifizierung der Serviceanfrage, z.B. 'Anfrage', 'Beschwerde' oder 'Technisches Problem'.
Beschreibung Dieses Attribut kategorisiert die Serviceanfrage basierend auf ihrer Art oder ihrem Zweck. Es ermöglicht die Segmentierung der Analyse, um zu verstehen, wie verschiedene Arten von Anfragen bearbeitet werden. Zum Beispiel können der Prozessfluss und die Lösungszeit für eine 'Beschwerde' erheblich von einer 'Allgemeinen Anfrage' abweichen. Diese Dimension ist entscheidend für Dashboards wie 'Analyse interner Eskalationen', um zu sehen, ob bestimmte Anfragetypen häufiger eskaliert werden. Bedeutung Ermöglicht die Prozesssegmentierung, um zu vergleichen, wie verschiedene Anfragetypen bearbeitet werden, und um typspezifische Engpässe oder Ineffizienzen zu identifizieren. Datenquelle Diese Informationen können über eine IVR-Selection, eine Customer's Choice on a Web Form, oder Assigned by an Agent erfasst werden. In Genesys, it can be stored as a Participant Attribute or a Wrap-Up Code. Beispiele RechnungsanfrageTechnischer SupportKontoverwaltungProduktbeschwerde
	SLA-Ziel-Lösungszeit SlaTargetResolutionTime	Die vertraglich vereinbarte Zielzeit für die Lösung der Serviceanfrage.
Beschreibung Dieses Attribut definiert die maximal zulässige Zeit für die Lösung einer Serviceanfrage gemäß dem Service Level Agreement (SLA). Es dient als Benchmark, an dem die tatsächlichen Lösungszeiten gemessen werden. Diese Daten sind essenziell für das 'SLA Compliance Overview' Dashboard und den 'SLA Compliance Rate' KPI, um dem Unternehmen die Überwachung seiner Leistung gegenüber Kundenverpflichtungen und die Identifizierung potenzieller Verstöße zu ermöglichen, bevor diese eintreten. Bedeutung Liefert den Maßstab für die Messung der SLA-Compliance, ein kritischer Indikator für die Serviceleistung und vertragliche Verpflichtungen. Datenquelle Dies kann als Custom Attribute on the Conversation gespeichert oder Derived Based on Rules Involving the Queue, Customer Type, or Request Type. Beispiele 86400144003600
	Wiedereröffnet IsReopened	Ein Flag, das anzeigt, ob eine gelöste Serviceanfrage später wiedereröffnet wurde.
Beschreibung Dieses boolean Attribut kennzeichnet Serviceanfragen, die als gelöst oder geschlossen markiert wurden, aber später wieder aktiv wurden. Wiedereröffnete Cases weisen oft darauf hin, dass die ursprüngliche Lösung nicht effektiv oder vollständig war, was zu Kundenunzufriedenheit und zusätzlichem Arbeitsaufwand führt. Dieses Attribut speist das 'Service Request Re-opening Trends' Dashboard und den 'Service Request Re-opening Rate' KPI. Die Analyse dieser Cases hilft, die Root Causes für ineffektive Resolutions zu identifizieren. Bedeutung Hebt Fehler im Lösungsprozess hervor, weist auf Probleme mit der Lösungsqualität hin und führt zu Nacharbeit und einer schlechten Kundenerfahrung. Datenquelle Berechnetes Feld, abgeleitet durch Erkennung einer Aktivität, die den Case reaktiviert, nachdem eine 'Service Request Resolved'-Aktivität stattgefunden hat. Beispiele truefalsch

Erforderlich Empfohlen Optional

Kundenservice-Aktivitäten

Dies sind die wichtigen Prozessschritte und Meilensteine, die Sie in Ihrem `Event Log` für eine genaue `Process Discovery` erfassen sollten.

5 Empfohlen 8 Optional

	Aktivität	Beschreibung
	Agent Accepted Interaction	Markiert den Zeitpunkt, an dem ein Agent die angebotene Interaktion annimmt und mit dem Kunden verbunden wird. Dies ist ein wichtiger Meilenstein, an dem die direkte Bearbeitung der Serviceanfrage beginnt.
Bedeutung Diese Aktivität ist entscheidend für die Messung der Erstkontaktlösung und der Bearbeitungszeit des Agenten. Sie kennzeichnet den Beginn der Arbeit des Agenten an der Anfrage. Datenquelle Verfügbar in den Konversationsdetaildatensätzen. Es ist gekennzeichnet durch den Statuswechsel des Agententeilnehmers zu 'verbunden', mit einem zugehörigen Timestamp. Erfassen Protokolliert, wenn der Status eines Agententeilnehmers zu 'verbunden' wechselt. Ereignistyp explicit
	Interaction Disconnected	Diese Aktivität kennzeichnet das Ende der Konversation, wenn alle Teilnehmer die Verbindung getrennt haben. Dies dient oft als technischer Abschluss der Serviceanfragen-Interaktion.
Bedeutung Dies ist ein definitives End Event für die Interaktion selbst. Es ist crucial für das Calculating Total Interaction Duration und wird often used as a Proxy für Request Closure. Datenquelle Dies wird aus den Conversation Detail Records erfasst. Es entspricht der End Time des Conversation Objects, typischerweise im conversationEnd Timestamp zu finden. Erfassen Protokolliert, wenn alle Teilnehmer die Verbindung getrennt haben und die Konversation endet. Ereignistyp explicit
	Interaction Started	Diese Aktivität markiert den Beginn einer Kundenservice-Interaktion, wie einen eingehenden Anruf, Chat oder eine E-Mail. Genesys Cloud CX protokolliert dieses Event explizit, wenn ein neues Konversationsobjekt im System erstellt wird.
Bedeutung Dies ist das primäre Start Event für den Service Request Process. Es ist Essential für das Calculating the Total Resolution Time und Understanding Incoming Customer Demand Patterns. Datenquelle Dieses Event wird aus den Konversationsdetailaufzeichnungen erfasst. Es entspricht der Startzeit des Conversation Objects selbst, typischerweise im conversationStart Timestamp zu finden. Erfassen Protokolliert, wenn eine neue Konversation im System initiiert wird. Ereignistyp explicit
	Interaction Transferred	Stellt einen Agenten dar, der eine Interaktion an eine andere Warteschlange oder einen anderen Agenten weiterleitet. Dies kann eine Blindübergabe sein, bei der sich der Agent sofort trennt, oder eine Konsultationsübergabe, bei der er zuerst mit dem Empfänger spricht.
Bedeutung Diese Aktivität ist essenziell für den KPI 'Interne Eskalationsrate'. Hohe Weiterleitungsraten können auf Schulungsbedarf, inkorrektes Routing oder Prozesskomplexität hindeuten. Datenquelle Dies wird in den Conversation Detail Records identifiziert, wenn ein neuer ACD- oder Agent Participant zur Conversation hinzugefügt wird, following the initial Agent's Involvement, often initiated by a 'Transfer' Event. Erfassen Identifiziert durch ein Transferereignis in den Sitzungsdaten des Teilnehmers. Ereignistyp explicit
	Wrap-Up Code zugewiesen	Ein Agent weist der Interaktion einen vordefinierten Wrap-up-Code oder Dispositionscode zu. Dies kategorisiert explizit das Ergebnis der Serviceanfrage, wie 'Gelöst' oder 'Eskaliert'.
Bedeutung Wrap-Up Codes sind eine primäre Quelle zur Bestimmung des Business Outcome einer Request. They are vital for Calculating Resolution Rates und Segmenting Cases for Analysis. Datenquelle Dies ist ein explizites Event, das in den Conversation Detail Records gefunden wird, typischerweise innerhalb der Agent Participant's Session Data. Der WrapUp Code und Timestamp werden aufgezeichnet. Erfassen Protokolliert, wenn ein Agent einen Wrap-up-Code für die Interaktion auswählt. Ereignistyp explicit
	After-Call Work Ended	Dies markiert das Ende der After-Call Work Period für einen Agenten. At this Point, the Agent becomes Available to Handle Another Interaction.
Bedeutung Diese Aktivität, kombiniert mit 'After-Call Work Started', liefert die genaue Dauer der Nachbearbeitungsphase und hilft, die Produktivität des Agenten und den Prozess-Overhead zu analysieren. Datenquelle Dies wird inferred, wenn der Agent's State von 'acw' zu einem Available State, such as 'idle', changes. The Timestamp of this State Change is used. Erfassen Abgeleitet aus dem Statuswechsel des Agenten von 'ACW' zu einem verfügbaren Zustand. Ereignistyp inferred
	After-Call Work Started	Diese Aktivität markiert den Beginn der Nachbearbeitungszeit (ACW). Der Agent hat die Verbindung zum Kunden getrennt, befindet sich aber nun in einem dedizierten Zustand, um Aufgaben wie das Protokollieren von Notizen oder das Aktualisieren von Systemen abzuschließen.
Bedeutung Die Messung der ACW-Dauer ist wichtig, um die Agenten-Effizienz und die gesamte Bearbeitungszeit zu verstehen. Eine verlängerte ACW kann ein Zeichen für ineffiziente Prozesse nach der Interaktion sein. Datenquelle Erfasst aus den Sitzungsdaten des Agententeilnehmers. Es wird protokolliert, wenn der Status des Agenten nach der Trennung des Kunden auf 'ACW' wechselt. Erfassen Protokolliert, wenn der Status eines Agententeilnehmers zu 'ACW' wechselt. Ereignistyp explicit
	Agent Offered Interaction	Dieses Event tritt auf, wenn das System einem bestimmten Agenten eine Interaktion anbietet. Der Status des Agenten ändert sich auf 'alerting', während das System darauf wartet, dass dieser die Konversation annimmt oder ablehnt.
Bedeutung Diese Aktivität hilft, die Reaktionsfähigkeit von Agenten und die Effektivität des Routing-Algorithmus zu analysieren. Verzögerungen nach diesem Punkt können darauf hindeuten, dass Agenten Aufgaben nicht umgehend annehmen. Datenquelle Gefunden in Konversationsdetaildatensätzen innerhalb der Teilnehmerdaten für den Agenten. Die Sitzung des Teilnehmers zeigt eine Metrik mit dem Status 'alarmierend' und einem entsprechenden Zeitstempel. Erfassen Protokolliert, wenn die Routing-Engine einen Agenten über eine neue Interaktion benachrichtigt. Ereignistyp explicit
	Gespräch an Warteschlange weitergeleitet	Stellt den Moment dar, in dem eine neue Interaktion in eine bestimmte Warteschlange gestellt wird, um auf einen verfügbaren Agenten zu warten. Dies ist ein explizites Event, das von der Genesys Routing-Engine (ACD) protokolliert wird.
Bedeutung Die Verfolgung dieser Aktivität ist entscheidend für die Messung von Queue Wait Times und die Identifizierung von Bottlenecks im Routing Process. High Durations between this und Agent Assignment Indicate Staffing or Routing Logic Issues. Datenquelle Erfasst aus Konversationsdetaildatensätzen, spezifisch betrachtet den 'purpose' und 'state' des ACD-Teilnehmers innerhalb der Konversation. Die 'enterTime' für die Warteschlange im Metrik-Array zeigt dieses Ereignis an. Erfassen Protokolliert, wenn die ACD-Routing-Engine eine Konversation in eine Warteschlange platziert. Ereignistyp explicit
	Halten der Interaktion aufgehoben	Tritt auf, wenn ein Agent einen Kunden aus der Warteschleife nimmt und das Gespräch fortsetzt. Dieses Event markiert das Ende einer Wartezeit und wird als Statusänderung protokolliert.
Bedeutung In Verbindung mit 'Halten der Interaktion' ermöglicht diese Aktivität die präzise Berechnung der gesamten Haltezeit, einem Schlüsselbestandteil der gesamten Bearbeitungszeit und der Kundenerfahrung. Datenquelle Abgeleitet aus den Sitzungsdaten des Agententeilnehmers, wenn dessen Status von 'gehalten' zurück zu 'verbunden' wechselt. Erfassen Protokolliert, wenn der Status eines Agententeilnehmers von 'gehalten' zurück zu 'verbunden' wechselt. Ereignistyp explicit
	Interaktion auf Halten gesetzt	Diese Aktivität wird aufgezeichnet, wenn ein Agent einen Kunden während einer Interaktion in die Warteschleife legt. Dies ist eine explizite Statusänderung für den beteiligten Agenten innerhalb der Konversation.
Bedeutung Die Analyse der Wartehäufigkeit und -dauer kann auf Prozesseffizienzdefizite hinweisen, beispielsweise wenn Agenten häufig nach Informationen suchen oder sich mit anderen beraten müssen. Datenquelle Erfasst aus den Sitzungsdaten des Agententeilnehmers in den Konversationsdetaildatensätzen. Der Status ändert sich zu 'gehalten' und ein Timestamp wird aufgezeichnet. Erfassen Protokolliert, wenn der Status eines Agententeilnehmers zu 'gehalten' wechselt. Ereignistyp explicit
	Kundenzufriedenheitsumfrage gesendet	Diese Aktivität tritt auf, wenn eine Kundenzufriedenheits- (CSAT) Umfrage nach dem Abschluss einer Interaktion versendet wird. Dies wird oft automatisch vom System basierend auf vordefinierten Regeln ausgelöst.
Bedeutung Diese Aktivität ist notwendig, um den KPI 'Pünktlichkeit der CSAT-Umfragezustellung' zu messen. Eine zeitnahe Umfragezustellung hilft, präzises Feedback zu erfassen, während die Erfahrung im Gedächtnis des Kunden noch frisch ist. Datenquelle Diese Informationen sind typischerweise aus Survey- oder Quality Management Data innerhalb von Genesys Cloud CX verfügbar, die mit der Original Conversation ID verknüpft werden können. Erfassen Vom Umfragemodul protokolliert, wenn eine Umfrage für eine bestimmte Konversation versandt wird. Ereignistyp explicit
	Serviceanfrage wiedereröffnet	Beschreibt eine Situation, in der ein Kunde das Servicecenter kurz nach einer vermeintlichen Lösung erneut wegen desselben Problems kontaktiert. Dies ist kein explizites Event, sondern wird basierend auf Geschäftslogik berechnet.
Bedeutung Die Verfolgung wiedereröffneter Anfragen ist entscheidend für die Messung der Service Request Re-opening Rate. Es zeigt an, dass die ursprüngliche Resolution nicht effektiv war, impacting Customer Satisfaction und Operational Efficiency. Datenquelle Diese Aktivität wird abgeleitet, indem ein neues 'Interaction Started'-Event für denselben Kunden (Kunden-ID) und ein verwandtes Problem (z.B. Serviceanfragetyp) innerhalb eines vordefinierten Zeitfensters nach einer zuvor gelösten Interaktion identifiziert wird. Erfassen Berechnet durch Verknüpfung einer neuen Interaktion mit einer kürzlich geschlossenen Interaktion für denselben Kunden und dasselbe Problem. Ereignistyp calculated

Extraktionsleitfäden

So erhalten Sie Ihre Daten aus Genesys Cloud CX

Schritte

Zum Analytics Workspace navigieren: Melden Sie sich bei Genesys Cloud CX an. Gehen Sie zum Menü, wählen Sie Admin und dann unter Analytics den Workspace.
Eine neue Ansicht erstellen: Klicken Sie auf das Plus-Symbol, um einen neuen Tab hinzuzufügen, und wählen Sie "Create a new view". Wählen Sie "Interactions" als Ansichtstyp. Dadurch wird der Interaktionsansichts-Editor geöffnet.
Den Datumsbereich definieren: Legen Sie im Filterbereich auf der linken Seite das gewünschte Datums- und Zeitintervall für die Daten fest, die Sie extrahieren möchten. Es wird empfohlen, mit einem kleineren Datumsbereich, z.B. einer Woche, zu beginnen, um den Prozess zu testen.
Spalten für den Export auswählen: Dies ist der wichtigste Schritt für die Datenvorbereitung. Klicken Sie auf die Schaltfläche "Columns". Wählen und fügen Sie aus den verfügbaren Feldern die folgenden Spalten zu Ihrer Ansicht hinzu. Diese Felder enthalten die notwendigen Daten zur Erstellung des Event Logs:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (Dies ist ein komplexes Feld, das verschachtelte Agenten-, Warteschlangen- und Kundendaten enthält)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Zusätzliche Filter anwenden: Verwenden Sie den Filterbereich, um die Daten bei Bedarf einzugrenzen. Sie können nach Media Type (z.B. voice, chat), Queue, Direction (inbound/outbound) oder anderen Konversationseigenschaften filtern, um sich auf den spezifischen Serviceanfrageprozess zu konzentrieren.
Ansicht speichern und ausführen: Speichern Sie die Ansicht mit einem beschreibenden Namen, zum Beispiel "Process Mining Service Request Export". Die Ansicht lädt dann die Ihren Kriterien entsprechenden Daten.
Export initiieren: Sobald die Daten in Ihrer Ansicht geladen sind, klicken Sie auf die Schaltfläche "Export", die normalerweise durch ein Download-Symbol dargestellt wird. Wählen Sie "Export as CSV" oder "Export as JSON". CSV ist oft einfacher für die Erstverarbeitung.
Exportierte Datei herunterladen: Der Exportauftrag wird im Hintergrund ausgeführt. Sie können den Fortschritt überwachen, indem Sie zu Performance > My Exports navigieren. Nach Abschluss laden Sie die Datei auf Ihr lokales System herunter.
Rohdaten transformieren: Die exportierte Datei hat eine Zeile pro Konversation, wobei Teilnehmer- und Segmentdaten in einer einzigen Spalte verschachtelt sind. Sie müssen ein Transformationsskript ausführen, wie das im Abschnitt „Query“ bereitgestellte Python-Skript, um diese Daten zu entpacken. Dieses Skript wird den rohen Export analysieren und eine neue Datei erstellen, in der jede Zeile eine einzelne Aktivität darstellt, wie z.B. "Agent Accepted Interaction" oder "Hold Placed on Interaction".
Benutzerdefinierte Logik implementieren: Als Teil der Transformation implementieren Sie jede geschäftsspezifische Logik. Zum Beispiel muss die Aktivität "Service Request Re-Opened" durch Analyse nachfolgender Interaktionen desselben Kunden innerhalb eines definierten Zeitrahmens berechnet werden.
Event Log finalisieren: Das Transformationsskript sollte eine CSV-Datei mit Spalten ausgeben, die dem erforderlichen Format für ProcessMind entsprechen, einschließlich ServiceRequest, ActivityName, EventTime und anderer Attribute. Stellen Sie sicher, dass alle Zeitstempel in einem konsistenten Format vorliegen.
In ProcessMind hochladen: Die finale, transformierte CSV-Datei ist nun bereit zum Upload in Ihr Process Mining Tool.

Konfiguration

Berechtigungen: Ihre Genesys Cloud CX Benutzerrolle muss die Berechtigung Analytics > Conversation > View haben, um auf den Analytics Workspace zuzugreifen und Interaktionsansichten zu erstellen.
Datumsbereich: Verwenden Sie für die erste Extraktion einen repräsentativen Zeitraum von 3-6 Monaten. Für Kontaktzentren mit sehr hohem Volumen empfiehlt es sich, Daten in kleineren Abschnitten, z.B. wöchentlich oder monatlich, zu exportieren, um Systemgrenzen zu vermeiden und Dateigrößen zu verwalten.
Wichtige Filter:
- Media Type: Filtern Sie nach den für Ihren Kundenserviceprozess relevanten Kanälen, wie voice, chat oder email.
- Queue: Wenn der Prozess von spezifischen Teams bearbeitet wird, filtern Sie nach den relevanten Queue IDs, um sicherzustellen, dass Sie nur Daten für den gewünschten Prozess extrahieren.
- Direction: Typischerweise möchten Sie nach inbound Interaktionen filtern, um vom Kunden initiierte Serviceanfragen zu erfassen.
Export-Spalten: Die Spalte Participants ist unerlässlich, da sie die detaillierte Zeitleiste der Ereignisse für Agenten und Warteschlangen enthält. Ohne diese Spalte können Sie keine einzelnen Aktivitäten extrahieren. Stellen Sie sicher, dass Conversation ID, Conversation Start und Conversation End ebenfalls enthalten sind.
Hinweise zur Leistung: Das Exportieren einer großen Anzahl von Spalten oder eines sehr langen Datumsbereichs kann dazu führen, dass der Exportauftrag eine erhebliche Zeit in Anspruch nimmt. Wenn der Auftrag fehlschlägt oder abbricht, reduzieren Sie den Datumsbereich und versuchen Sie es erneut. Genesys Cloud hat ein Limit von ungefähr 1 Million Konversationen pro Exportauftrag.

a Beispielabfrage config

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

# This script transforms a Genesys Cloud Conversation Detail Export into a process mining event log.
# It assumes the raw data is in a CSV file named 'genesys_export.csv'.

def transform_genesys_export(file_path):
    # Load the raw export file
    try:
        df = pd.read_csv(file_path)
    except FileNotFoundError:
        print(f"Error: The file {file_path} was not found.")
        return None

    event_log = []
    source_system = 'Genesys Cloud CX'
    last_data_update = datetime.now(timezone.utc).isoformat()

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

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

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

        for p in participants:
            participant_id = p.get('participantId')
            user_id = p.get('userId')
            queue_name = p.get('queueName')
            purpose = p.get('purpose')

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

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

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

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

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

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

if __name__ == '__main__':
    # Specify the path to your downloaded Genesys export CSV file
    input_file = 'genesys_export.csv'
    output_file = '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(f"Transformation complete. Event log saved to {output_file}")

Schritte

Voraussetzungen und Einrichtung: Stellen Sie sicher, dass Python 3.8+ zusammen mit den Bibliotheken pandas und purecloud-platform-client-v2 installiert ist. Sie können diese mit pip installieren: pip install pandas purecloud-platform-client-v2.
Genesys Cloud OAuth Client erstellen: Melden Sie sich bei Ihrem Genesys Cloud CX Admin-Konto an. Navigieren Sie zu Integrations > OAuth und erstellen Sie einen neuen Client mit dem Grant-Typ 'Client Credentials'. Weisen Sie eine Rolle zu, die die Berechtigung analytics:conversationDetail:view beinhaltet.
Skript-Anmeldeinformationen konfigurieren: 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 spezifischen Anmeldeinformationen.
Extraktionsintervall definieren: Suchen Sie die Variable query_body im Skript. Ändern Sie den interval-Wert, um den Datums- und Zeitbereich für die Daten festzulegen, die Sie extrahieren möchten. Es wird empfohlen, mit einem kleinen Bereich, z.B. einem einzelnen Tag, zu beginnen, um Tests durchzuführen.
Python-Skript ausführen: Führen Sie das Skript von Ihrem Terminal aus mit python your_script_name.py aus. Das Skript authentifiziert sich mit der Genesys Cloud API, übermittelt einen asynchronen Analyseauftrag und gibt die Job-ID aus.
Auftragsausführung überwachen: Das Skript fragt die API automatisch alle 15 Sekunden ab, um den Status des Auftrags zu überprüfen. Sie sehen Statusaktualisierungen in der Konsole. Dieser Schritt kann mehrere Minuten oder länger dauern, abhängig vom Umfang der angeforderten Daten.
Daten verarbeiten und transformieren: Sobald der Auftrag abgeschlossen ist, lädt das Skript die resultierenden JSON-Daten herunter. Anschließend durchläuft es jeden Konversationsdatensatz und analysiert die Teilnehmer-, Sitzungs- und Segmentdaten, um die Schlüsselaktivitäten und Attribute zu identifizieren und zu strukturieren.
Berechnete Ereignisse verarbeiten: Das Skript enthält einen Nachbearbeitungsschritt, um 'Service Request Re-Opened'-Ereignisse zu identifizieren. Diese Logik, die Sie anpassen können, prüft auf neue Interaktionen desselben Kunden innerhalb eines festgelegten Zeitfensters, nachdem eine vorherige Interaktion gelöst wurde.
Event Log generieren: Die transformierten Daten werden in ein pandas DataFrame kompiliert, das die Struktur eines Process Mining Event Logs widerspiegelt.
Finale CSV-Datei exportieren: Das Skript speichert das finale 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 Credentials: Eine OAuth Client ID und ein Client Secret sind für die Authentifizierung erforderlich. Diese müssen innerhalb der Genesys Cloud CX Admin-Oberfläche erstellt werden.
API Permissions: Die zugehörige OAuth Client-Rolle muss die Berechtigung analytics:conversationDetail:view haben, um auf die notwendigen Konversationsdaten zugreifen zu können.
Extraktionsintervall: Der interval-Parameter im API Query Body steuert den Datumsbereich der Extraktion. Für große Umgebungen ist es Best Practice, die Extraktion in kleineren, sequenziellen Stapeln (z.B. eine Woche auf einmal) durchzuführen, um API-Timeouts zu vermeiden und die Speichernutzung zu steuern.
Datenfilter: Der API Query Body kann modifiziert werden, um conversationFilters, segmentFilters oder evaluationFilters einzuschließen und den Umfang der Extraktion einzuschränken. Zum Beispiel könnten Sie nach einer spezifischen queueId oder mediaType filtern, um einen bestimmten Teil des Kundenserviceprozesses anzusprechen.
Wiedereröffnungslogik: Das Zeitfenster zur Identifizierung eines 'Service Request Re-Opened' Ereignisses ist innerhalb des Skripts konfigurierbar. Der Standard ist auf 72 Stunden eingestellt, sollte aber an die Geschäftsregeln Ihrer Organisation angepasst werden.
Umgebung: Eine lokale Python-Umgebung mit dem erforderlichen SDK und den Bibliotheken ist notwendig, um das Skript auszuführen. Es ist kein direkter Zugriff auf den Genesys Cloud CX Server oder die Datenbank 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

Zum Analytics Workspace navigieren: Melden Sie sich bei Genesys Cloud CX an. Gehen Sie zum Menü, wählen Sie Admin und dann unter Analytics den Workspace.
Eine neue Ansicht erstellen: Klicken Sie auf das Plus-Symbol, um einen neuen Tab hinzuzufügen, und wählen Sie "Create a new view". Wählen Sie "Interactions" als Ansichtstyp. Dadurch wird der Interaktionsansichts-Editor geöffnet.
Den Datumsbereich definieren: Legen Sie im Filterbereich auf der linken Seite das gewünschte Datums- und Zeitintervall für die Daten fest, die Sie extrahieren möchten. Es wird empfohlen, mit einem kleineren Datumsbereich, z.B. einer Woche, zu beginnen, um den Prozess zu testen.
Spalten für den Export auswählen: Dies ist der wichtigste Schritt für die Datenvorbereitung. Klicken Sie auf die Schaltfläche "Columns". Wählen und fügen Sie aus den verfügbaren Feldern die folgenden Spalten zu Ihrer Ansicht hinzu. Diese Felder enthalten die notwendigen Daten zur Erstellung des Event Logs:
- Conversation ID
- Conversation Start
- Conversation End
- Media Type
- Participants (Dies ist ein komplexes Feld, das verschachtelte Agenten-, Warteschlangen- und Kundendaten enthält)
- Metrics.tAnswered
- Metrics.tACW
- Metrics.tHeld
- Surveys
Zusätzliche Filter anwenden: Verwenden Sie den Filterbereich, um die Daten bei Bedarf einzugrenzen. Sie können nach Media Type (z.B. voice, chat), Queue, Direction (inbound/outbound) oder anderen Konversationseigenschaften filtern, um sich auf den spezifischen Serviceanfrageprozess zu konzentrieren.
Ansicht speichern und ausführen: Speichern Sie die Ansicht mit einem beschreibenden Namen, zum Beispiel "Process Mining Service Request Export". Die Ansicht lädt dann die Ihren Kriterien entsprechenden Daten.
Export initiieren: Sobald die Daten in Ihrer Ansicht geladen sind, klicken Sie auf die Schaltfläche "Export", die normalerweise durch ein Download-Symbol dargestellt wird. Wählen Sie "Export as CSV" oder "Export as JSON". CSV ist oft einfacher für die Erstverarbeitung.
Exportierte Datei herunterladen: Der Exportauftrag wird im Hintergrund ausgeführt. Sie können den Fortschritt überwachen, indem Sie zu Performance > My Exports navigieren. Nach Abschluss laden Sie die Datei auf Ihr lokales System herunter.
Rohdaten transformieren: Die exportierte Datei hat eine Zeile pro Konversation, wobei Teilnehmer- und Segmentdaten in einer einzigen Spalte verschachtelt sind. Sie müssen ein Transformationsskript ausführen, wie das im Abschnitt „Query“ bereitgestellte Python-Skript, um diese Daten zu entpacken. Dieses Skript wird den rohen Export analysieren und eine neue Datei erstellen, in der jede Zeile eine einzelne Aktivität darstellt, wie z.B. "Agent Accepted Interaction" oder "Hold Placed on Interaction".
Benutzerdefinierte Logik implementieren: Als Teil der Transformation implementieren Sie jede geschäftsspezifische Logik. Zum Beispiel muss die Aktivität "Service Request Re-Opened" durch Analyse nachfolgender Interaktionen desselben Kunden innerhalb eines definierten Zeitrahmens berechnet werden.
Event Log finalisieren: Das Transformationsskript sollte eine CSV-Datei mit Spalten ausgeben, die dem erforderlichen Format für ProcessMind entsprechen, einschließlich ServiceRequest, ActivityName, EventTime und anderer Attribute. Stellen Sie sicher, dass alle Zeitstempel in einem konsistenten Format vorliegen.
In ProcessMind hochladen: Die finale, transformierte CSV-Datei ist nun bereit zum Upload in Ihr Process Mining Tool.

Konfiguration

Berechtigungen: Ihre Genesys Cloud CX Benutzerrolle muss die Berechtigung Analytics > Conversation > View haben, um auf den Analytics Workspace zuzugreifen und Interaktionsansichten zu erstellen.
Datumsbereich: Verwenden Sie für die erste Extraktion einen repräsentativen Zeitraum von 3-6 Monaten. Für Kontaktzentren mit sehr hohem Volumen empfiehlt es sich, Daten in kleineren Abschnitten, z.B. wöchentlich oder monatlich, zu exportieren, um Systemgrenzen zu vermeiden und Dateigrößen zu verwalten.
Wichtige Filter:
- Media Type: Filtern Sie nach den für Ihren Kundenserviceprozess relevanten Kanälen, wie voice, chat oder email.
- Queue: Wenn der Prozess von spezifischen Teams bearbeitet wird, filtern Sie nach den relevanten Queue IDs, um sicherzustellen, dass Sie nur Daten für den gewünschten Prozess extrahieren.
- Direction: Typischerweise möchten Sie nach inbound Interaktionen filtern, um vom Kunden initiierte Serviceanfragen zu erfassen.
Export-Spalten: Die Spalte Participants ist unerlässlich, da sie die detaillierte Zeitleiste der Ereignisse für Agenten und Warteschlangen enthält. Ohne diese Spalte können Sie keine einzelnen Aktivitäten extrahieren. Stellen Sie sicher, dass Conversation ID, Conversation Start und Conversation End ebenfalls enthalten sind.
Hinweise zur Leistung: Das Exportieren einer großen Anzahl von Spalten oder eines sehr langen Datumsbereichs kann dazu führen, dass der Exportauftrag eine erhebliche Zeit in Anspruch nimmt. Wenn der Auftrag fehlschlägt oder abbricht, reduzieren Sie den Datumsbereich und versuchen Sie es erneut. Genesys Cloud hat ein Limit von ungefähr 1 Million Konversationen pro Exportauftrag.

a Beispielabfrage config

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

# This script transforms a Genesys Cloud Conversation Detail Export into a process mining event log.
# It assumes the raw data is in a CSV file named 'genesys_export.csv'.

def transform_genesys_export(file_path):
    # Load the raw export file
    try:
        df = pd.read_csv(file_path)
    except FileNotFoundError:
        print(f"Error: The file {file_path} was not found.")
        return None

    event_log = []
    source_system = 'Genesys Cloud CX'
    last_data_update = datetime.now(timezone.utc).isoformat()

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

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

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

        for p in participants:
            participant_id = p.get('participantId')
            user_id = p.get('userId')
            queue_name = p.get('queueName')
            purpose = p.get('purpose')

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

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

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

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

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

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

if __name__ == '__main__':
    # Specify the path to your downloaded Genesys export CSV file
    input_file = 'genesys_export.csv'
    output_file = '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(f"Transformation complete. Event log saved to {output_file}")

Ihre Kundenservice-Datenvorlage

Ihre Kundenservice-Datenvorlage

Kundenservice-Attribute

Kundenservice-Aktivitäten

Extraktionsleitfäden

Genesys Cloud Analytics Conversation Detail Export

Schritte

Konfiguration

a Beispielabfrage config

Python-Skript, das die Genesys Cloud Platform API verwendet

Schritte

Konfiguration

a Beispielabfrage python

Event Streaming via AWS EventBridge Integration

Schritte

Konfiguration

a Beispielabfrage config

Bereit, um loszulegen?

Wiederholte Kontakte beenden: Kundenservice jetzt verbessern!

Ihre Kundenservice-Datenvorlage

Ihre Kundenservice-Datenvorlage

Kundenservice-Attribute

Kundenservice-Aktivitäten

Extraktionsleitfäden

Genesys Cloud Analytics Conversation Detail Export

Schritte

Konfiguration

a Beispielabfrage config

Python-Skript, das die Genesys Cloud Platform API verwendet

Schritte

Konfiguration

a Beispielabfrage python

Event Streaming via AWS EventBridge Integration

Schritte

Konfiguration

a Beispielabfrage config

Ihre Privatsphäre ist uns wichtig

Bereit, um loszulegen?

Wiederholte Kontakte beenden: Kundenservice jetzt verbessern!